Marico's space

TL;DR

UCLA Tauric Research 上周发布了 TradingAgents v0.2.4（2026-04-25）——一个基于 LangGraph 的多Agent LLM 框架，用五层、约十二个Agent模拟一整套投资公司。新版本带来了 Pydantic 类型化的结构化输出、LangGraph 检查点恢复、持久化决策记忆文件、五档评级，以及 10 家 LLM 提供商的集成。在 AAPL/GOOGL/AMZN 上的回测显示 23-27% 的累计收益。

⚠️ Disclaimer：仅为回测结果，不构成投资建议。真金白银操作之前，请先做模拟交易。

为什么这个框架值得关注——不只是"又一个交易机器人"

说实话，现在大多数 LLM 交易机器人就是一个大模型套了一个巨大的 prompt。它们的致命缺陷是确认偏见——一旦形成了初始判断，就会 cherry-pick 支持自己观点的证据。

TradingAgents 从结构上解决了这个问题：用五层明确角色分工的 Agent 互相辩论：

[分析师团队 x4] -> [多头 vs 空头辩论]\n        |\n        v\n   [交易员 (3档)]\n        |\n        v\n[风险管理：激进 vs 保守 vs 中性]\n        |\n        v\n   [投资组合经理 (5档)] -> 买入 / 超配 / 持有 / 减配 / 卖出

整个流程跑在 LangGraph 状态图上，节点之间有明确的交接。你可以直接替换任意节点、记录任意状态、从任意检查点恢复。这个设计对工程师非常友好。

v0.2.4 对开发者的亮点

1. 结构化输出决策Agent

Research Manager、Trader 和 Portfolio Manager 现在统一用 llm.with_structured_output(Schema) 配合 Pydantic schema，跨平台兼容：

• OpenAI：json_schema
• Google Gemini：response_schema
• Anthropic Claude：tool-use
• 其他模型：function-calling 回退方案

终于不用再写脆弱的文本解析来提取决策值了，这个改进很实在。

2. LangGraph 检查点恢复

加上 --checkpoint 参数就能开启逐节点状态持久化：

~/.tradingagents/cache/checkpoints/<TICKER>.db

假设你的运行在多空辩论结束、风险管理层之前崩了——直接从这个检查点恢复，不用重新跑完整流程。省 API 费用的利器。

3. 持久化决策记忆

~/.tradingagents/memory/trading_memory.md

每次运行都会往这个文件追加一条决策记录。下次跑同一个 ticker 时，框架会自动把以下内容注入 Portfolio Manager 的 prompt：

• 上次的决策
• 实际实现的收益（绝对收益 + 相对 SPY 的 alpha）
• 一段总结回顾

这就是把交易日记变成上下文——框架会从自己的历史错误中学习。有点意思。

4. 五档评级系统

Portfolio Manager 现在输出五档：

Trader 那层还是用三档（Buy/Hold/Sell），只有最终的 Portfolio Manager 才有更细的粒度。这个分层设计挺合理的。

5. 10 家 LLM 提供商支持

config["llm_provider"] = "anthropic"  # 或者：\n# openai, google, anthropic, xai, deepseek,\n# qwen, glm, openrouter, ollama, azure

如果不需要顶级推理能力，本地跑 Ollama 是控制成本的好选择。

快速上手

from tradingagents.graph.trading_graph import TradingAgentsGraph\nfrom tradingagents.default_config import DEFAULT_CONFIG\n\nconfig = DEFAULT_CONFIG.copy()\nconfig["llm_provider"] = "anthropic"\nconfig["deep_think_llm"] = "claude-opus-4-7"\nconfig["quick_think_llm"] = "claude-haiku-4-5"\nconfig["max_debate_rounds"] = 2\nconfig["checkpoint_enabled"] = True\n\nta = TradingAgentsGraph(debug=True, config=config)\n_, decision = ta.propagate("NVDA", "2026-01-15")\nprint(decision)

deep_think_llm 和 quick_think_llm 的分工是成本优化的关键：

• deep_think_llm——多空辩论、风险辩论、Portfolio Manager（重型推理）
• quick_think_llm——分析师数据汇总（轻量级）

Claude 用户的话，Opus 4.7 + Haiku 4.5 是个很舒服的组合。

CLI 模式

tradingagents

交互式提示，输入 ticker、日期、LLM 提供商和研究深度。适合快速实验。

回测表现（论文数据）

在 AAPL / GOOGL / AMZN 上：

数据来源：arXiv 2412.20138 v7（Yijia Xiao 等）。

论文里没提到的

老实说局限不少：

• 滑点没有建模
• 税费没有扣除
• 非 trivial 仓位的市场冲击被忽略
• 回测里实时数据延迟假设为零
• 所有数据仅限 AAPL/GOOGL/AMZN——大盘美股科技股，最简单的场景

结论：把它当研究框架用，别拿论文数据直接上真钱。

这个模式可以泛化

真正有意思的不是交易本身，而是多Agent辩论模式。同样的五层结构可以套到：

• 内容生产（写手 + 编辑 + SEO + 审核 + 最终签发）
• 营销活动（策略 + 文案 + 设计 + 效果衡量）
• 招聘决策（技术评估 + 文化匹配 + 背景调查 + 最终拍板）
• 定价决策（成本 + 市场 + 竞争 + 客户视角）

任何单个的人或单个 LLM 容易产生确认偏见的地方，2个以上的对抗性Agent之间的结构化辩论都有帮助。这个思路我觉得挺通用的。

最后感想

TradingAgents 不是一个"用 AI 赚钱"的工具包。它是一个研究框架，证明了多Agent范式在高风险领域是可行的。v0.2.4 的这些更新（结构化输出、检查点、持久化记忆）让它真正可用于严肃实验——而不只是 paper 友好的 demo。

值得 clone 下来读读 LangGraph 代码，把里面的设计模式偷用到自己的多Agent系统里。

链接

• GitHub
• arXiv paper v7
• CHANGELOG
• Project site with benchmarks

⚠️ Disclaimer：本文从技术角度分析 TradingAgents 框架，不构成投资建议。回测数据代表历史表现，不保证未来收益。真金白银之前请务必充分模拟交易。