TradingAgents-astock

---

---

为什么做这个 Fork

原版 TradingAgents 是一个出色的多 Agent 投研框架，但它针对美股设计：数据走 Yahoo Finance / Alpha Vantage，分析师不懂 A 股制度，辩论和决策完全面向美股市场。

本 Fork 的目标：把 TradingAgents 的多 Agent 辩论架构真正落地到 A 股，不是简单翻译，而是从数据层、Agent 角色、交易规则三个维度做深度特化。

核心改造

维度	原版	本 Fork
数据源	Yahoo Finance / Alpha Vantage	mootdx + 东财 + 新浪 + 同花顺（全免费直连）
Analyst 角色	4 个（市场/情绪/新闻/基本面）	7 个（+政策分析师/游资追踪/解禁监控）
交易规则	美股（T+0、无涨跌停）	A 股（T+1、涨跌停、最小手数、交易时段）
输出语言	英文	中文报告（内部辩论保持英文以保证推理质量）
Alpha 基准	SPY	沪深 300（CSI 300）

---

与上游对比

特性	原版 TradingAgents	本 Fork
许可证	Apache 2.0	全 Apache 2.0
部署依赖	pip install	开箱即用
A 股数据	❌	mootdx + 东财 + 新浪 + 同花顺（直连 HTTP）
A 股特化角色	❌	政策/游资/解禁 3 个深度角色
A 股交易约束	❌	T+1/涨跌停/手数/ST 全覆盖

---

架构概览

┌─────────────────────────────────────────────────────────┐
│                    7 Analyst 研报生成                      │
│  Market → Social → News → Fundamentals                   │
│  → Policy → Hot Money → Lockup                           │
│         （每个 Analyst 带工具循环）                          │
├─────────────────────────────────────────────────────────┤
│               Bull vs Bear 投研辩论                       │
│         Bull Researcher ←→ Bear Researcher               │
│               （最多 N 轮辩论）                             │
├─────────────────────────────────────────────────────────┤
│              Research Manager 综合研判                     │
│         （深度思考 LLM，输出投资计划）                       │
├─────────────────────────────────────────────────────────┤
│                  Trader 交易方案                          │
│         （A 股约束：T+1/涨跌停/手数）                       │
├─────────────────────────────────────────────────────────┤
│        Aggressive ←→ Conservative ←→ Neutral             │
│               三方风险辩论                                 │
├─────────────────────────────────────────────────────────┤
│            Portfolio Manager 最终决策                      │
│     （深度思考 LLM，输出评级 + 理由）                       │
└─────────────────────────────────────────────────────────┘

双 LLM 设计：

• quick_think_llm：所有 Analyst、Researcher、Trader、Risk Debater
• deep_think_llm：Research Manager 和 Portfolio Manager（需要综合全局信息做决策）

---

7 个 Analyst 角色

原版 4 角色（A 股适配）

A 股特化 3 角色（新增）

所有 7 个 Analyst 的报告会流入后续的 Bull/Bear 辩论和三方风险辩论，确保 A 股特色因素贯穿整条决策链。

---

数据源

全部免费，无需 API Key，无积分墙：

来源	协议	提供内容
mootdx	TCP 7709	OHLCV K 线、财务快照、F10 文本
腾讯财经	HTTP (qt.gtimg.cn)	PE / PB / 市值 / 换手率（实时）
东方财富	HTTP (datacenter / push2)	龙虎榜、限售解禁、板块行情、个股信息
新浪财经	HTTP	K 线历史、财报三表
同花顺	HTTP (10jqka)	EPS 一致预期
财联社	HTTP (cls.cn)	全球财经快讯
百度股市通	HTTP (finance.pae.baidu)	概念板块分类、资金流向

