TradingAgents（TauricResearch/TradingAgents）是一个多智能体 LLM 金融交易研究框架：用多个分工的 LLM 智能体（如分析师、研究员、交易员、组合经理等）模拟一个交易团队的协作流程，对市场信息进行分析、辩论与决策。它支持多家模型提供商（GPT、Gemini、Claude、Grok、DeepSeek、Qwen、GLM、Ollama 本地等）、结构化输出、LangGraph 检查点恢复、回测与决策日志。Apache-2.0 许可，约 79,164 stars，主语言 Python，有论文（arXiv:2412.20138）。重要前提：这是研究框架，输出不构成投资建议；金融交易有重大风险。
来源：README.md（标题、News、徽章）；GitHub 仓库元数据（stars=79164、language=Python、license=Apache-2.0、topics trading/multiagent） 查看 GitHub 仓库 →「多智能体 + LLM」用于金融分析话题性强，TradingAgents 把交易决策拆给多个角色化 LLM 智能体协作/辩论，并配多模型支持、回测、决策日志与持续迭代（v0.2.x 系列），有论文背书，因而 star 极高。需着重说明：它是研究/模拟框架，LLM 的分析与「评级/决策」基于公开信息，准确性无保证、不构成投资建议；自动化交易涉及重大资金风险，任何实盘使用都需自行严格风控、合规并自负盈亏。它出现在 trending 反映研究兴趣，而非任何收益承诺。截至数据采集约 79,164 stars。
来源：README.md（标题、News、论文）；GitHub 仓库元数据（stars=79164、pushed_at 2026-05）用分析师/研究员/交易员/组合经理等角色化 LLM 智能体协作辩论，输出交易决策与评级。
来源：README.md（标题、News 的结构化输出/情感分析师）支持 GPT/Gemini/Claude/Grok/DeepSeek/Qwen/GLM/MiniMax 与远程 Ollama 等，env 变量配置。
来源：README.md（News v0.2.0/v0.2.5）提供注重日期保真的回测、持久化决策日志与 LangGraph 检查点恢复。
来源：README.md（News v0.2.3/v0.2.4）Docker、多语言、代理支持、API Key 自动检测与跨平台稳定性改进。
来源：README.md（News v0.2.2–v0.2.5）TradingAgents 用 Python + LangGraph 编排多智能体工作流：不同角色的 LLM 智能体（如各类分析师、情感分析师、研究员、交易员、组合/风险经理）分工处理行情与信息、相互辩论并汇总成决策，配五档评级与结构化输出；支持 LangGraph 检查点恢复、持久化决策日志与回测（注重日期保真）。模型层多提供商可配（GPT-5.x、Gemini 3.x、Claude 4.x、Grok、DeepSeek、Qwen/GLM/MiniMax 双区域、远程 Ollama 等），通过 `TRADINGAGENTS_*` 环境变量配置并自动检测 API Key。提供 Docker、多语言 README 与代理支持。
来源：README.md（标题、News 的智能体/LangGraph/回测/多模型）；GitHub 仓库元数据（language=Python）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
LangGraph（多智能体编排）多家 LLM（GPT/Gemini/Claude/Grok/DeepSe…回测与数据源适合研究「多智能体 + LLM」在金融分析中的应用：用角色化智能体做市场信息分析、研究辩论与决策模拟、复现论文方法、做回测与策略实验，或作为 agent 编排与金融场景结合的学习/研究框架。所有产出仅供研究，不能替代专业意见；任何实盘应用都需自行严格回测、风控与合规，风险与盈亏自负。
来源：README.md（标题、News）近期：2026-05 v0.2.5（接地情感分析师、GPT-5.5 等模型、Qwen/GLM/MiniMax 双区域、env 配置与 Key 自动检测、远程 Ollama、非美股 alpha 基准、安全加固）；此前 v0.2.0–v0.2.4 陆续加入多提供商、结构化输出、LangGraph 恢复、决策日志、Docker 等；并有 Trading-R1 技术报告。仓库最后更新约在 2026 年 5 月。
来源：README.md（News 时间线）；GitHub pushed_atTradingAgents 是一个多智能体 LLM 金融交易研究框架：用角色化 LLM 智能体（分析师/研究员/交易员/组合经理等）模拟交易团队协作与辩论生成决策，支持多家模型、回测、决策日志与 LangGraph 检查点恢复，工程完善、有论文背书、star 极高，对研究「多智能体 + LLM + 金融」很有价值。务必清楚它是研究/模拟框架，LLM 输出不构成投资建议、准确性无保证，存在幻觉与过拟合；实盘交易风险重大，需自行严格回测、风控与合规，盈亏自负。作为该方向的代表性开源框架，研究价值高，但需以审慎、合规、风险自担的态度使用。
来源：综合 README.md 的定位、多智能体架构、能力与风险/免责TradingAgents（TauricResearch/TradingAgents）是一个多智能体 LLM 金融交易研究框架：用多个分工的 LLM 智能体（如分析师、研究员、交易员、组合经理等）模拟一个交易团队的协作流程，对市场信息进行分析、辩论与决策。
TradingAgents 的核心功能包括：多智能体交易团队模拟、多模型提供商、回测与决策日志、工程化与部署。
「多智能体 + LLM」用于金融分析话题性强，TradingAgents 把交易决策拆给多个角色化 LLM 智能体协作/辩论，并配多模型支持、回测、决策日志与持续迭代（v0.2.x 系列），有论文背书，因而 star 极高。需着重说明：它是研究/模拟框架，LLM 的分析与「评级/决策」基于公开信息，准确性无保证、不构成投资建议；自动化交易涉及重大资金风险，任何实盘使用都需自行严格风控、合规并自负盈亏。
适合研究「多智能体 + LLM」在金融分析中的应用：用角色化智能体做市场信息分析、研究辩论与决策模拟、复现论文方法、做回测与策略实验，或作为 agent 编排与金融场景结合的学习/研究框架。所有产出仅供研究，不能替代专业意见；任何实盘应用都需自行严格回测、风控与合规，风险与盈亏自负。