TradingAgents-CN 项目：多智能体设计与交互分析
GrissomFI约 9 分钟TradingAgents-CN 多智能体设计与交互分析
引言：从大模型技术到业务价值的思考
大模型如何创造商业价值？这是当前 AI 领域最核心的问题之一。
从技术视角看，像 OpenClaw 这样的 Agent Infra（智能体基础设施）提供了构建多智能体系统的底层能力——状态管理、工具绑定、消息路由、记忆系统。然而，基础设施本身并不直接产生价值，真正的价值来自于将技术与具体业务场景的深度融合。
智能投研正是这样一个极具代表性的场景：
• 业务复杂度高：股票分析涉及技术面、基本面、新闻面、情绪面等多个维度，单一模型难以同时处理 • 决策质量要求高：投资决策直接影响资金安全，需要多方论证和风险控制 • 信息时效性强：市场瞬息万变，分析必须基于实时数据 • 可解释性需求：投资建议需要有清晰的推理链条，不能是"黑箱"输出
本文以 TradingAgents-CN 为案例，为你拆解智能投研场景下的多智能体设计与交互流程。我们不仅关注技术实现（每个智能体如何与 LLM 交互、Prompt 如何设计），更关注背后的业务逻辑——为什么需要多智能体？为什么需要辩论机制？为什么需要两层裁判？这些设计决策如何服务于投资分析的核心目标？
通过本文，你将理解：
1. 多智能体架构的业务价值：如何通过职责拆分和角色制衡提升分析质量 2. Prompt 工程的实战模式：不同类型智能体如何采用不同的 Prompt 策略 3. 状态流转的设计哲学：信息如何在智能体之间传递、汇聚、收敛 4. 辩论与裁判机制：如何模拟真实投资委员会的决策流程 5. 记忆系统与经验积累：如何让系统从历史决策中持续学习
项目地址：https://github.com/hsliuping/TradingAgents-CN
上游项目：https://github.com/TauricResearch/TradingAgents
1. 系统整体视角：为什么需要多智能体
传统单一 LLM 分析面临的核心瓶颈：
• 上下文有限：一次性将所有数据（行情、财务、新闻、情绪）喂给一个模型，Token 消耗大、质量下降 • 角色混淆：单 LLM 难以同时扮演技术分析师、基本面分析师、风险官等多个相互制衡的角色 • 缺乏博弈机制：投资决策的合理性来自多方观点的碰撞，单一输出无法模拟市场中的多空对立
TradingAgents-CN 的多智能体架构将分析拆分为三个阶段、十二个专职智能体，每个智能体只负责一个独立子任务，通过状态传递和辩论机制最终收敛到投资决策。
注：代码中还定义了一个独立的中国市场分析师（China Market Analyst），但该智能体未接入主分析图，不参与当前的单股分析流程。
2. 智能体全景图
下图展示了单股分析流程中十二个智能体的三阶段协作架构：
┌─────────────────────────────────────────────────────────────┐
│ 阶段一：信息收集 │
│ │
│ Market Analyst → Social Analyst → News Analyst │
│ ↓ ↓ ↓ │
│ [技术指标报告] [情绪分析报告] [新闻事件报告] │
│ │
│ Fundamentals Analyst │
│ ↓ │
│ [基本面报告] │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 阶段二：投研辩论 │
│ │
│ Bull Researcher ⇄ Bear Researcher │
│ （多轮辩论，N 由研究深度控制） │
│ ↓ │
│ Research Manager（裁判） │
│ ↓ │
│ [投研结论 / 投资计划] │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 阶段三：决策与风险 │
│ │
│ Trader │
│ ↓ │
│ [初步交易建议] │
│ ↓ │
│ Risky Analyst ⇄ Safe Analyst ⇄ Neutral Analyst │
│ （条件流转循环，每轮内决定继续辩论还是转入裁判） │
│ ↓ │
│ Risk Judge（裁判） │
│ ↓ │
│ [最终交易决策 → 结构化信号] │
└─────────────────────────────────────────────────────────────┘3. 各智能体职责设计详解
本章逐一介绍每个智能体的职责定义、LLM 交互方式和设计意图，按三个阶段分别展开。
3.1 信息收集阶段（四位分析师）
四位分析师构成信息收集矩阵，覆盖股票分析的四个维度，职责边界严格分离，互不交叉。
市场分析师
对应图中的 Market Analyst 节点，负责从技术面维度分析股票的价格行为与量价关系。
get_stock_market_data_unified | |
state["market_report"] |
职责设计意图： 纯技术面，不关心公司基本面，只从价格行为和量价关系出发，降低主观干扰。
基本面分析师
对应图中的 Fundamentals Analyst 节点，负责从财务数据维度评估公司估值与盈利能力。
get_stock_fundamentals_unified | |
state["fundamentals_report"] |
职责设计意图： 强制要求真实数据，Prompt 中明确禁止编造，输出目标价区间供后续智能体参考。
新闻分析师
对应图中的 News Analyst 节点，负责捕捉近期新闻事件中的短期催化剂和风险因素。
get_stock_news_unified | |
state["news_report"] |
职责设计意图： 捕捉短期催化剂和风险事件，优先抓取 15-30 分钟内的实时新闻，为辩论阶段提供时效性材料。
社交媒体分析师
对应图中的 Social Media Analyst 节点，负责从社交平台提取投资者情绪信号。
get_stock_sentiment_unified | |
state["sentiment_report"] |
职责设计意图： 量化市场情绪，弥补纯量化数据的不足，为散户与机构观点差异提供参考。
3.2 投研辩论阶段（三位辩论者）
辩论阶段的核心设计理念：用对立观点的碰撞替代单一视角的主观判断。
多头研究员
对应图中的 Bull Researcher 节点，负责从乐观视角构建看涨论据。