完全不依赖 Tushare（积分墙）、Alpha Vantage（海外 API）、Yahoo Finance（不支持 A 股）。

---

数据源优先级 & 东财防封（v0.2.11）：行情 / K线 / 市值 / 财务能从 mootdx（通达信 TCP，不封 IP）或腾讯拿到的，一律走它们；东财只用于它独有的数据（龙虎榜 / 解禁 / 资金流 / 板块 / 个股新闻等）。所有东财请求统一走内置节流入口 _em_get()：串行限流（默认间隔 ≥1s + 0.1~0.5s 随机抖动）+ 复用 Keep-Alive 会话，多 Agent 跑批量分析不再触发临时封 IP（东财风控实测：每秒 >5 / 并发 ≥10 / 1 分钟 ≥200 触发封禁）。批量场景可设环境变量 EM_MIN_INTERVAL=1.5~2 进一步降速。仅东财限流，mootdx / 腾讯 / 新浪 / 同花顺 / 财联社 / 百度 不受影响。

快速开始

1. 环境准备

# Python >= 3.10
git clone https://github.com/simonlin1212/tradingagents-astock.git
cd tradingagents-astock
pip install -e .

# 如需使用 Google Gemini 模型（无 [google] extra，需显式装，见下方 FAQ）：
pip install --no-deps "langchain-google-genai>=4.0.0"
pip install "google-genai>=1.53.0" "httpx>=0.28.1"

# 如需让节点走你个人 Claude Pro/Max 订阅额度而非 API 计费（可选）：
pip install -e ".[agentsdk]"

装完即可用，无需 Docker。 安装后直接跑 streamlit run web/app.py（Web UI）或 tradingagents（CLI）即可，详见下方「Web UI」「CLI 方式」两节。Docker 仅是可选的部署方式，本地开发不需要。

2. 配置 LLM

默认走 API Key 计费。每次分析需 30-50 次 LLM 调用。

例外（v0.4.0 新增）：装 [agentsdk] 后可让部分或全部节点经 Claude Agent SDK 走你个人 Claude Pro/Max 订阅额度，不产生 API 账单。见下方「用个人 Claude 订阅额度」。

在项目根目录创建 .env 文件，按你选择的供应商配置：

# ── 方案 A：MiniMax（推荐，国内直连，性价比高）──────────
MINIMAX_API_KEY=sk-xxx
# 申请地址：https://platform.minimaxi.com/

# ── 方案 B：DeepSeek ─────────────────────────────────
DEEPSEEK_API_KEY=sk-xxx
# 申请地址：https://platform.deepseek.com/

# ── 方案 C：智谱 GLM ─────────────────────────────────
ZHIPU_API_KEY=xxx
# 申请地址：https://open.bigmodel.cn/

# ── 方案 D：通义千问 Qwen ────────────────────────────
DASHSCOPE_API_KEY=sk-xxx
# 申请地址：https://dashscope.console.aliyun.com/

# ── 方案 E：OpenAI ───────────────────────────────────
OPENAI_API_KEY=sk-xxx

# ── 方案 F：Anthropic ────────────────────────────────
ANTHROPIC_API_KEY=sk-ant-xxx

# ── 方案 G：Kimi（Anthropic 兼容 API）────────────────
ANTHROPIC_API_KEY=your-kimi-token
ANTHROPIC_BASE_URL=https://api.kimi.com/coding/
# ⚠️ 两个都要设。只给 key 不给端点，请求会发到 Anthropic 官方并报
#    「401 invalid x-api-key」。端点也可以写在 config 的 backend_url 里（见下）。
# ⚠️ 别用 ANTHROPIC_AUTH_TOKEN——那是 Claude Code CLI 的写法，本项目走 langchain，
#    只认 ANTHROPIC_API_KEY。

# ── 方案 H：任意 OpenAI 兼容网关（9Router / AI Router / 自建代理）──
OPENAI_COMPATIBLE_API_KEY=sk-xxx     # 也接受 OPENAI_API_KEY
BACKEND_URL=https://your-relay.example/v1   # 你的网关地址（也可在 Web 侧栏「API Base URL」填）

3. 运行分析

新建一个 Python 文件（比如项目根目录下的 run.py），把下面这段粘进去，按你选的供应商改 config 后运行 uv run python run.py。根目录自带的 main.py 就是这个示例的可运行版本，直接 uv run python main.py 也行。

config 不是仓库里的某个配置文件，而是传给 TradingAgentsGraph(config=...) 的一个字典：只写你要覆盖的项，其余项自动取 tradingagents/default_config.py 里的默认值（完整可选项见下文「配置说明」一节）。

from tradingagents.graph.trading_graph import TradingAgentsGraph

# ── MiniMax 示例（推荐）─────────────────────────────
config = {
    "llm_provider": "minimax",
    "deep_think_llm": "MiniMax-M2.7",
    "quick_think_llm": "MiniMax-M2.7-highspeed",
    "output_language": "Chinese",
}

