TradingAgents-CN 多智能体交易决策报告深度解析平安银行000001卖出决策的生成全流程【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN本篇文章以 TradingAgents-CN 开源仓库中一份真实的最终交易决策报告针对平安银行 000001分析日期 2025-07-26为案例逐段拆解多智能体 LLM 交易框架如何从四位分析师的独立报告出发经由看涨/看跌研究员辩论、交易员制定投资计划、风险管理团队三轮攻防最终收敛为“卖出Sell”结论并产出目标价、止损点等可执行要素。读完本文你将掌握该框架的完整决策流水线与输出约束机制并能对照源码理解每一段报告内容的生成原理。这份报告并非人工作业而是由 TradingAgents-CN基于多智能体 LLM 的中文金融交易框架自动生成的final_trade_decision.md文件存放在仓库 data/analysis_results/detailed/000001/2025-07-26/reports/ 目录下。同一分析批次还生成了 market_report.md、fundamentals_report.md、investment_plan.md、trader_investment_plan.md 等中间产物共同构成一次完整分析的可审计证据链。TradingAgents-CN 多智能体交易框架架构流程分析师团队角色分工与输出一、报告结论总览一次明确的“卖出”决策报告开篇即给出结论——最终决策卖出Sell并在文末以结构化字段收束要素结论最终建议卖出Sell执行时间立即止损点12 元/股目标价11.3 元/股6 个月内这一结论并非单一模型的一句话判断而是经过了“四位分析师独立研究 → 看涨/看跌研究员多轮辩论 → 研究经理裁决 → 交易员制定计划 → 三位风险分析师激进/中性/保守攻防辩论 → 风险经理终审”的完整流程。从 graph/setup.py 的图边定义可以清楚看到这条流水线分析师按序执行Market Analyst → Social Analyst → News Analyst → Fundamentals Analyst随后进入Bull Researcher ↔ Bear Researcher的辩论循环由Research Manager裁决后流向Trader再依次经过Risky Analyst → Safe Analyst → Neutral Analyst的风险辩论循环最终由Risk Judge输出终审并结束END。二、三方观点辩论报告的第一层信息输入报告的“关键论点总结与评估”章节完整复述了投资辩论中三方的立场这直接对应源码中Bull Researcher看涨研究员与Bear Researcher看跌研究员围绕investment_debate_state展开的多轮对抗以及Risky/Safe/Neutral三位风险分析师围绕risk_debate_state展开的攻防见 trading_graph.py 中_log_state对两类辩论状态的记录。1. 看涨分析师Bull的核心观点增长潜力数字化转型、财富管理、消费金融构建“第二增长曲线”。竞争优势科技能力、品牌影响力、生态协同形成护城河。估值合理PE 5.2 倍PB 0.65 倍股息收益率 4.2%。反驳看跌银行股不是无成长而是慢成长当前是布局时机。直接引用“银行股不是无成长而是慢成长当前是布局的好时机。”2. 看跌分析师Bear的核心观点市场风险中国经济未复苏房地产、地方债务、消费疲软威胁银行。竞争劣势科技投入高但回报有限传统银行也在转型。负面指标ROE 偏低12.5% vs 行业 14%、净息差收窄、拨备覆盖率下降。成长性不足依赖政策红利行业集中度高长期回报有限。直接引用“如果经济进一步走弱银行股将面临更大的压力。”3. 中性分析师Neutral的核心观点适度风险策略在控制风险的同时保留增长潜力。技术面与基本面结合反弹是短期行为不能代表趋势逆转。止损机制合理设置止损避免被“割肉”。直接引用“一个平衡的做法是等待确认信号比如股价突破关键阻力位并且成交量明显放大。”从源码看辩论环节并非一次性对话Bull Researcher与Bear Researcher之间通过should_continue_debate条件边反复往返直到达到 trading_graph.py 中由配置max_debate_rounds控制的最大轮次默认 1 轮或满足终止条件研究经理才介入裁决。风险辩论同理受max_risk_discuss_rounds控制。这意味着报告中的“直接引用”是 LLM 在辩论上下文中真实生成的话语而非模板占位。三、决策理由深入拆解报告的第二层信息核心报告“我的决策理由”章节给出了交易员视角的五条核心论证这是整份报告信息密度最高的部分也是决定最终结论的关键推理链。1. 基本面恶化趋势明确净息差持续收窄从 2024 年的 2.4% 降至 2025 年的 2.1%说明利率环境对盈利形成压制。