一个基于 TradingAgents 框架打造的股票分析 Skill

四月 11, 2026 | 技术

TradingAgents-CN-Skill 是基于 TradingAgents 框架的中文股票分析 Skill。用户输入股票截图、文字描述或股票代码，Agent 自动完成 4 位分析师 + 2 轮多空辩论 + 风控三方辩论 + 五级评级，输出完整 PDF 报告。

TradingAgents 框架包含五个阶段：

数据获取 - 结构化提取 + 新闻搜索
四位分析师 - 技术、基本面、新闻、情绪分析
多空辩论 - 两轮 Bull/Bear 对话式辩论
研究管理 + 交易 - 管理者裁决 + 交易员制定计划
风控辩论 + 评级 - 激进/保守/中立三方辩论，投资组合经理给出五级评级

整体流程：

flowchart TD A[截图 / 文字描述 / 股票代码] --> B[Agent 调用 MCP 识别 / 搜索 / 提取] B --> C[结构化数据] C --> D[四位分析师报告] D --> E[多空辩论 R1] E --> F[多空辩论 R2] F --> G[研究管理者裁决] G --> H[交易员计划] H --> I[风控三方辩论] I --> J[投资组合经理评级] J --> K[PDF 报告]

项目地址

Skill 仓库：https://github.com/tanteng/tradingagents-cn-skill
灵感来源：https://github.com/TauricResearch/TradingAgents
原版论文：https://arxiv.org/abs/2412.20138

灵感来源

TradingAgents 是 Tauric Research 开源的多智能体股票分析框架。真实的交易公司不是一个人做决策，而是一个组织化的团队——分析师、研究员、交易员、风控各司其职，通过讨论和制衡来提高决策质量。TradingAgents 把这套组织动态搬到了 LLM 多智能体系统中。

原版用 Python + LangGraph 实现，通过 StateGraph 的条件分支控制辩论轮数。TradingAgents-CN-Skill 则用 OpenClaw SKILL.md 驱动，信息流对齐但实现方式不同：

维度	原版	本项目
编排方式	LangGraph	OpenClaw SKILL.md
语言	英文	中文
输出	终端文本	PDF 报告
辩论轮次	N轮	2轮

深入源码：提取 Prompt

要做 Skill，首先要理解原版的 Prompt 在干什么。克隆了仓库，逐个文件读取，提取出关键 Prompt：

角色	文件	核心职责
技术/市场分析师	`market_analyst.py`	从 12 种技术指标中选 8 种进行分析
基本面分析师	`fundamentals_analyst.py`	分析财报、估值、现金流
新闻分析师	`news_analyst.py`	区分公司新闻和宏观新闻
情绪分析师	`social_media_analyst.py`	分析社交媒体舆情和公众情绪
看多研究员	`bull_researcher.py`	构建买入论证，回应看空观点
看空研究员	`bear_researcher.py`	构建卖出论证，回应看多观点
研究管理者	`research_manager.py`	辩论裁判，“不要默认 Hold”
交易员	`trader.py`	制定具体交易计划
激进型风控	`aggressive_debator.py`	高风险高回报视角
保守型风控	`conservative_debator.py`	资产保护视角
中立型风控	`neutral_debator.py`	平衡风险收益视角
投资组合经理	`portfolio_manager.py`	最终决策，五级评级

几个关键设计发现

1. 双层辩论机制

这是整个框架最有意思的设计。不只是 Bull vs Bear 的投资方向辩论，还有第二层——激进/保守/中立的风险偏好辩论。两层辩论覆盖了"方向"和"力度"两个维度。

2. 对话式辩论 Prompt

原版 Prompt 明确要求 “conversational style, engaging directly with the other analyst’s points and debating effectively rather than just listing data”——不是各说各的，而是真正的辩论。

3. 记忆/反思机制

原版每个关键角色都有 FinancialSituationMemory，交易结果出来后会反思并存储教训，下次注入 Prompt。这形成了跨交易的学习闭环。

4. 双模型分工

deep_think_llm 用于研究管理者和投资组合经理（关键决策），quick_think_llm 用于分析师和辩论者（量大但不需要极深推理）。

Prompt 的中文化改造

原版 Prompt 是英文的，直接翻译效果不好。做了几个关键改造：

指标本地化：从美股指标（SMA/EMA/VWMA）换为 A 股/港股常用体系（MA5/MA10/MA20/MA30/MA60/MA120 + KDJ）
辩论输出纯文本：分析师步骤输出 JSON，辩论步骤输出纯中文文本，让 LLM 自由辩论不受格式约束
交易员价格约束：输出具体买入价、目标价、止损价（附计算公式），而非仅方向
五级评级中文化：Buy/Overweight/Hold/Underweight/Sell → 买入/增持/持有/减持/卖出

工作流程

共 10 步，数据流线性推进：

数据获取：结构化提取 + 新闻搜索
四位分析师：技术 / 基本面 / 新闻 / 情绪各出一份报告
多空辩论 R1：看多 / 看空研究员第一轮辩论
多空辩论 R2：看多 / 看空研究员第二轮辩论
裁决与交易：研究管理者裁决 + 交易员制定计划
风控辩论：激进 / 保守 / 中立三方独立发言
最终决策：投资组合经理给出五级评级
PDF 生成：generate_report.py 读取 report.json 输出报告

每步 LLM 输出经 validate_step.py 验证后自动写入 report.json，最终合并为完整报告。

数据管线设计

每步 LLM 输出后通过 validate_step.py 验证，自动写入 report.json，最后由 generate_report.py 生成 PDF。设计原则是：

Prompt 定义 schema → validate 验证 → pdf_generator 读取

三端对齐，确保数据一致性。

文件结构：

tradingagents-cn-skill/
├── references/          # 各角色 Prompt 定义和 JSON schema
│   ├── tech_prompt.md
│   ├── fundamentals_prompt.md
│   ├── bull_prompt.md
│   ├── bear_prompt.md
│   └── ...
└── scripts/
    ├── validate_step.py
    ├── generate_report.py
    └── pdf_generator.py

工程上的几个经验

validate_step.py 是整个 Skill 的安全网。 每次 LLM 调用后都通过它验证输出，失败则附带 hint 重试。五级评级有专门的白名单验证——“强烈推荐"这种不在五级里的评级会被拒绝。

adapt_data.py 做了格式适配。 新的数据结构（辩论文本、五级评级）通过适配层转换为 PDF 生成器能理解的格式，避免了重写 600 多行的 HTML 模板。

辩论步骤不做 validate。 这是刻意的。辩论的价值在于自由思辨，如果强制 JSON 格式，LLM 会把精力花在格式对齐而不是论证质量上。

效果

最终的 PDF 报告包含：

📊 执行摘要（评级 + 一句话结论）
📈 四维分析报告（技术/基本面/新闻/情绪）
🐂🐻 完整的 2 轮多空辩论记录
💹 具体价格的交易计划
🔴🟢🟡 风控三方辩论记录
👔 投资组合经理最终裁决

整个分析流程大约 3-5 分钟完成（取决于 LLM 响应速度），输出一份 10+ 页的中文 PDF 报告。

⚠️ 免责声明：本框架仅供研究和学习目的，不构成任何形式的投资建议。