编程 LangGraph 多智能体交易框架 TradingAgents：状态恢复、记忆注入与可复现边界

2026-09-09 00:03:51

LangGraph 多智能体交易框架 TradingAgents：状态恢复、记忆注入与可复现边界

Tauric Research 开源的 TradingAgents 是一个基于 LangGraph 的多智能体 LLM 金融交易框架，Apache-2.0 协议，GitHub 约 10 万星。项目定位是研究用途而非投资建议。官方实现的角色分工如下：

Analyst Team：基本面、情绪、新闻、技术四类分析师并行分析
Researcher Team：多空研究员对抗辩论
Trader：综合决策
Risk & Portfolio Manager：风控与最终批准

官方公布的实验结果显示年化收益率最高约 30.5%，Sharpe 与最大回撤优于基准；但 README 明确说明回测结果不保证复现任何数字。

安装与快速使用

git clone https://github.com/TauricResearch/TradingAgents.git
conda create -n tradingagents python=3.12
pip install .

也支持 Docker：

cp .env.example .env
docker compose run --rm tradingagents
# 本地 Ollama
docker compose run --rm --profile ollama tradingagents

Python 调用方式：

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

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
_, decision = ta.propagate("NVDA", "2026-01-15")

CLI 用 tradingagents 或 python -m cli.main。ticker 采用 Yahoo Finance 格式，A 股如 600519.SS，港股如 0700.HK。

Provider 与关键配置

LLM provider 支持 OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen（DashScope 国际 + 国内）、GLM、MiniMax、OpenRouter、Azure OpenAI、Ollama 本地，以及任意 OpenAI 兼容端点（vLLM、LM Studio、llama.cpp，走 llm_provider=openai_compatible）。

可覆盖的 config 字段：

llm_provider
deep_think_llm：复杂推理链，如 gpt-5.6
quick_think_llm：轻量快速响应
max_debate_rounds：多空辩论轮次上限

决策记忆：跨交易注入历史教训

每次分析完成后，决策记录会追加写入 ~/.tradingagents/memory/trading_memory.md。下次运行同 ticker 分析时，框架先取出已实现收益并生成反思，将近期同 ticker 决策与跨 ticker 教训一并注入 Portfolio Manager 的 prompt。

记忆日志路径可通过环境变量 TRADINGAGENTS_MEMORY_LOG_PATH 覆盖。

Checkpoint 续跑：从最后成功节点恢复

Checkpoint 是 opt-in 机制，启用方式：

tradingagents analyze --checkpoint
# 清除该 ticker 的 checkpoint
tradingagents analyze --clear-checkpoints

也可以在 config 中设置 config["checkpoint_enabled"] = True。

LangGraph 在每个节点执行后保存状态，崩溃后可从最后成功步骤继续运行。日志中会明确区分 Resuming from step N 与 Starting fresh，成功后 checkpoint 自动清理。每个 ticker 对应一个独立的 SQLite 库：

~/.tradingagents/cache/checkpoints/.db

基路径可用 TRADINGAGENTS_CACHE_DIR 修改。

可复现性的三类来源与两处加固

LLM 两次运行结果不同是预期行为，框架对此有明确分类：

采样不确定：固定 temperature 也不保证字节级一致，推理模型（reasoning models）波动最大。
数据在动：新闻、StockTwits、Reddit 内容随时间变化。pin 历史日期只固定了价格指标窗口，社交与新闻数据仍反映当下状态。
可控项：降低 temperature 有一定帮助，但主流推理模型基本无视 temperature 参数。需要更高可复现性时，应显式选择非推理模型（Custom model ID）。

针对前两类来源，框架做了两处确定性加固：

公司身份解析：运行前从 ticker 确定性解析公司实体，避免两次运行解析出不同公司。
价格指标 grounding：市场分析师将价格指标绑定到经过校验的数据快照，堵住模型编造价格的可能。

回测结果不与任何收益数字承诺一致性。