拨备覆盖率下降从 250% 降至 230%反映风险缓冲能力减弱。ROE 低于行业平均12.5% vs 行业 14%资本使用效率不高。直接引用“ROE 低于行业平均资本使用效率仍有待改善。”2. 技术面显示空头趋势MACD 柱状图为负RSI 和 W%R 处于超卖区间表明市场情绪偏空。7 月 21 日反弹后迅速回落显示市场缺乏明确方向。直接引用“股价在 7 月 21 日反弹后迅速回落说明市场并没有形成明确的支撑或买盘意愿。”3. 宏观经济不确定性高房地产低迷、地方隐性债务问题未解、消费疲软这些都可能影响银行资产质量。若经济进一步走弱银行股将面临更大压力。直接引用“如果经济进一步走弱银行股将面临更大的压力。”4. 估值虽低但缺乏催化剂PE 和 PB 确实较低但没有明显的业绩或政策利好支撑上涨。投资者需要看到实质性的增长点而不是仅仅因为便宜就买入。直接引用“即使未来经济好转目前的低估值也难以支撑大幅反弹。”5. 历史经验提醒我们低估值未必带来高收益2019 年银行股估值低但之后几年涨幅有限部分银行甚至跑输大盘。不应被“安全边际”迷惑而应关注实际增长能力和风险敞口。直接引用“低估值不代表公司基本面好必须结合盈利能力和增长潜力综合判断。”需要说明上述 PE/PB/ROE/净息差/拨备覆盖率等数值均出自该框架于 2025-07-26 针对 000001 生成的历史分析内容用于展示多智能体框架的推理过程不代表当前市场数据。四、交易员的投资计划报告的可执行输出层建议卖出Sell理由基本面恶化、技术面偏空、宏观经济风险上升且缺乏明确的上涨催化剂。即使未来经济好转目前的低估值也难以支撑大幅反弹。银行股在当前环境下不具备足够的吸引力。战略行动立即减仓或清仓如果持有该股票建议逐步减仓或完全退出避免进一步亏损。设置止损点若股价跌破 12 元/股建议止损防止风险扩大。关注替代标的考虑转向更具成长性和确定性的板块如新能源、半导体、消费等。跟踪财报与政策密切关注平安银行的季度财报尤其是 ROE、净息差、不良贷款率等关键指标的变化。目标价格分析时间范围目标价格区间¥具体价格目标¥逻辑1 个月11.8 - 12.212.0短期技术面偏空预计震荡下行3 个月11.5 - 11.811.6宏观经济不确定估值修复空间有限6 个月11.0 - 11.511.3若经济继续走弱可能进一步下探注意以上目标价格是基于当前市场环境和基本面分析得出的保守估计实际走势可能受政策、市场情绪等因素影响。这里的目标价、止损点、时间窗口结构并非自然涌现而是由交易员节点的系统提示词强制约束的产物。查看 agents/trader/trader.py 可以发现系统提示明确要求必须提供具体的目标价位不允许设置为 null 或空值卖出建议须提供止损价位和目标卖出价输出须包含置信度0-1与风险评分0-1目标价位须结合基本面估值P/E、P/B、DCF、技术面支撑/阻力位、行业平均估值、市场情绪与新闻影响综合计算根据股票类型使用正确的货币单位A 股用人民币 ¥美股/港股用美元 $该货币信息由StockUtils.get_market_info()在运行时检测trader.py。正是这些约束保证了报告中的目标价表格、止损点等字段是可机读、可执行的结构化内容而非模型自由发挥的散文。五、过去错误的反思与改进记忆闭环的显式输出报告“过去错误的反思与改进”章节明确写出交易员对历史误判的检讨我之前曾误判过银行股的反弹节奏导致错过机会。这次我更加注重以下几个方面不轻信“低估值高价值”低估值不代表公司基本面好必须结合盈利能力和增长潜力综合判断。重视技术面信号即使基本面尚可但如果技术面显示空头趋势也不应盲目抄底。警惕宏观风险银行股高度依赖宏观经济不能忽视系统性风险。动态调整策略市场在变公司也在变必须持续跟踪最新数据和事件。这段内容对应框架的长期记忆机制交易员节点在构建提示时会调用memory.get_memories(curr_situation, n_matches2)检索历史相似情境下的决策记录并把past_memory_str注入系统提示要求“利用过去决策的经验教训来避免重复错误”trader.py。框架为牛方、熊方、交易员、投资裁判、风险经理各自维护独立的FinancialSituationMemory实例trading_graph.py并在事后通过reflect_and_remember()依据实际收益回填记忆trading_graph.py。也就是说报告的“反思”段落是记忆检索结果与当前情境共同作用的产物形成“决策 → 反思 → 记忆沉淀 → 指导下次决策”的完整闭环。六、决策依据总结报告的机读化收尾报告末尾以表格形式将结论压缩为三条可检索的决策记录决策理由卖出基本面恶化、技术面偏空、宏观经济风险上升且缺乏明确的上涨催化剂。不买入低估值不代表高回报当前市场环境不适合追高。不持有持有意味着承担持续下跌的风险且没有足够理由相信会反弹。这一收尾结构与信号处理阶段高度吻合。