想做量化交易，但不会写代码、不懂技术指标、对接数据源就能折腾几个月。
这是大多数普通人面对量化时的真实困境。
最近在 GitHub 上发现一个项目，把这件事变得特别简单。
它不是单个 AI 在帮你分析股票，而是直接模拟了一个完整的投资委员会。
基本面分析师看财报，情绪分析师盯社交媒体，技术分析师画 K 线，研究员搞多空辩论，交易员做决策，风控经理把关风险。
就像把华尔街投行的投委会搬进了代码里。
这个项目叫 TradingAgents，一个多智能体 LLM 金融交易框架。
01
它到底能干什么
TradingAgents 的核心思路很直接：
让多个专业 AI 智能体协作完成投资决策。
整个框架分四层：
第一层是分析师团队。基本面分析师评估财务指标，情绪分析师监控社交媒体舆论，新闻分析师追踪全球宏观事件，技术分析师用 MACD、RSI 这些指标检测交易模式。
第二层是研究员团队。看涨和看跌研究员会针对同一只股票进行结构化辩论，强制从正反两面审视投资机会。这个设计避免了单一视角的盲区。
第三层是交易员。综合各方报告，做出最终的买卖决策。
第四层是风险管理。评估投资组合风险，批准或拒绝交易提案。
说白了，它不是让一个 AI 瞎忙活，而是让一整个专业团队协作。
每个智能体各司其职，互相配合，就像真实的投资委员会一样。
02
几个挺顶的特点
① 结构化辩论机制
这是我觉得最有意思的设计。
看涨研究员挖掘上涨逻辑，看跌研究员揭示下跌风险，两边对着干。
你不再是听一家之言，而是能看到完整的正反观点。
决策更平衡，盲区更少。
② 10+ LLM 提供商支持
OpenAI、Claude、Gemini、DeepSeek、Qwen、智谱 GLM、xAI、Azure OpenAI、Ollama 本地模型全都支持。
你想用哪个模型、想省钱还是追求效果，自己选。
③ 持久化与断点恢复
决策日志自动保存，支持检查点恢复。
跑了一半的任务可以接着跑，不会因为中断丢失上下文。
这个功能对于跑长时间回测特别有用。
④ 极低上手门槛
一行命令安装，一行代码调用。
不需要自己搭架构、不需要对接数据源、不需要写策略模板。
03
怎么用
如果你是量化入门者，想学习多智能体协作框架；或者你是 AI 研究者，想研究 LLM 在金融领域的应用；又或者你就是想做量化但不会写代码——这个项目值得试一试。
它解决的问题很具体：
把专业量化团队的能力，封装成一行命令就能调用的工具。
当然，投资有风险，工具只是辅助决策，不是替你做决策。
但至少，它让普通人也能用上机构级别的分析能力了。
热门跟贴