# ── DeepSeek 示例 ───────────────────────────────────
# config = {
#     "llm_provider": "deepseek",
#     "deep_think_llm": "deepseek-chat",
#     "quick_think_llm": "deepseek-chat",
#     "output_language": "Chinese",
# }

# ── Anthropic + Kimi 示例 ───────────────────────────
# config = {
#     "llm_provider": "anthropic",
#     "deep_think_llm": "claude-sonnet-4-6",
#     "quick_think_llm": "claude-sonnet-4-6",
#     "backend_url": "https://api.kimi.com/coding/",
#     "output_language": "Chinese",
# }

ta = TradingAgentsGraph(debug=True, config=config)
final_state, decision = ta.propagate("688017", "2026-05-12")
print(decision)

4. CLI 方式

tradingagents                 # 交互式 CLI
tradingagents analyze         # 同上（默认命令）
tradingagents performance     # 决策绩效统计（见下）
tradingagents --help          # 查看所有选项

5. 决策绩效统计（v0.5.2 新增）

想知道这套流程过往的判断准不准，跑：

tradingagents performance            # 人读的报告
tradingagents performance --json     # 机器读的 JSON

数据来自记忆日志：每次分析会落一条决策，下次分析同一只股票时自动拉真实行情回填收益与 alpha（对沪深 300）。统计本身零 LLM 调用，只读已经落盘的结果。

输出的核心指标是 direction_accuracy（方向正确率）——只有它衡量判断准不准：看多要跑赢、看空要跑输才算对，Hold 不表态不计入。另外给出 up_rate（标的上涨占比）与 outperform_rate（跑赢沪深300占比），这两个只描述标的怎么走，与判断对错无关：给出卖出评级后股价下跌是判断正确，但它不会计入「上涨占比」。

还有按评级、按标的分组，以及一项评级区分度检验——五档评级从 Buy 到 Sell，平均 alpha 是否真的单调递减。评级不单调，说明这套流程的评级没有实际区分能力。

几点务必注意：

• 这不是回测，也不是策略业绩。 每条记录是「某天做出的判断在固定持有期后的表现」：持有窗口互相重叠、没有仓位管理、未计交易成本与冲击成本，样本还可能有选择偏差。
• A 股 beta 很强，跟着大盘涨不代表判断对，所以方向正确率用 alpha 口径判定，看绝对收益容易高估判断力。
• 样本量分开算：方向正确率只统计有方向的评级，已结算总数够、但有方向的不足 20 条时，报告会单独提示这个指标仍是噪音。
• 样本少于 20 条时报告会自己标注「这些比率基本是噪音」，不要拿三五条记录下结论。
• 收益解析不出来的记录会被跳过而不是当成 0%——后者会把统计悄悄拉向中性。

---

Web UI

内置 Streamlit 可视化界面，支持在侧边栏选择 LLM 供应商和模型，输入股票代码即可一键分析，适合不写代码的用户。

启动

# 方式一：命令行启动（推荐）
tradingagents-web

# 方式二：直接运行
streamlit run web/app.py

打开浏览器访问 http://localhost:8501。

功能

• 配置记住：侧栏选的供应商 / 模型 / Base URL / 订阅覆盖写入 ~/.tradingagents/llm_config.json，重开标签页或重启后自动恢复（v0.5.17）
• 模型自选：侧边栏支持 10 个 LLM 供应商切换（MiniMax/DeepSeek/Qwen/GLM/OpenAI/Anthropic/Google/xAI/OpenRouter/Ollama），外加 「OpenAI 兼容（自定义 base_url）」 一档可接任意 OpenAI 兼容网关（9Router / AI Router / 自建代理）
• 一键分析：输入 6 位 A 股代码 + 分析日期 +「数据起始日期」（默认本月第一天，可自定义技术分析回溯区间，支持按月/自定义时段分析），点击「开始分析」
• 实时进度：12 阶段 pipeline 实时显示（7 分析师 → 质量门控 → 辩论 → 风控 → 决策），所有已完成阶段的报告均可展开查看
• 完整报告：信号卡片（Buy/Hold/Sell）、7 份分析师报告、多空辩论、风控评估
• 报告导出：一键下载 Markdown（零依赖，永远可用）或 PDF 完整分析报告（PDF 自动适配 Windows/macOS/Linux 中文字体）
• 历史记录：自动保存并展示所有历史分析