propagate()执行完毕后框架会调用SignalProcessor.process_signal()将交易员的长篇分析压缩为{action, target_price, confidence, risk_score, reasoning}五元组 JSONsignal_processing.py其中action必须是“买入/持有/卖出”中文枚举、target_price必须是具体数字、confidence/risk_score在 0-1 之间。最终决策的“止损点12 元/股、目标价11.3 元/股”与报告正文、trader_investment_plan.md保持一致说明从自由文本到结构化信号的抽取是可靠且可验证的。七、从源码看整条决策流水线报告是怎么一步步生成的综合 trading_graph.py、graph/propagation.py、graph/setup.py、agents/managers/risk_manager.py 的实现一次“最终交易决策报告”的生成可分为七个阶段状态初始化Propagator.create_initial_state()构造初始状态包含分析请求消息、company_of_interest、trade_date以及两个空的辩论状态InvestDebateState/RiskDebateStatepropagation.py。分析师研究四位分析师市场、社交媒体、新闻、基本面按序使用工具拉取数据并产出四份研究报告写入market_report、sentiment_report、news_report、fundamentals_report状态字段。投资辩论Bull Researcher与Bear Researcher基于四份报告展开多轮辩论轮次受max_debate_rounds控制。研究经理裁决Research Manager使用深度思考模型总结辩论并产出investment_plan即同目录下的 investment_plan.md。交易员决策Trader节点合并四份报告与投资计划检索历史记忆在强制输出约束下生成trader_investment_plantrader.py。风险管理辩论Risky / Safe / Neutral三位风险分析师依次攻防轮次受max_risk_discuss_rounds控制Risk Judge综合辩论历史与交易员计划给出终审意见risk_manager.py。信号处理与落盘SignalProcessor抽取结构化决策_log_state()将全部中间报告与辩论历史写入eval_results/{ticker}/TradingAgentsStrategy_logs/full_states_log.jsontrading_graph.py同时各阶段报告落盘到data/analysis_results/detailed/供审计。值得注意的是整个图在执行时会按节点统计耗时并分类汇总分析师团队、工具调用、研究团队、交易团队、风险管理团队等形成性能数据随最终状态一并返回trading_graph.py这对评估一次多智能体分析的成本构成很有价值。八、如何查看与复现这类报告查看已有报告直接浏览仓库 data/analysis_results/detailed/ 目录每个股票代码 日期组合下都包含market_report.md、fundamentals_report.md、investment_plan.md、trader_investment_plan.md、final_trade_decision.md等全套报告文件可用于复盘任意一次分析。复现分析通过框架入口运行TradingAgentsGraph(company_name, trade_date).propagate()见 trading_graph.py即可对任意标的生成同结构的决策报告框架支持selected_analysts参数选择分析师组合并通过 tradingagents/default_config.py 中的llm_provider、quick_think_llm、deep_think_llm、max_debate_rounds、max_risk_discuss_rounds、memory_enabled等配置项控制模型、辩论轮次与记忆开关。结语一份卖出报告背后的工程化决策体系以平安银行000001为例的这份final_trade_decision.md表面上是 LLM 生成的“卖出”结论实际上完整承载了 TradingAgents-CN 的工程化设计多源数据的研究分工、对抗式辩论的信息博弈、带强制输出约束的决策生成、结构化信号抽取以及贯穿始终的历史记忆闭环。读懂这份报告就等于读懂了整个多智能体交易框架的决策内核——无论是用来评估框架产出质量、调试提示词与配置还是作为金融大模型应用的工程范例这份报告都是最佳的第一手样本。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TradingAgents-CN 多智能体交易决策报告深度解析：平安银行（000001）卖出决策的生成全流程
