TradingAgents 完整教學 2026：多代理 LLM 交易框架實戰

TradingAgents 是 Tauric Research 開源的多代理 LLM 交易研究框架（GitHub 114,387 星、Apache-2.0、Python 撰寫、最新 v0.7.0）。它把「一家交易公司」拆成四個分析師、多空研究員辯論、交易員、風控團隊與投資組合經理，用 LangGraph 串成流程，一行指令就能對指定股票與日期產出完整研究報告。

為什麼需要「多代理」，而不是直接問 GPT 該不該買

如果你曾經拿股票問題去問 LLM，大概遇過這三件事：

1. 它會編造事實——給你一個很具體但根本不存在的本益比
2. 它沒有立場的張力——你問「該買嗎」，它傾向順著你的語氣回答
3. 它不會記得上次錯在哪——同一支股票問十次，得到十份互不相關的樂觀報告

TradingAgents 的設計就是針對這三點。它不讓一個模型同時扮演所有角色，而是把「看財報的人」、「讀新聞的人」、「看線圖的人」、「唱多的人」、「唱空的人」、「負責風控的人」拆開，讓它們的結論互相打架，最後由投資組合經理裁決。

這個設計背後的假設很直白：一個模型很難同時是樂觀者與懷疑者，但兩個模型可以。

一表看懂：TradingAgents 基本資料

星數這種東西會浮動，而且 GitHub 網頁顯示的常是快取值。上面這個數字是 API 直接查的，如果你要引用，建議自己重查一次。

架構拆解：五個團隊、一條決策鏈

TradingAgents 的流程不是「問答」，而是「開會」。整條鏈是這樣的：

有一個細節值得注意：README 明寫四個分析師是同時跑（parallel）的，各自用自己的工具，等所有報告回來後才進入辯論階段。這是 v0.5.2 之後的改動，目的是縮短分析時間。

另一個關鍵設計是「兩層模型」（quick / deep）：

這兩層還可以分別掛在不同供應商上。README 給的例子是：經理層用 Claude，其餘用 OpenAI。實務上這代表你可以「便宜的跑量、貴的跑關鍵判斷」，是控制成本最有效的一個開關。

安裝：官方指令原文，照貼就好

方式一：本機安裝

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

需要 Python 3.11 以上。建立虛擬環境（官方給 conda 與 uv 兩種）：

conda create -n tradingagents python=3.13
conda activate tradingagents

或用 uv：

uv venv --python 3.13
source .venv/bin/activate

安裝套件（用 uv 的話是 uv pip install .）：

pip install .

方式二：Docker

cp .env.example .env  # add your API keys
docker compose run --rm tradingagents

更新 repo 後要重建映像：

docker compose build

Docker 模式下，結果、報告、記憶日誌與快取都存在 tradingagents_data volume。想改存到主機資料夾：

mkdir -p data && TRADINGAGENTS_DATA_DIR=./data docker compose run --rm tradingagents

要用本機 Ollama 模型：

docker compose --profile ollama run --rm tradingagents-ollama

需要哪些 API Key

這是我覺得最值得先看的一段，因為它直接決定你的成本結構。官方支援的供應商非常廣：

export OPENAI_API_KEY=...          # OpenAI (GPT)
export GOOGLE_API_KEY=...          # Google (Gemini)
export ANTHROPIC_API_KEY=...       # Anthropic (Claude)
export XAI_API_KEY=...             # xAI (Grok)
export DEEPSEEK_API_KEY=...        # DeepSeek
export DASHSCOPE_API_KEY=...       # Qwen (international)
export ZHIPU_API_KEY=...           # GLM via Z.AI (international)
export MINIMAX_API_KEY=...         # MiniMax (global)
export OPENROUTER_API_KEY=...      # OpenRouter
export MOONSHOT_API_KEY=...        # Kimi (Moonshot)
export GROQ_API_KEY=...            # Groq
export NVIDIA_API_KEY=...          # NVIDIA NIM
export FRED_API_KEY=...            # FRED macro data (free, optional)
export ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage
export TYPESAFE_API_KEY=...        # Jev social-post screening (optional)

其中兩個是免費且建議加上的：

• FRED_API_KEY：宏觀資料（免費）
• SEC EDGAR：不需要 key、不需要帳號，美國公司財報直接讀

如果你是 ChatGPT Plus / Pro 訂閱者，v0.7.0 新增了一條路：直接用自己的訂閱額度跑，不用 API key。

tradingagents login chatgpt

登入資訊存在 ~/.tradingagents/chatgpt-auth.json，tradingagents logout chatgpt 可撤銷。代價是：跑的量會計入你的方案用量上限，而且該方案不接受 temperature 與 max_tokens 參數。

想用本機模型（完全不出網、不燒 API 費）則設 llm_provider: "ollama"，預設端點 http://localhost:11434/v1。任何 OpenAI 相容的伺服器（vLLM、LM Studio、llama.cpp）都可以走 openai_compatible：

config["llm_provider"] = "openai_compatible"
config["backend_url"] = "http://localhost:8000/v1"   # vLLM