截图

---

配置说明

所有配置通过 config 字典传入，完整选项：

参数	默认值	说明
llm_provider	"minimax"	LLM 提供商：minimax / deepseek / qwen / glm / openai / anthropic / google / xai / ollama
deep_think_llm	"MiniMax-M2.7"	Research Manager + Portfolio Manager 用的模型
quick_think_llm	"MiniMax-M2.7-highspeed"	所有 Analyst / Researcher / Trader 用的模型
backend_url	None	自定义 API 端点 / 第三方中转网关。可在 Web UI 侧边栏填写，或用 .env 的 BACKEND_URL；方便国内通过代理访问 Claude / OpenAI。跑远程 Ollama 也是填这里：llm_provider 选 ollama、backend_url 填 http://<主机>:11434/v1，不填则默认本机 http://localhost:11434/v1（#61）
role_llms	{}	可选：给单个角色指定另一家模型（如多空辩手用不同厂商），留空 = 全部沿用 quick/deep 两档，行为不变。见下方「分角色模型」 #39
max_tokens	None	单次回复的最大输出 token 数。None = 用 provider 默认值。报告写到一半就断，先调这里（不是上下文超长）；也可用环境变量 TRADINGAGENTS_MAX_TOKENS。#91
output_language	"Chinese"	报告输出语言（内部辩论始终英文）
market_lookback_days	None	技术分析回溯天数（分析区间 = 起始日期 → 分析日期）。Web/CLI 由「数据起始日期」自动算出；None = 模型自选（约 30 天）。#16
llm_timeout	150	单次 LLM 请求超时（秒），对所有走 LangChain 客户端的 provider 生效（openai / anthropic / google / azure 及全部 OpenAI 兼容项，订阅撞额度后的降级客户端也带）。此前没有超时：LangChain 的三个封装层（ChatOpenAI / ChatAnthropic / AzureChatOpenAI）在没给超时时都把 None 显式传给底层 SDK，而这在 httpx 里的语义是「不设超时」——挂起的网关会让分析永久卡住（进程活着、零输出、永不返回）。claude_agent_sdk 订阅覆盖的主路径不走 LangChain 客户端，v0.5.20 起由客户端自己实现同一个配置项：订阅调用的整段预算 = 本项 × 该次调用允许的模型轮数（Agent SDK 把整个工具循环跑在一次调用里，单轮调用就等于本项本身），超时按限流同样的路径降级。深度推理模型如果经常在吐出首个 token 之前就超过这个值，把它调大（#100）
llm_max_retries	3	应用层重试次数，覆盖 408 / 409 / 429 / 5xx 与连接类错误（含读超时），即 OpenAI SDK 原本会重试的那一套。仅作用于走 OpenAI 兼容客户端的 provider（openai / deepseek / qwen / glm / minimax / xai / openrouter / ollama / openai_compatible）：只有它们的 SDK 层重试被置 0 并交给应用层；Anthropic / Google / Azure 沿用各家 SDK 自己的重试，不碰
llm_retry_delay	5	重试初始退避秒数，指数翻倍：5s → 10s → 20s
max_debate_rounds	1	Bull vs Bear 辩论轮数
max_risk_discuss_rounds	1	风险三方辩论轮数
data_vendors	全部 "a_stock"	数据供应商路由
checkpoint_enabled	False	启用 SQLite 断点续跑
memory_log_max_entries	None	交易记忆最大条目数

