TradingAgents - 多代理交易分析系統

基於 LangGraph 的智能股票交易分析平台，結合多個 AI 代理進行協作決策

簡介 • 特色 • 架構 • 安裝 • 使用 • 部署 • 截圖

---

📖 簡介

TradingAgents 是一個先進的多代理 AI 交易分析系統，模擬真實世界的交易公司運作模式。透過 LangGraph 編排多個專業化的 AI 代理（分析師、研究員、交易員、風險管理者），系統能夠從不同角度分析股票市場，並通過結構化的辯論與協作流程產生高質量的交易決策。

💡 致敬原作: 本專案基於 TauricResearch/TradingAgents 進行改進和擴展，加入了完整的 Web 前端介面、RESTful API、Docker 部署支援等功能。感謝原作者的卓越工作和開源貢獻！

🎯 核心特色

• 🤖 多代理協作架構 - 專業化的 AI 代理團隊協同工作
• 📊 全方位市場分析 - 整合技術面、基本面、情緒面、新聞面分析
• 🔄 結構化決策流程 - 透過看漲/看跌辯論機制減少偏見
• 🧠 長期記憶系統 - 使用 ChromaDB 向量數據庫儲存歷史決策
• 🎨 現代化 Web 介面 - 基於 Next.js 16 的響應式 UI
• 🔌 RESTful API - 完整的後端 API 支援
• 🐳 一鍵部署 - 支援 Docker Compose 和 Railway 部署
• 🔑 BYOK (Bring Your Own Key) - 使用者自帶 API 金鑰，保障隱私與成本控制

---

🏗️ 系統架構

TradingAgents 採用前後端分離架構，後端使用 FastAPI 提供 RESTful API，前端使用 Next.js 打造現代化的使用者介面。

📂 專案結構概覽

TradingAgents/
├── backend/                   # FastAPI 後端服務
│   ├── __main__.py           # 後端應用入口
│   ├── requirements.txt      # Python 依賴列表
│   └── app/
│       ├── main.py           # FastAPI 應用主程式
│       ├── api/              # API 路由層
│       │   ├── routes.py     # API 端點定義
│       │   └── dependencies.py  # 依賴注入
│       ├── core/             # 核心配置
│       │   ├── config.py     # 環境變數與設定
│       │   └── cors.py       # CORS 中間件配置
│       ├── models/           # 資料模型
│       │   └── schemas.py    # Pydantic 資料結構
│       └── services/         # 業務邏輯層
│           ├── trading_service.py  # TradingAgents 核心整合
│           └── price_service.py    # 股價資料處理服務
│
├── frontend/                  # Next.js 前端應用
│   ├── app/                  # Next.js App Router
│   │   ├── layout.tsx        # 根佈局組件
│   │   ├── page.tsx          # 首頁
│   │   └── analysis/         # 分析功能模組
│   │       ├── page.tsx      # 分析配置頁面
│   │       └── results/      # 分析結果展示頁面
│   ├── components/           # React 組件庫
│   │   ├── analysis/         # 分析相關組件
│   │   │   ├── AnalysisForm.tsx    # 參數配置表單
│   │   │   ├── TradingDecision.tsx # 交易決策卡片
│   │   │   ├── AnalystReport.tsx   # 分析師報告展示
│   │   │   └── PriceChart.tsx      # 股價圖表組件
│   │   ├── layout/           # 佈局組件
│   │   │   ├── Header.tsx    # 頂部導航欄
│   │   │   └── Footer.tsx    # 頁腳
│   │   ├── shared/           # 共用組件
│   │   └── ui/               # shadcn/ui 基礎組件
│   ├── context/              # React Context API
│   │   └── AnalysisContext.tsx  # 分析狀態管理
│   ├── hooks/                # 自定義 React Hooks
│   │   ├── useAnalysis.ts    # 分析請求管理
│   │   └── useConfig.ts      # 配置資料獲取
│   └── lib/                  # 工具函式庫
│       ├── api.ts            # API 客戶端封裝
│       ├── types.ts          # TypeScript 型別定義
│       └── utils.ts          # 通用輔助函式
│
└── tradingagents/            # 核心 Python 套件
    ├── agents/               # AI 代理定義
    ├── dataflows/            # 資料流處理
    ├── graph/                # LangGraph 工作流
    └── default_config.py     # 預設配置