TradingAgents-CN 多智能体交易决策报告深度解析平安银行000001卖出决策的生成全流程【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN本篇文章以 TradingAgents-CN 开源仓库中一份真实的最终交易决策报告针对平安银行 000001分析日期 2025-07-26为案例逐段拆解多智能体 LLM 交易框架如何从四位分析师的独立报告出发经由看涨/看跌研究员辩论、交易员制定投资计划、风险管理团队三轮攻防最终收敛为“卖出Sell”结论并产出目标价、止损点等可执行要素。读完本文你将掌握该框架的完整决策流水线与输出约束机制并能对照源码理解每一段报告内容的生成原理。这份报告并非人工作业而是由 TradingAgents-CN基于多智能体 LLM 的中文金融交易框架自动生成的final_trade_decision.md文件存放在仓库 data/analysis_results/detailed/000001/2025-07-26/reports/ 目录下。同一分析批次还生成了 market_report.md、fundamentals_report.md、investment_plan.md、trader_investment_plan.md 等中间产物共同构成一次完整分析的可审计证据链。TradingAgents-CN 多智能体交易框架架构流程分析师团队角色分工与输出一、报告结论总览一次明确的“卖出”决策报告开篇即给出结论——最终决策卖出Sell并在文末以结构化字段收束要素结论最终建议卖出Sell执行时间立即止损点12 元/股目标价11.3 元/股6 个月内这一结论并非单一模型的一句话判断而是经过了“四位分析师独立研究 → 看涨/看跌研究员多轮辩论 → 研究经理裁决 → 交易员制定计划 → 三位风险分析师激进/中性/保守攻防辩论 → 风险经理终审”的完整流程。从 graph/setup.py 的图边定义可以清楚看到这条流水线分析师按序执行Market Analyst → Social Analyst → News Analyst → Fundamentals Analyst随后进入Bull Researcher ↔ Bear Researcher的辩论循环由Research Manager裁决后流向Trader再依次经过Risky Analyst → Safe Analyst → Neutral Analyst的风险辩论循环最终由Risk Judge输出终审并结束END。二、三方观点辩论报告的第一层信息输入报告的“关键论点总结与评估”章节完整复述了投资辩论中三方的立场这直接对应源码中Bull Researcher看涨研究员与Bear Researcher看跌研究员围绕investment_debate_state展开的多轮对抗以及Risky/Safe/Neutral三位风险分析师围绕risk_debate_state展开的攻防见 trading_graph.py 中_log_state对两类辩论状态的记录。1. 看涨分析师Bull的核心观点增长潜力数字化转型、财富管理、消费金融构建“第二增长曲线”。竞争优势科技能力、品牌影响力、生态协同形成护城河。估值合理PE 5.2 倍PB 0.65 倍股息收益率 4.2%。反驳看跌银行股不是无成长而是慢成长当前是布局时机。直接引用“银行股不是无成长而是慢成长当前是布局的好时机。”2. 看跌分析师Bear的核心观点市场风险中国经济未复苏房地产、地方债务、消费疲软威胁银行。竞争劣势科技投入高但回报有限传统银行也在转型。负面指标ROE 偏低12.5% vs 行业 14%、净息差收窄、拨备覆盖率下降。成长性不足依赖政策红利行业集中度高长期回报有限。直接引用“如果经济进一步走弱银行股将面临更大的压力。”3. 中性分析师Neutral的核心观点适度风险策略在控制风险的同时保留增长潜力。技术面与基本面结合反弹是短期行为不能代表趋势逆转。止损机制合理设置止损避免被“割肉”。直接引用“一个平衡的做法是等待确认信号比如股价突破关键阻力位并且成交量明显放大。”从源码看辩论环节并非一次性对话Bull Researcher与Bear Researcher之间通过should_continue_debate条件边反复往返直到达到 trading_graph.py 中由配置max_debate_rounds控制的最大轮次默认 1 轮或满足终止条件研究经理才介入裁决。风险辩论同理受max_risk_discuss_rounds控制。这意味着报告中的“直接引用”是 LLM 在辩论上下文中真实生成的话语而非模板占位。三、决策理由深入拆解报告的第二层信息核心报告“我的决策理由”章节给出了交易员视角的五条核心论证这是整份报告信息密度最高的部分也是决定最终结论的关键推理链。1. 