TradingAgents 是一个多智能体 LLM 金融交易框架，论文和仓库都围绕“用大模型智能体模拟交易公司协作流程”展开。它把基本面分析师、情绪分析师、技术分析师、研究员、交易员、风险管理团队等角色组织起来，让不同智能体围绕市场信息进行讨论、争辩和决策。

这个项目比简单的“LLM 选股机器人”更值得学习，因为它强调协作结构和流程。真实金融机构中，交易决策往往不是单人判断，而是研究、交易、合规、风控、组合管理多个角色共同作用。TradingAgents 把这些角色抽象成可运行的智能体流程，适合学习金融 agent 架构。

项目持续更新，包含多语言、多模型提供方、结构化输出、checkpoint、决策日志等能力，这些对金融 AI 工程化很重要。银行如果做内部分析助手，也需要持久化日志、可恢复流程、模型切换、结构化输出和风险团队介入。

• 项目方向是：多智能体 LLM 金融交易框架，核心学习问题是：如何模拟交易团队中的研究员、交易员和风控人员协作决策。
• 能帮助理解金融场景中数据、模型、检索、推理、智能体、知识图谱或评测之间的衔接方式。
• 适合用公开数据做原型学习，再思考如何迁移到银行内部制度、产品、客户、风控或运营场景。
• 项目地址：https://github.com/TauricResearch/TradingAgents。 ↗
• 开源协议标注为：Apache-2.0；若协议未明确，建议仅作学习研究参考。

重点学习多智能体辩论与风控团队设计。金融智能体不应只生成买卖建议，还要有反方观点、风险评估、仓位约束和记录留痕。

还可以学习 LangGraph 或类似工作流思想如何把多个 LLM 调用串成可追踪决策流程。

• 投研多角色分析助手。
• 风险事件研判会议的智能体模拟。
• 对公客户行业分析、舆情分析和授信意见汇总。
• 多模型、多角色金融 Agent 架构实验。
• 金融决策日志和审计链路设计参考。

交易智能体项目的回测结果和论文实验不能等同于真实盈利能力。LLM 对市场信息的理解可能滞后或幻觉，且交易执行涉及法律、合规和适当性问题。真实场景必须加入人工审批和强制风控。