🔧 後端技術棧

技術	用途	版本
FastAPI	現代化異步 Web 框架	≥0.104.0
Pydantic	資料驗證與序列化	≥2.9.0
LangGraph	多代理工作流編排引擎	≥0.4.8
LangChain	LLM 應用開發框架	Latest
ChromaDB	向量資料庫（記憶系統）	≥1.0.12
yfinance	股票市場資料獲取	≥0.2.63
Uvicorn	ASGI 伺服器	≥0.24.0
python-dotenv	環境變數管理	1.0.0

其他整合

• stockstats: 技術指標計算
• feedparser: RSS 新聞抓取
• praw: Reddit 社群情緒分析
• finnhub-python: 金融資料 API
• beautifulsoup4: 網頁內容解析

🎨 前端技術棧

技術	用途	版本
Next.js	React 全端框架	16.x
TypeScript	靜態型別檢查	Latest
Tailwind CSS	實用優先的 CSS 框架	Latest
shadcn/ui	可高度客製化的 UI 組件庫	Latest
React Hook Form	高效能表單管理	Latest
Zod	TypeScript 優先的結構驗證	Latest
Recharts	資料視覺化圖表庫	Latest
Axios	Promise 基礎的 HTTP 客戶端	Latest
react-markdown	Markdown 內容渲染	Latest

---

🚀 快速開始

📋 前置要求

在開始之前，請確保您的系統已安裝以下軟體：

• Python 3.10 或更高版本
• Node.js 18.x 或更高版本
• pnpm 最新版本（推薦）或 npm
• Conda (可選，但強烈推薦用於 Python 環境管理)
• Git 用於克隆專案

必要的 API 金鑰

• OpenAI API Key (必需) - 用於驅動 AI 代理
  • 申請網址: https://platform.openai.com/api-keys
• Alpha Vantage API Key (可選) - 用於更詳細的股票資料
  • 申請網址: https://www.alphavantage.co/support/#api-key

💡 提示: 本系統採用 BYOK (Bring Your Own Key) 模式，您可以在前端介面直接輸入 API 金鑰，無需設定環境變數（適合快速測試）。

📥 安裝步驟

1️⃣ 克隆專案

git clone https://github.com/MarkLo127/TradingAgents.git
cd TradingAgents

2️⃣ 後端設置

2.1 創建 Python 虛擬環境

使用 Conda (推薦)

conda create -n tradingagents python=3.13
conda activate tradingagents

或使用 venv

python3 -m venv tradingagents
source tradingagents/bin/activate  # macOS/Linux
# 或
tradingagents\Scripts\activate  # Windows

2.2 安裝 Python 依賴

# 安裝 TradingAgents 核心套件
pip install -e .

# 安裝後端 API 依賴
pip install -r backend/requirements.txt

2.3 配置環境變數

複製範例環境變數檔案並編輯：

cp .env.example .env

編輯 .env 檔案，填入您的 API 金鑰：

# ============ API 金鑰配置 ============
# OpenAI API (必需)
OPENAI_API_KEY=sk-your-openai-api-key-here
OPENAI_BASE_URL=https://api.openai.com/v1

# Alpha Vantage API (可選)
ALPHA_VANTAGE_API_KEY=your-alpha-vantage-key

# 其他 LLM 提供商 (可選)
CLAUDE_API_KEY=your-claude-api-key
GEMINI_API_KEY=your-gemini-api-key
OPENROUTER_API_KEY=your-openrouter-api-key

# ============ 後端服務配置 ============
BACKEND_HOST=0.0.0.0
BACKEND_PORT=8000

# ============ CORS 配置 ============
CORS_ORIGINS=http://localhost:3000,http://127.0.0.1:3000

# ============ 資料儲存配置 ============
TRADINGAGENTS_RESULTS_DIR=./results

2.4 啟動後端服務

# 從專案根目錄執行
python -m backend

✅ 後端服務成功啟動後，您可以訪問：

• 應用根目錄: http://localhost:8000
• API 互動式文檔 (Swagger UI): http://localhost:8000/docs
• API 文檔 (ReDoc): http://localhost:8000/redoc
• 健康檢查端點: http://localhost:8000/api/health

3️⃣ 前端設置

3.1 安裝前端依賴

# 使用 pnpm (推薦)
pnpm -C frontend install

# 或使用 npm
npm --prefix frontend install

3.2 配置前端環境變數 (可選)