基本面恶化趋势明确净息差持续收窄从 2024 年的 2.4% 降至 2025 年的 2.1%说明利率环境对盈利形成压制。拨备覆盖率下降从 250% 降至 230%反映风险缓冲能力减弱。ROE 低于行业平均12.5% vs 行业 14%资本使用效率不高。直接引用“ROE 低于行业平均资本使用效率仍有待改善。”2. 技术面显示空头趋势MACD 柱状图为负RSI 和 W%R 处于超卖区间表明市场情绪偏空。7 月 21 日反弹后迅速回落显示市场缺乏明确方向。直接引用“股价在 7 月 21 日反弹后迅速回落说明市场并没有形成明确的支撑或买盘意愿。”3. 宏观经济不确定性高房地产低迷、地方隐性债务问题未解、消费疲软这些都可能影响银行资产质量。若经济进一步走弱银行股将面临更大压力。直接引用“如果经济进一步走弱银行股将面临更大的压力。”4. 估值虽低但缺乏催化剂PE 和 PB 确实较低但没有明显的业绩或政策利好支撑上涨。投资者需要看到实质性的增长点而不是仅仅因为便宜就买入。直接引用“即使未来经济好转目前的低估值也难以支撑大幅反弹。”5. 历史经验提醒我们低估值未必带来高收益2019 年银行股估值低但之后几年涨幅有限部分银行甚至跑输大盘。不应被“安全边际”迷惑而应关注实际增长能力和风险敞口。直接引用“低估值不代表公司基本面好必须结合盈利能力和增长潜力综合判断。”需要说明上述 PE/PB/ROE/净息差/拨备覆盖率等数值均出自该框架于 2025-07-26 针对 000001 生成的历史分析内容用于展示多智能体框架的推理过程不代表当前市场数据。四、交易员的投资计划报告的可执行输出层建议卖出Sell理由基本面恶化、技术面偏空、宏观经济风险上升且缺乏明确的上涨催化剂。即使未来经济好转目前的低估值也难以支撑大幅反弹。银行股在当前环境下不具备足够的吸引力。战略行动立即减仓或清仓如果持有该股票建议逐步减仓或完全退出避免进一步亏损。设置止损点若股价跌破 12 元/股建议止损防止风险扩大。关注替代标的考虑转向更具成长性和确定性的板块如新能源、半导体、消费等。跟踪财报与政策密切关注平安银行的季度财报尤其是 ROE、净息差、不良贷款率等关键指标的变化。目标价格分析时间范围目标价格区间¥具体价格目标¥逻辑1 个月11.8 - 12.212.0短期技术面偏空预计震荡下行3 个月11.5 - 11.811.6宏观经济不确定估值修复空间有限6 个月11.0 - 11.511.3若经济继续走弱可能进一步下探注意以上目标价格是基于当前市场环境和基本面分析得出的保守估计实际走势可能受政策、市场情绪等因素影响。这里的目标价、止损点、时间窗口结构并非自然涌现而是由交易员节点的系统提示词强制约束的产物。查看 agents/trader/trader.py 可以发现系统提示明确要求必须提供具体的目标价位不允许设置为 null 或空值卖出建议须提供止损价位和目标卖出价输出须包含置信度0-1与风险评分0-1目标价位须结合基本面估值P/E、P/B、DCF、技术面支撑/阻力位、行业平均估值、市场情绪与新闻影响综合计算根据股票类型使用正确的货币单位A 股用人民币 ¥美股/港股用美元 $该货币信息由StockUtils.get_market_info()在运行时检测trader.py。正是这些约束保证了报告中的目标价表格、止损点等字段是可机读、可执行的结构化内容而非模型自由发挥的散文。五、过去错误的反思与改进记忆闭环的显式输出报告“过去错误的反思与改进”章节明确写出交易员对历史误判的检讨我之前曾误判过银行股的反弹节奏导致错过机会。这次我更加注重以下几个方面不轻信“低估值高价值”低估值不代表公司基本面好必须结合盈利能力和增长潜力综合判断。重视技术面信号即使基本面尚可但如果技术面显示空头趋势也不应盲目抄底。警惕宏观风险银行股高度依赖宏观经济不能忽视系统性风险。动态调整策略市场在变公司也在变必须持续跟踪最新数据和事件。这段内容对应框架的长期记忆机制交易员节点在构建提示时会调用memory.get_memories(curr_situation, n_matches2)检索历史相似情境下的决策记录并把past_memory_str注入系统提示要求“利用过去决策的经验教训来避免重复错误”trader.py。框架为牛方、熊方、交易员、投资裁判、风险经理各自维护独立的FinancialSituationMemory实例trading_graph.py并在事后通过reflect_and_remember()依据实际收益回填记忆trading_graph.py。也就是说报告的“反思”段落是记忆检索结果与当前情境共同作用的产物形成“决策 → 反思 → 记忆沉淀 → 指导下次决策”的完整闭环。六、决策依据总结报告的机读化收尾报告末尾以表格形式将结论压缩为三条可检索的决策记录决策理由卖出基本面恶化、技术面偏空、宏观经济风险上升且缺乏明确的上涨催化剂。不买入低估值不代表高回报当前市场环境不适合追高。不持有持有意味着承担持续下跌的风险且没有足够理由相信会反弹。这一收尾结构与信号处理阶段高度吻合。