CLI 用法：互動式與無人值守兩種

互動式

tradingagents          # installed command
python -m cli.main     # alternative: run directly from source

會出現選單，讓你挑 ticker、分析日期、LLM 供應商、研究深度等。上一次的答案會變成下次的預設值，直接按 Enter 就是沿用。

無人值守（排程／腳本用）

export TRADINGAGENTS_LLM_PROVIDER=openai TRADINGAGENTS_QUICK_THINK_LLM=gpt-6-luna TRADINGAGENTS_DEEP_THINK_LLM=gpt-6-sol
export TRADINGAGENTS_OUTPUT_LANGUAGE=English TRADINGAGENTS_MAX_DEBATE_ROUNDS=1 TRADINGAGENTS_MAX_RISK_ROUNDS=1
tradingagents --ticker NVDA --date 2026-09-23 --analysts market,news,fundamentals --save --no-show

這行是本文最實用的一行。TRADINGAGENTS_OUTPUT_LANGUAGE=English 特別值得注意——如果你想要中文報告，這裡可以改（官方支援多語言輸出）。

常用參數一覽

--save 會多產出一份 complete_report.html，把整份報告排成單頁、旁邊列章節，可印、可手機讀。這對「把報告丟給主管看」這件事滿方便的。

Python API：把 TradingAgents 塞進你自己的系統

最短的用法只有四行：

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# forward propagate
state, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)

# the same report tree the CLI saves, under results_dir/reports
ta.save_reports(state, "NVDA")

要調參數的話：

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-6-sol"     # Model for complex reasoning
config["quick_think_llm"] = "gpt-6-luna"   # Model for quick tasks
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)

把兩層模型掛到不同供應商：

config["deep_think_provider"] = "anthropic"
config["deep_think_llm"] = "claude-opus-5-5"

帶入真實持倉

預設情況下，代理不知道你手上有什麼，所以建議是寫給「會自己套用到部位上的讀者」。想讓它針對你的實際部位給建議，要傳 portfolio：

from tradingagents.portfolio import PortfolioContext

portfolio = PortfolioContext.model_validate({
    "cash": 25000.0,
    "currency": "USD",
    "positions": [{"ticker": "NVDA", "quantity": 120, "average_price": 150.0}],
})

_, decision = ta.propagate("NVDA", "2026-09-01", portfolio=portfolio)

CLI 版則吃 JSON 檔：tradingagents --portfolio my_book.json。

README 特別強調一個容易搞錯的細節：空 positions 陣列代表「空手」，與「沒有傳 portfolio」是不同的兩件事。 沒傳的情況永遠不會被當成空手。

支援哪些市場（以及台股的未解問題）

README 的說法是「works with any market Yahoo Finance covers, using the exchange-suffixed ticker」，公司識別與 alpha 基準會自動依市場解析。官方列出的範例：

注意：官方範例裡沒有台股。 依 Yahoo Finance 的代號規則，台股是 .TW（上市）與 .TWO（上櫃），理論上落在「any market Yahoo Finance covers」的範圍內，但 README 沒有列、我也沒有實測，所以要把它當成「需要自行驗證」的項目，而不是保證可用。如果你要試，第一步就是拿 2330.TW 跑一次 --date 指定到某個過去日期，看基本面資料抓不抓得到——抓不到的話，這個框架對台股就只能用技術面與新聞面。

記憶日誌：它會記得上次錯在哪

這是我認為 TradingAgents 最被低估的功能。記憶日誌預設開啟，位置在 ~/.tradingagents/memory/trading_memory.md。

運作方式是這樣：

1. 每次跑完，把當次決策寫進日誌
2. 下一次跑的時候，趁分析師還在工作的空檔，去結算「持有期已過」的舊決策
3. 結算內容包含：實際報酬（原始報酬，以及相對於該市場基準的 alpha）
4. 然後為每筆舊決策生成一段反思
5. 投資組合經理會讀同標的的近期決策 + 其他標的的近期教訓

翻成白話：它會回頭檢查自己上次說買是對的還是錯的，並把教訓帶進這次的判斷。 這件事人類分析師會做，多數 LLM 工具不會。

想在不跑分析的情況下單獨結算（例如放在每日排程裡）：

ta.settle_all_pending()

回測：一次跑一格沒有意義

一次跑出一個決策，無法判斷這個系統決策得好不好。TradingAgents 提供了 run_backtest，對一組「ticker × 日期」的網格跑同一條流程，然後只評分那些「持有窗口已經過去、可被驗證」的決策。

from tradingagents.backtest import iter_grid, run_backtest, summarize

dates = iter_grid("2026-06-01", "2026-08-01", every_n_days=7)
result = run_backtest(["NVDA", "AAPL"], dates, config, selected_analysts=["market", "news"])
print(summarize(result).render())