如果您需要自訂 API 端點，可以建立 frontend/.env.local：

NEXT_PUBLIC_API_URL=http://localhost:8000

💡 預設情況下，前端會自動連接到 http://localhost:8000

3.3 啟動前端開發伺服器

# 使用 pnpm (推薦)
pnpm -C frontend dev

# 或使用 npm
npm --prefix frontend run dev

✅ 前端應用成功啟動後，訪問：

• 應用首頁: http://localhost:3000

---

🐳 部署方案

Docker Compose 本地部署

最簡單的部署方式，一鍵啟動前後端服務：

# 啟動所有服務（首次執行會自動構建映像）
docker compose up -d --build

# 查看服務運行狀態
docker compose ps

# 查看即時日誌
docker compose logs -f

# 查看特定服務日誌
docker compose logs -f backend
docker compose logs -f frontend

# 停止服務
docker compose down

# 停止服務並清除資料卷
docker compose down -v

Docker Compose 配置說明：

• 後端服務運行於: http://localhost:8000
• 前端服務運行於: http://localhost:3000
• 分析結果會持久化儲存在 ./results 目錄
• 服務會在容器異常退出時自動重啟

---

📱 使用指南

基本工作流程

1. 訪問首頁

   • 開啟瀏覽器，訪問 http://localhost:3000
   • 查看系統介紹與功能說明

2. 進入分析頁面

   • 點擊首頁的「開始分析」按鈕
   • 或直接訪問 http://localhost:3000/analysis

3. 配置分析參數

   • 選擇分析師團隊: 勾選您需要的分析師類型

     • ✅ 市場分析師 (Market Analyst) - 技術分析與價格走勢
     • ✅ 情緒分析師 (Sentiment Analyst) - 社交媒體情緒評估
     • ✅ 新聞分析師 (News Analyst) - 新聞事件影響分析
     • ✅ 基本面分析師 (Fundamental Analyst) - 財務數據與估值分析

   • 輸入股票代碼: 例如 NVDA, AAPL, TSLA, GOOGL

     • 支援美股股票代號

   • 選擇分析日期: 選擇要分析的特定日期

     • 預設為當前日期

   • 設定研究深度:

     • 🟢 淺層 (Shallow): 快速分析，適合即時決策
     • 🟡 中等 (Medium): 平衡速度與深度
     • 🔴 深層 (Deep): 全面深入分析，耗時較長

   • 選擇 LLM 模型:

     • gpt-4o (預設): 平衡性能與成本
     • gpt-4-turbo: 更快的回應速度
     • o1-mini: OpenAI 最新推理模型

   • 輸入 API 金鑰:

     • 在表單中直接輸入您的 OpenAI API Key
     • 或使用環境變數預設值（如已配置）

4. 執行分析

   • 檢查所有參數無誤後，點擊「執行分析」按鈕
   • 系統會顯示載入動畫，處理時間依研究深度而定（1-5 分鐘）

5. 查看分析結果

   • 分析完成後自動跳轉至結果頁面
   • 結果包含以下內容：

   📊 交易決策摘要

   • 最終決策: BUY / SELL / HOLD
   • 建議倉位大小
   • 風險等級評估
   • 核心理由總結

   📈 股價走勢圖表

   • 互動式價格圖表（支援折線圖/K線圖切換）
   • 交易量變化
   • 關鍵技術指標

   📄 各分析師詳細報告

   • 市場分析師: 技術面分析與趨勢判斷
   • 情緒分析師: 社群媒體情緒指標
   • 新聞分析師: 最新新聞事件影響評估
   • 基本面分析師: 財務健康度與估值分析
   • 研究團隊辯論: 看漲與看跌觀點對比
   • 交易員建議: 具體執行計畫
   • 風險管理: 風險因子與對策

API 使用範例

如果您想要透過 API 整合 TradingAgents，可以參考以下範例：

健康檢查

curl http://localhost:8000/api/health

執行股票分析

curl -X POST http://localhost:8000/api/analyze \
  -H "Content-Type: application/json" \
  -d '{
    "ticker": "NVDA",
    "analysis_date": "2024-01-15",
    "research_depth": "medium",
    "model": "gpt-4o",
    "selected_analysts": ["market", "sentiment", "news", "fundamental"],
    "api_key": "sk-your-openai-key"
  }'

獲取股價資料

curl "http://localhost:8000/api/price-data/NVDA?start_date=2024-01-01&end_date=2024-01-31"

完整的 API 文檔請訪問: http://localhost:8000/docs

---

🧠 核心功能詳解

多代理協作系統

TradingAgents 模擬真實交易公司的組織架構，每個代理都有其專業職責：

代理角色	主要職責	輸出內容
市場分析師	技術分析	技術指標（RSI, MACD, 布林通道）、價格走勢、支撐阻力位
情緒分析師	情緒評估	Reddit/Twitter 情緒指標、熱度趨勢、投資者信心指數
新聞分析師	新聞分析	最新新聞摘要、事件影響評估、市場反應預測
基本面分析師	財務分析	財報數據、估值指標（P/E, P/B）、盈利能力評估
看漲研究員	多頭論證	看漲理由、上漲催化劑、目標價位
看跌研究員	空頭論證	看跌理由、下跌風險、防守策略
交易員	決策整合	綜合所有報告，制定交易計劃
風險管理	風險控制	風險評估、倉位建議、止損止盈設定
投資組合經理	最終決策	最終交易決定（批准/拒絕），執行指令