propagate()执行完毕后框架会调用SignalProcessor.process_signal()将交易员的长篇分析压缩为{action, target_price, confidence, risk_score, reasoning}五元组 JSONsignal_processing.py其中action必须是“买入/持有/卖出”中文枚举、target_price必须是具体数字、confidence/risk_score在 0-1 之间。最终决策的“止损点12 元/股、目标价11.3 元/股”与报告正文、trader_investment_plan.md保持一致说明从自由文本到结构化信号的抽取是可靠且可验证的。七、从源码看整条决策流水线报告是怎么一步步生成的综合 trading_graph.py、graph/propagation.py、graph/setup.py、agents/managers/risk_manager.py 的实现一次“最终交易决策报告”的生成可分为七个阶段状态初始化Propagator.create_initial_state()构造初始状态包含分析请求消息、company_of_interest、trade_date以及两个空的辩论状态InvestDebateState/RiskDebateStatepropagation.py。分析师研究四位分析师市场、社交媒体、新闻、基本面按序使用工具拉取数据并产出四份研究报告写入market_report、sentiment_report、news_report、fundamentals_report状态字段。投资辩论Bull Researcher与Bear Researcher基于四份报告展开多轮辩论轮次受max_debate_rounds控制。研究经理裁决Research Manager使用深度思考模型总结辩论并产出investment_plan即同目录下的 investment_plan.md。交易员决策Trader节点合并四份报告与投资计划检索历史记忆在强制输出约束下生成trader_investment_plantrader.py。风险管理辩论Risky / Safe / Neutral三位风险分析师依次攻防轮次受max_risk_discuss_rounds控制Risk Judge综合辩论历史与交易员计划给出终审意见risk_manager.py。信号处理与落盘SignalProcessor抽取结构化决策_log_state()将全部中间报告与辩论历史写入eval_results/{ticker}/TradingAgentsStrategy_logs/full_states_log.jsontrading_graph.py同时各阶段报告落盘到data/analysis_results/detailed/供审计。值得注意的是整个图在执行时会按节点统计耗时并分类汇总分析师团队、工具调用、研究团队、交易团队、风险管理团队等形成性能数据随最终状态一并返回trading_graph.py这对评估一次多智能体分析的成本构成很有价值。八、如何查看与复现这类报告查看已有报告直接浏览仓库 data/analysis_results/detailed/ 目录每个股票代码 日期组合下都包含market_report.md、fundamentals_report.md、investment_plan.md、trader_investment_plan.md、final_trade_decision.md等全套报告文件可用于复盘任意一次分析。复现分析通过框架入口运行TradingAgentsGraph(company_name, trade_date).propagate()见 trading_graph.py即可对任意标的生成同结构的决策报告框架支持selected_analysts参数选择分析师组合并通过 tradingagents/default_config.py 中的llm_provider、quick_think_llm、deep_think_llm、max_debate_rounds、max_risk_discuss_rounds、memory_enabled等配置项控制模型、辩论轮次与记忆开关。结语一份卖出报告背后的工程化决策体系以平安银行000001为例的这份final_trade_decision.md表面上是 LLM 生成的“卖出”结论实际上完整承载了 TradingAgents-CN 的工程化设计多源数据的研究分工、对抗式辩论的信息博弈、带强制输出约束的决策生成、结构化信号抽取以及贯穿始终的历史记忆闭环。读懂这份报告就等于读懂了整个多智能体交易框架的决策内核——无论是用来评估框架产出质量、调试提示词与配置还是作为金融大模型应用的工程范例这份报告都是最佳的第一手样本。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考