---

分角色模型（可选，v0.5.0 新增）

默认所有角色共用 quick_think_llm / deep_think_llm 两档——大多数人只有一家模型，不需要碰这一项。

如果你手上有多家模型，可以给单个角色单独指定。最典型的用法是让多空辩手用不同厂商的模型：同一个模型分饰多角时倾向于互相附和，换成不同底座才会真的出现反驳。

config = {
    "llm_provider": "deepseek",          # 未单独配置的角色仍走这里
    "deep_think_llm": "deepseek-chat",
    "quick_think_llm": "deepseek-chat",
    "role_llms": {
        "bull": {"provider": "qwen",    "model": "qwen-plus"},
        "bear": {"provider": "glm",     "model": "glm-4.6"},
        # provider 省略则沿用 llm_provider，只换模型：
        "portfolio_manager": {"model": "deepseek-reasoner"},
    },
}

合法角色名（其余角色自动沿用两档默认）：

分组	角色名
7 个分析师	market social news fundamentals policy hot_money lockup
辩论与决策	bull bear research_manager trader
风险三方	risk_aggressive risk_neutral risk_conservative
其他	quality_gate portfolio_manager

几点说明：

• 角色名写错会直接报错，不会静默忽略——否则你会以为配置生效了，实际没有。
• 相同的 provider + model 只建一个实例，写 7 个角色不会开 7 条连接。
• 每家 provider 用自己的 API Key 环境变量（DEEPSEEK_API_KEY / DASHSCOPE_API_KEY / ZHIPU_API_KEY …），缺哪个会指名报出来。
• 换了 provider 时不会把 backend_url 带过去（那是给主 provider 配的端点），需要的话在该角色里单独写 backend_url。
• 同时开着 claude_agent_sdk 订阅覆盖时，role_llms 里配的角色会绕开订阅按 token 计费，启动时会点名警告是哪几个。

---

常见问题排错

Q: 用 DeepSeek/通义/智谱，却报 OpenAIError: The api_key client option must be set ... OPENAI_API_KEY？ 每个供应商用各自的环境变量，不是 OPENAI_API_KEY：DeepSeek=DEEPSEEK_API_KEY、通义=DASHSCOPE_API_KEY、智谱=ZHIPU_API_KEY、MiniMax=MINIMAX_API_KEY、xAI=XAI_API_KEY、OpenRouter=OPENROUTER_API_KEY、OpenAI 兼容（自定义）=OPENAI_COMPATIBLE_API_KEY。在项目根目录 .env 里设置对应变量后重启程序。（v0.2.12 起缺 key 会直接提示该用哪个变量名。）

Q: 想接一个 OpenAI 兼容的第三方网关/中继（9Router、AI Router、自建代理），自定义 base_url + model？ 用 「OpenAI 兼容（自定义 base_url）」 这一档（v0.2.20 新增）。Web 侧栏「LLM 供应商」选它 →「快速/深度思考模型 ID」手动填你网关支持的 model 名 →「API Base URL」填你的网关地址（如 https://your-relay.example/v1）→ .env 里设 OPENAI_COMPATIBLE_API_KEY=你的key（也接受 OPENAI_API_KEY）。CLI 方式选 OpenAI-Compatible 后会提示输入 Base URL。它走标准 Chat Completions（非 OpenAI Responses API，兼容性最好），model 名自由填、不受内置清单限制。配置方式等价：llm_provider="openai_compatible" + backend_url="<你的网关>" + deep_think_llm/quick_think_llm="<你的model>"。

Q: 明明装了 Python 3.12/3.14，pip install -e . 却报 requires a different Python: 3.9.6 not in '>=3.10'？ 报错里的 3.9.6 就是当前这个 pip 绑定的解释器版本——你装的新版本没被它用上（macOS 自带的 pip3 常指向系统 3.9）。先确认是哪个解释器在跑：

pip3 -V                    # 末尾括号里就是它绑定的 Python
python3.12 -m pip -V       # 换成你想用的版本再看

用 python -m pip 的写法就不会认错人，推荐配合虚拟环境：

python3.12 -m venv .venv && source .venv/bin/activate
python -m pip install -e .