工作流程圖

┌─────────────────┐
│  使用者輸入參數   │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  資料收集階段    │ ◄── yfinance, Reddit, RSS
└────────┬────────┘
         │
         ▼
┌──────────────────────────────┐
│     分析師團隊平行分析        │
│  ┌────┬────┬────┬────────┐ │
│  │市場│情緒│新聞│基本面│ │
│  └────┴────┴────┴────────┘ │
└────────┬─────────────────────┘
         │
         ▼
┌─────────────────┐
│  研究團隊辯論    │
│  看漲 vs 看跌   │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  交易員整合分析  │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  風險管理評估    │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ 投資組合經理決策 │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  輸出最終報告    │
└─────────────────┘

智能特性

1. 動態研究深度調整

• Shallow: 每個代理進行 1 輪分析，適合快速決策
• Medium: 每個代理進行 2-3 輪分析，平衡深度與速度
• Deep: 每個代理進行 5+ 輪分析，全面深入研究

2. 多模型支持

• 支援 OpenAI (GPT-4, GPT-4o, o1 系列)
• 支援 Anthropic Claude
• 支援 Google Gemini
• 可透過 OpenRouter 存取更多模型

3. 長期記憶系統

• 使用 ChromaDB 向量資料庫儲存歷史決策
• 代理可以參考過去類似情況的決策
• 持續學習與改進分析品質

4. 結構化輸出

• 所有報告均採用 Markdown 格式
• 清晰的章節結構
• 支援表格、列表、程式碼區塊等豐富格式

5. 實時資料整合

• yfinance: 即時股價與歷史資料
• Reddit API: 社群情緒分析
• RSS Feeds: 財經新聞抓取
• Alpha Vantage: 詳細財務資料（可選）

---

📸 應用截圖

首頁 - 功能介紹

展示系統的核心功能與運作流程

分析配置頁面

直觀的表單介面，輕鬆配置所有分析參數

股價走勢與交易量（折線圖）

互動式圖表展示股價變化與交易量

股價走勢與交易量（K線圖）

專業的 K 線圖視覺化，適合技術分析

市場分析師報告

詳細的技術面分析與市場趨勢判斷

情緒分析師報告

社群媒體情緒指標與投資者信心評估

新聞分析師報告

最新財經新聞摘要與事件影響分析

基本面分析師報告

財務數據解析與價值評估

---

🛠️ 開發指南

專案開發

後端開發

# 啟用虛擬環境
conda activate tradingagents

# 以開發模式執行（自動重載）
uvicorn backend.app.main:app --reload --host 0.0.0.0 --port 8000

# 執行測試
pytest backend/tests

# 程式碼格式化
black backend/
ruff backend/

前端開發

# 開發模式（支援熱重載）
pnpm -C frontend dev

# 型別檢查
pnpm -C frontend type-check

# Lint 檢查
pnpm -C frontend lint

# 建構生產版本
pnpm -C frontend build

# 預覽生產版本
pnpm -C frontend start

新增 AI 代理

若要擴充系統功能，可參考以下步驟新增自訂代理：

1. 在 tradingagents/agents/ 建立新的代理類別
2. 定義代理的提示詞與任務邏輯
3. 在 tradingagents/graph/ 更新工作流程圖
4. 更新後端 API 以支援新代理
5. 更新前端 UI 提供選項

詳細開發文檔請參考 docs/ 目錄（開發中）。

---

🙏 致謝

特別感謝

本專案基於 TauricResearch/TradingAgents 的原始專案進行改進和擴展。衷心感謝原作者創建了如此優秀的多代理交易分析框架，為我們提供了堅實的基礎。

使用的開源專案

本專案使用了以下優秀的開源專案：

• LangChain - LLM 應用開發框架
• LangGraph - 多代理工作流編排
• FastAPI - 現代化 Python Web 框架
• Next.js - React 全端框架
• shadcn/ui - 精美的 React 組件庫
• ChromaDB - AI 原生向量資料庫
• yfinance - Yahoo Finance 資料下載工具

---

⭐ 如果這個專案對您有幫助，請給我們一個 Star！

Made with ❤️ by MarkLo127