CLI 版：

tradingagents backtest NVDA,AAPL --start 2026-06-01 --end 2026-08-01 --every 7

兩個設計細節值得知道：

• 每一格的評分基準是相對於該標的所屬市場基準的實質 alpha，不是絕對報酬
• 決策的進場點是「該日期之後的第一個收盤價」，因為一次分析會讀到當天收盤後才發布的新聞。這個設計是為了避免「當天就進場」造成的前視偏誤（look-ahead bias）

還有一個省錢設計：重跑同一組網格時帶 run_id=result.run_id，會跳過已經跑過的格子，中斷的掃描可以續跑。

五個必須知道的限制（官方自己寫的）

這一節是本文最該讀的部分。以下五點全部來自 README 或官方說明，不是我自己的推測：

① 兩次跑同一支股票，結果會不一樣

“TradingAgents is LLM-driven, so two runs of the same ticker and date can differ. This is expected for a research tool built on language models, not a defect.”

變異有三個來源：模型取樣本身不確定（推理型模型變異最大，因為它的內部推理也在取樣）、即時資料會動（今天跑和上週跑，看到的新聞與社群貼文不同）、以及溫度設定。

官方緩解方式：把 temperature 調低。但它也老實說了——目前精選的模型都是推理優先，大多忽略 temperature。想要更穩定，就得換成非推理型模型。這是個誠實但令人不太舒服的答案。

已經修掉的老問題也值得知道：README 提到早期報告曾出現「不同次跑到不同公司」與「編造價格水準」的狀況，現在靠兩個機制解決——公司身份在跑之前就由 ticker 決定性解析，市場分析師的價格與指標說法必須對齊一個已驗證的資料快照。

② 回測結果不保證能重現

“Backtest results are not guaranteed to match any published figure.”

論文裡的累積報酬、Sharpe、最大回撤，是在論文的實驗條件下量到的。你的模型、溫度、日期區間、資料品質都不一樣，跑出來就不一樣。官方建議把這個框架當成「研究多代理分析的鷹架」，而不是一個有固定可複製報酬的策略。

③ 它是研究工具，不是投資建議

README 與官網都有明確免責：設計目的是研究用途，交易績效會因底層模型、溫度、交易期間、資料品質等因素而變動，不構成財務、投資或交易建議。

④ 這不是「全自動交易機器人」

它下單到的是模擬交易所（simulated exchange）。框架裡沒有任何券商 API 串接。想接實盤你得自己寫，而且要自己承擔所有風險與法規問題。

⑤ 我沒有實測的部分（誠實揭露）

為了避免把別人的文件寫成自己的測試心得，這裡明列本文沒有做的事：

• 沒有實際安裝並跑完一次完整分析（需要 API key 與實際 token 費用，本文以官方 README、arXiv 論文摘要與 GitHub API 資料為依據）
• 沒有實測台股 .TW / .TWO（官方範例未列，見上方說明）
• 沒有驗證論文中的績效數字，也沒有重跑回測
• 沒有比較過各供應商的實際花費——README 不公布單次跑的 token 用量，而一次完整分析會經過 4 個分析師、多輪辯論、交易員、風控與經理，呼叫次數是數十次量級，實際成本強烈取決於你選的模型與辯論輪數

成本怎麼估（給不想要帳單驚喜的人）

官方沒有公布單次分析的成本，但架構本身就給了省錢的槓桿：

我的建議是：第一次跑先關掉一半分析師、辯論只跑一輪，用最便宜的模型確認流程通不通，再一次一項加回去。 反過來做（一開始就全開最強模型）很容易在還沒看懂報告之前就先被帳單嚇到。

誰適合、誰不適合

如果你屬於右邊那一欄，這篇文章的價值可能只剩下「知道有這個東西」——那也夠了，至少你不會花三個週末安裝它然後失望。

站內延伸閱讀

• ValueCell：打造 AI 金融應用的開源多重代理人平台
• AI 革命下的金融巨頭：華爾街如何用人工智慧重塑投資格局
• Apollo 報告：AI 對 S&P 493 是「零財務回報」

資料來源與查證方法

• GitHub repo：TauricResearch/TradingAgents（README 全文，v0.7.0 版本說明）
• GitHub API 資料：api.github.com/repos/TauricResearch/TradingAgents，2026-10-25 查詢（星數 114,387、fork 22,120、Apache-2.0、最後推送 2026-10-16）
• 論文：TradingAgents: Multi-Agents LLM Financial Trading Framework（arXiv 2412.20138，q-fin.TR）
• 官方網站：https://TradingAgents-AI.github.io
• 官方免責聲明：https://tauric.ai/disclaimer/

查證說明：本文的安裝指令、CLI 參數、Python 範例與限制說明全部取自官方 README 原文，未經改寫。星數與授權以 GitHub API 為準（網頁顯示值可能是快取）。所有「未實測」項目已在第 ⑤ 點明確列出，不與官方文件混淆。

⚠️ 本文為工具教學與技術研究整理，不構成任何投資建議。TradingAgents 官方定位為研究框架，下單對象為模擬交易所，其回測與論文績效不保證重現。實際投資決策請自行判斷並承擔風險。