Windows 用 py -3.12 -m venv .venv + .venv\Scripts\activate。（#92）

Q: 报告写到一半就结束了，上下文明明没超长？ 撞的是输出上限，不是上下文上限——模型一次回复能吐多少 token 是另一个限制。v0.4.1 起，这种截断会在日志里明确告诉你（因为达到输出上限被截断），不再是默默给你半篇报告。调大即可：config 里设 max_tokens（例如 "max_tokens": 16000），或设环境变量 TRADINGAGENTS_MAX_TOKENS=16000。

另外，用 Kimi 等第三方模型名走 anthropic 通道时，langchain 认不出模型名，会默认一个很小的输出上限（旧版本表现为报告普遍偏短）。v0.4.1 起这种情况会自动放宽到 8192，仍不够就显式配 max_tokens。#91

Q: 接 Kimi 报 401 invalid x-api-key？ 说明请求发到了 Anthropic 官方而不是 Kimi——光给 key 没给端点。两个都要给：

ANTHROPIC_API_KEY=你的kimi-token
ANTHROPIC_BASE_URL=https://api.kimi.com/coding/   # 或在 config 里写 backend_url

注意 ANTHROPIC_AUTH_TOKEN 在本项目里不生效（那是 Claude Code CLI 的写法），本项目走 langchain，只读 ANTHROPIC_API_KEY。v0.4.1 起，用非 Claude 模型名却没配端点会在启动时直接告诉你缺什么，而不是等 Anthropic 回一句看不懂的 401。#89

Q: 导出 PDF 报 UnicodeEncodeError: 'latin-1' codec can't encode？ 你的环境里装了旧版 fpdf（pyfpdf），它和本项目用的 fpdf2 都以 fpdf 名称导入、互相冲突。执行：pip uninstall -y fpdf && pip install "fpdf2>=2.8.6"。实在不行可改用「下载 Markdown」导出（零依赖，永远可用）。

Q: Docker 里怎么跑 Web UI？容器启动报 Invalid value: File does not exist: web/app.py？ 用 compose 里的 web 服务：docker compose up web，然后开 http://localhost:8501 。

报这个错通常是因为命令写成了 streamlit run web/app.py——这条依赖当前工作目录，工作目录不对就找不到文件。正确的入口是 tradingagents-web（即 web.launch:main），它按 __file__ 解析 app.py 的绝对路径，跟工作目录无关。本地跑同理，装完后直接 tradingagents-web 最稳。

Q: Docker 里导出 PDF 报「未找到中文字体」？ v0.2.12 起 Dockerfile 已内置 fonts-noto-cjk，重新 docker build 即可。旧镜像可临时 apt install fonts-noto-cjk，或改用 Markdown 导出。

Q: Docker 启动报 [Errno 13] Permission denied: /home/appuser/.tradingagents/cache？ 旧版镜像里没预建数据目录，docker-compose 的命名卷挂上来时被 Docker 建成 root 属主，而容器内进程以 appuser 运行、写不进去。v0.2.14 起 Dockerfile 已预建 /home/appuser/.tradingagents（cache/logs/memory）并归属 appuser，命名卷会继承该属主。升级方式：git pull 后 docker compose build --no-cache 重建镜像；若想保留旧数据卷可先 docker run --rm -v tradingagents_data:/d alpine chown -R 1000:1000 /d 修正属主，否则 docker volume rm tradingagents_data 后重建即可。

Q: 部分分析师报告（情绪/新闻/基本面/政策/游资/解禁）空白不显示？ 这些报告由对应 Analyst 调用数据工具后生成，空报告会被自动跳过不显示。数据源本身是健康的（腾讯/mootdx/同花顺/东财实测出数）；报告为空通常是所选模型 tool-call 能力弱（如部分 deepseek/minimax 轻量模型不稳定地调用工具）。建议换用 tool-call 更稳的模型（deepseek-chat / 通义 / GLM-4 / Claude / GPT 等），或重试。

Q: 为什么没有 [google] extra 了？装 Gemini 报 httpx 冲突怎么办？ v0.3.1 起移除了 [google] extra（#87）。原因：langchain-google-genai>=4.0.0 要求 google-genai>=1.53.0，而该区间内每一个 google-genai 版本都要求 httpx>=0.28.1；mootdx（核心 A 股数据源）钉死 httpx>=0.25,<0.26。没有任何版本组合能同时满足，冲突是结构性的。

