如果你是个程序员、又热爱研究股票，可能你也写过这样一段脚本：拉取历史数据、计算个 MACD 或 RSI，再简单加几行 if/else 逻辑触发买入卖出信号。
刚开始挺兴奋，感觉“策略跑起来了！”——但没多久你就会发现：一换行情，策略就跪了。😅
我自己也走过这条路。
直到最近，我发现了一个开源项目，彻底刷新了我对“AI 量化策略”的认知——TradingAgents。它不是传统的量化框架，而是一个基于 LLM 的多智能体金融决策系统，由 MIT 的研究者主导开发，在 GitHub 上已经爆火（Star 7k+）。
它不只是炒股机器人，更像是把一个 AI 投资团队“塞进了代码里”。
TradingAgents 是一个基于多智能体（Multi-Agent）架构的开源交易系统，内部集成了多个由大语言模型（LLMs）驱动的智能体，分别承担分析、判断、交易和风控等角色。
它不是单一策略，而是模拟一个投研+风控+交易全流程的 AI 团队，从多维度解析市场，再集体决策是否执行交易。
这些 Agent 负责生成结构化分析，作为后续判断输入。
模拟投研辩论，拆解利多/利空：
它们进行结构化、多轮辩论（debate），避免“单边思维陷阱”。
综合以上所有视角，结合历史数据/风控限制，制定实际交易策略：
决策逻辑基于强化学习 + 规则判断结合，具备一定的自适应能力。
衡量整个投资组合是否暴露在过高风险下：
这部分也是整个框架的底线防线。
可以说是把一个基金经理团队按模块「拆进代码里了」，而且每个模块都是 LLM 在驱动。
支持 Agent 之间有状态通信、切换执行路径、动态决策。你可以灵活配置模型、辩论轮次、是否并行执行等。
支持通过回测反馈进行持续优化，强化成功策略，修正失误方向，实现“经验式成长”。
研究团队用 AAPL 等美股做过回测实测，TradingAgents 相比传统策略在多个维度明显优胜：
并且表现比 MACD、KDJ、Dual Moving Average 等经典策略高出 6%~24% 的收益空间。
只需要 Python 环境 + 两个 API Key：
配置 FinnHub 和 OpenAI 的 Key：
然后直接运行：
debug 模式下会显示每个智能体的输出过程，可读性超强，利于研究和再开发。
TradingAgents 给我们的启发是：
如果你做的是 A 股策略研究，完全可以借助它的架构思路，把社媒情绪（雪球、同花顺）、财报数据、舆情事件、技术指标融合进一个“Agent 模块化”框架中，做一个“中国版本的 TradingAgents”。
TradingAgents 不是一套神奇策略，而是一种新的交易系统思维：用 LLM 模拟一个“懂业务、有分工、会协作”的 AI 金融团队。