TradingGoose Studio 是一个开源的技术分析 + LLM 交易工作流平台，强调用可视化画布把行情、技术指标、AI agent、交易动作、API 集成等模块连接起来。它不是单一策略库，而更像一个面向交易研究和自动化的低代码/可视化工作台。

这个项目值得学习，因为它展示了金融 AI 从“脚本”走向“工作流平台”的形态。未来银行内部很多 AI 应用也可能不是一个模型接口，而是由数据源、规则、模型、人工审核、通知、报表和审批节点组成的流程。可视化工作流有助于非技术人员理解和调整流程。

项目还支持 PineTS 脚本、指标信号、AI 研究 agent、市场数据和经纪商接口，适合观察技术分析与大模型如何结合。即便不做交易，也可以学习它的工作流设计、节点抽象和触发机制。

• 项目方向是：技术分析 + LLM 交易工作流平台，核心学习问题是：如何用可视化工作流连接行情、技术指标、AI 智能体和交易动作。
• 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/TradingGoose/TradingGoose-Studio。 ↗
• 开源协议标注为：AGPL-3.0；若协议未明确，建议仅作学习研究参考。

重点学习工作流编排思想。金融 AI 应用可以被拆成数据节点、判断节点、模型节点、动作节点和通知节点，而不是写成一段不可解释的脚本。

还可以学习指标触发和 AI 分析结合的方式：规则负责确定触发条件，模型负责解释、总结和生成建议，两者职责不同。

• 低代码金融 AI 工作流原型。
• 行情监控、指标触发、智能报告和通知自动化。
• 银行运营流程、合规检查流程、客户提醒流程的可视化编排参考。
• 技术分析学习和金融智能体工具调用实验。
• 连接数据、模型、审批和通知的流程设计。

项目涉及交易自动化和 AGPL-3.0 协议，真实使用前必须评估法律、合规和开源义务。可视化工作流虽然降低门槛，但也可能让用户低估金融动作风险，必须设置权限、审批和日志。