真正的问题是：uv 构建的是覆盖所有 extra 的 universal lock，所以只要这个 extra 存在，uv sync 就对所有人失败——包括从不用 Gemini 的用户。把 extra 留空更糟（pip install .[google] 会静默什么都不装，用户以为装好了）。所以直接移除，并在 google_client.py 导入失败时给出可直接执行的安装命令。

需要 Gemini 时显式安装（mootdx 取行情走 TCP 协议、运行时根本不 import httpx，所以抬高 httpx 实测不影响取数）：

pip install --no-deps "langchain-google-genai>=4.0.0"
pip install "google-genai>=1.53.0" "httpx>=0.28.1"

或把 Gemini 与数据层分到不同 venv。最省心是用 DeepSeek / MiniMax / 通义 / OpenAI 兼容中继等，完全不涉及这个冲突。

另澄清：litellm / mcp 不是本项目的依赖——报错里若提到它们，是你环境里其它包带来的。

Q: 不进 CLI 交互，怎么批量跑多只标的、拿到和 CLI 一样的完整报告？ 看 examples/run_cases.py：它复用 CLI 的 save_report_to_disk()，每只标的输出与 CLI 一致的 complete_report.md（分析师 / 研究 / 交易 / 风险 / 组合五个分区）+ 一份字段齐全的 summary.json。用法：uv run python examples/run_cases.py（跑全部）或 uv run python examples/run_cases.py 688017（单只）；改 build_config() 切换 provider/model。

---

项目结构

TradingAgents-Astock/
├── tradingagents/
│   ├── agents/
│   │   ├── analysts/          # 7 个分析师
│   │   │   ├── market_analyst.py
│   │   │   ├── social_media_analyst.py
│   │   │   ├── news_analyst.py
│   │   │   ├── fundamentals_analyst.py
│   │   │   ├── policy_analyst.py        # A 股特化
│   │   │   ├── hot_money_tracker.py     # A 股特化
│   │   │   └── lockup_watcher.py        # A 股特化
│   │   ├── researchers/       # Bull / Bear 研究员
│   │   ├── risk_mgmt/         # 激进 / 保守 / 中立 辩手
│   │   ├── managers/          # Research Manager + Portfolio Manager
│   │   ├── trader/            # Trader（A 股交易约束）
│   │   └── utils/             # 状态定义、工具函数
│   ├── dataflows/
│   │   ├── a_stock.py         # A 股数据 vendor（直连 HTTP API，零第三方库）
│   │   ├── interface.py       # 数据接口抽象层
│   │   └── ...
│   └── graph/
│       ├── trading_graph.py   # 主入口：TradingAgentsGraph
│       ├── setup.py           # LangGraph 拓扑定义
│       ├── propagation.py     # 状态初始化与传播
│       ├── reflection.py      # 交易反思（CSI 300 基准）
│       └── conditional_logic.py
├── web/
│   ├── app.py                 # Streamlit 主入口
│   ├── runner.py              # 后台线程运行分析
│   ├── progress.py            # 线程安全进度追踪
│   ├── history.py             # 历史记录扫描
│   ├── pdf_export.py          # PDF 报告生成
│   ├── launch.py              # CLI 启动器
│   └── components/            # UI 组件
│       ├── sidebar.py         # 侧边栏（输入 + 历史）
│       ├── progress_panel.py  # 实时进度面板
│       └── report_viewer.py   # 报告展示
├── test_astock.py             # E2E 集成测试
├── CHANGES_FROM_UPSTREAM.md   # 与上游的完整改动记录
├── NOTICE                     # Apache 2.0 归属声明
├── LICENSE                    # Apache 2.0 许可证
└── pyproject.toml             # 包定义与依赖