llm.invoke(prompt) | |
investment_debate_state.bull_history |
职责设计意图： 强制乐观视角，防止分析陷入单方面悲观。通过 {current_response} 接收上一轮空头论点，实现真正的针对性反驳。
空头研究员
对应图中的 Bear Researcher 节点，负责从悲观视角构建看跌论据。
llm.invoke(prompt) | |
investment_debate_state.bear_history |
职责设计意图： 强制悲观视角，质疑多头假设，提醒潜在风险。轮流辩论机制确保每一方都能回应对方的最新论点。
投研经理
对应图中的 Research Manager 节点，作为辩论裁判综合多空双方观点。
| 深度模型（deep_thinking_llm） | |
llm.invoke(prompt) | |
state["investment_plan"] |
职责设计意图： 作为辩论裁判，不偏向任何一方，提炼出有据可查的投研结论。使用深度模型确保综合推理质量，是多头/空头之争的"仲裁者"。
3.3 决策与风险阶段（五位决策者）
本阶段将投研结论转化为可执行的交易指令，并通过多角度风险辩论进行最终把关。
交易员
对应图中的 Trader 节点，负责将研究结论转化为可执行的交易指令。
llm.invoke([SystemMessage, HumanMessage]) | |
state["trader_investment_plan"] |
职责设计意图： 将研究结论转化为可执行的交易指令，Prompt 强制要求提供目标价、置信度和风险评分，不允许回避。
风险辩论三方
对应图中的 Risky Analyst、Safe Analyst 和 Neutral Analyst 三个节点，分别从激进、保守、中性三个角度评估交易决策的风险。
llm.invoke(prompt) | |
state["trader_investment_plan"] | |
risk_debate_state |
职责设计意图： 三角制衡机制，防止决策偏向单一风险偏好，模拟投资委员会中不同风险容忍度的委员。三方辩论以条件循环方式运行（Risky → Safe → Neutral → Risky →…），由 should_continue_risk_analysis 决定是继续辩论还是转入 Risk Judge，与投研辩论的轮流机制完全对称。注意：辩论三方读取的是 state["trader_investment_plan"]（交易员的初步决策），而风险委员会主席读取的是 state["investment_plan"]（投研经理的结论）——这是一个架构上的重要不对称设计。
风险委员会主席
对应图中的 Risk Judge 节点，作为最终决策者综合风险辩论结果。
| 深度模型 | |
llm.invoke(prompt) | |
state["final_trade_decision"] |
职责设计意图： 最终决策者，使用深度模型确保推理深度。设有明确的失败兜底机制（3 次重试失败→返回"持有"），保证系统稳健性。
4. 各智能体与 LLM 的 Prompt 交互分析
本章从 Prompt 工程的角度，完整引用每个智能体在代码中的实际 Prompt，并分析其设计模式及背后的考量。所有内容均以源码为准。
4.1 Prompt 设计模式概览
系统中的 Prompt 采用了三种不同的构建策略，针对不同的任务复杂度：
ChatPromptTemplateMessagesPlaceholder | ||
[{"role": "system"}, {"role": "user"}] 列表 |
4.2 市场分析师（Market Analyst）
文件：tradingagents/agents/analysts/market_analyst.py
市场分析师实现了两阶段 LLM 交互——第一次决定工具调用，第二次基于工具数据生成分析报告。
4.2.1 第一阶段：System Prompt（工具调用决策）
你是一位专业的股票技术分析师，与其他分析师协作。
📋 **分析对象：**
- 公司名称：{company_name}
- 股票代码：{ticker}
- 所属市场：{market_name}
- 计价货币：{currency_name}（{currency_symbol}）
- 分析日期：{current_date}
🔧 **工具使用：**
你可以使用以下工具：{tool_names}
⚠️ 重要工作流程：
1. 如果消息历史中没有工具结果，立即调用 get_stock_market_data_unified 工具
- ticker: {ticker}
- start_date: {current_date}
- end_date: {current_date}
注意：系统会自动扩展到365天历史数据，你只需要传递当前分析日期即可
2. 如果消息历史中已经有工具结果（ToolMessage），立即基于工具数据生成最终分析报告
3. 不要重复调用工具！一次工具调用就足够了！
4. 接收到工具数据后，必须立即生成完整的技术分析报告，不要再调用任何工具
📝 **输出格式要求（必须严格遵守）：**
## 📊 股票基本信息
- 公司名称：{company_name}
- 股票代码：{ticker}
- 所属市场：{market_name}
## 📈 技术指标分析
[在这里分析移动平均线、MACD、RSI、布林带等技术指标，提供具体数值]
## 📉 价格趋势分析
[在这里分析价格趋势，考虑{market_name}市场特点]
## 💭 投资建议
[在这里给出明确的投资建议：买入/持有/卖出]
⚠️ **重要提醒：**
- 必须使用上述格式输出，不要自创标题格式
- 所有价格数据使用{currency_name}（{currency_symbol}）表示
- 确保在分析中正确使用公司名称"{company_name}"和股票代码"{ticker}"
- 不要在标题中使用"技术分析报告"等自创标题
- 如果你有明确的技术面投资建议（买入/持有/卖出），请在投资建议部分明确标注
- 不要使用'最终交易建议'前缀，因为最终决策需要综合所有分析师的意见
请使用中文，基于真实数据进行分析。LLM 调用方式：
chain = prompt | llm.bind_tools(tools)
result = chain.invoke({"messages": state["messages"]})