---

致谢

本项目基于 TauricResearch/TradingAgents 开源项目进行 A 股特化改造。感谢原作者的出色工作和 Apache 2.0 开源精神。

原始论文：TradingAgents: Multi-Agents LLM Financial Trading Framework

---

项目定位

这是一个框架的工程实现，不是一个投资产品。

• 它是什么：TradingAgents 论文（TauricResearch）多 Agent 架构的 A 股工程实现，用于研究与教学——研究多 Agent 辩论在金融文本上的行为、A 股数据源如何接入、结构化输出如何落地。
• 它不是什么：不是投资顾问、不是荐股软件、不提供任何投资服务。本仓库不发布针对具体证券的分析报告、评级或买卖建议；examples/ 下只有可自行运行的脚本，没有任何预生成的个股结论。
• 模型和数据都是你自己的：你配置自己的 LLM API key，在自己的机器上运行，产出的内容归你所有、由你判断、由你负责。项目本身不托管服务、不代为分析、不接触你的运行结果。
• 不产出可执行价位：框架内没有建仓价 / 止损位 / 仓位 / 目标价这类输出——不是默认关闭，是代码里就没有。Trader 与 Portfolio Manager 只给方向、评级与理由。需要这类能力的使用者可以自行 fork 添加（Apache-2.0 允许），并自行承担相应责任、自行确认所在司法辖区的资质要求。

⚠️ 免责声明

• 本系统产出的所有内容均由 AI 自动生成，可能存在错误或偏差
• 本项目不构成任何投资建议；投资决策请咨询持有中国证监会颁发资质的专业机构
• 作者不对使用本工具产生的任何投资损失承担责任
• 股市有风险，投资需谨慎

---

License

Apache License 2.0

本项目是 TauricResearch/TradingAgents 的 fork，继承 Apache 2.0 许可证。详见 NOTICE。

作者： Simon 林 · X @linsizhen · 邮箱：[email protected]

用个人 Claude 订阅额度（可选，v0.4.0 新增）

让节点经 Claude Agent SDK 走你个人 Claude Pro/Max 订阅额度，而不是按 token 计费的 Anthropic API。

与内置 anthropic provider 的区别：anthropic 走 ANTHROPIC_API_KEY = 按 token 计费；本 provider 走本机已登录的 claude CLI = 消耗订阅额度，不产生 API 账单。

仅供个人自用——它消耗的是你自己账号的订阅额度。把它做成给别人用的产品需要 Anthropic 授权，不在本项目范围内。

1. 准备

pip install -e ".[agentsdk]"

# 本机 claude 已登录即可；headless / CI 环境需要显式 token：
claude setup-token          # 输出的 token 设为 CLAUDE_CODE_OAUTH_TOKEN

# 不打算保留付费降级的话，顺手清掉（可选）
unset ANTHROPIC_API_KEY

关于 ANTHROPIC_API_KEY：它的优先级高于订阅凭据，但不会泄进 Agent SDK 子进程——客户端在子进程环境里已把它显式置空，订阅额度照常生效。父进程保留它是为了让 anthropic 仍能作为撞额度后的降级 provider（否则就成死结：留着启动被拦、删掉又在真要降级时认证失败）。启动时只告警不中止。

2. 开启

Web UI 侧栏「个人 Claude 订阅覆盖 (Agent SDK)」三档，或在 config 里设：

config["deep_think_provider_override"]  = "claude_agent_sdk"   # 仅深度节点
config["quick_think_provider_override"] = "claude_agent_sdk"   # 再加这条 = 全节点
config["agent_sdk_model"]       = "opus"      # 深度节点
config["agent_sdk_quick_model"] = "sonnet"    # 分析师节点

模型建议填别名 opus / sonnet——claude CLI 的别名恒指向最新模型，写死 claude-opus-4-8 这类完整 id 会随版本迭代过期。完整 id 同样支持。

3. 两条边界

• 额度而非 token：订阅是按额度限流的。「所有节点」会把 7 个分析师 + 多空/交易员/风险辩手全压上去，跑几轮就可能撞上限——所以 agent_sdk_quick_model 默认给的是更省的 sonnet。撞额度会自动降级到你配的付费 provider（可用 agent_sdk_fallback_provider / agent_sdk_fallback_model 指定）。
• 凭据失效不降级：OAuth token 过期时直接报错中止，不会静默降级到计费 provider——你开订阅模式就是为了避免账单，悄悄开始计费比报错更糟。报错里会给出 claude setup-token 的修复步骤。

依赖说明

[agentsdk] 的依赖链是 claude-agent-sdk → mcp → httpx2，不碰 httpx，与 mootdx 的 httpx<0.26 无冲突（已 uv lock 实测）——和 #87 里被移除的 [google] 情况不同，不需要单开 venv。