一个LangGraph实战案例TradingAgents-Astock 12阶段分析流水线的完整代码拆解【免费下载链接】TradingAgents-astockA股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)7位分析师基于A股规则的辩论决策基于TradingAgents深度改造适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。项目地址: https://gitcode.com/gh_mirrors/tr/TradingAgents-astockTradingAgents-Astock 是一个基于 LangGraph 构建的 A股多Agent投研框架7 位 AI 分析师分工采集数据再经质量门控、多空辩论、风控辩论最终由组合经理输出买卖决策。本文不堆代码带你看清这条12 阶段分析流水线在 tradingagents/graph/ 目录下的完整实现思路是学习 LangGraph 状态图、条件边和 ToolNode 的绝佳实战样本。一、全景12 个阶段如何串成流水线 Web 端把整条流程显式定义为 12 个阶段源码见 web/progress.py阶段名称职责1-7技术分析 / 情绪 / 新闻 / 基本面 / 政策 / 游资 / 解禁7 位分析师顺序执行8质量门控给 7 份报告打分A-F9多空辩论Bull / Bear 研究员对抗 研究员经理裁决10交易决策Trader 生成投资计划11风控评估激进 / 保守 / 中性三方风险辩论12最终决策组合经理输出 Buy / Hold / Sell上图就是整条流水线的拓扑左侧数据源喂给分析师团队中间 Bullish / Bearish 辩论右侧风控小组把关最后落到 Execution。二、建图setup.py 里节点与边的装配方式核心逻辑在 tradingagents/graph/setup.py 的GraphSetup.setup_graph()。它用 LangGraph 的StateGraph(AgentState)做三件事注册节点每位分析师注册三个节点——分析节点如Market Analyst、消息清理节点Msg Clear Market、工具节点tools_market。串接顺序边START → 第一位分析师分析师之间顺序传递最后一位分析师的清理节点接Quality Gate。编织条件边分析师 → 工具节点 → 分析师自身形成回环辩论与风控阶段则是多向条件跳转最后Portfolio Manager → END。每个分析师节点背后配一个专属ToolNode工具清单在 tradingagents/graph/trading_graph.py 的_create_tool_nodes()中定义。以游资追踪师为例它拥有龙虎榜、北向资金、资金流向、概念板块等 9 个 A 股特色工具——这是该框架适配「大 A」规则的关键。CLI 运行时可以在左侧面板实时看到 12 个阶段的推进状态右侧是消息与工具调用日志三、条件分支conditional_logic.py 只有 3 类判断整条流水线的「转向」全部由 tradingagents/graph/conditional_logic.py 一个类完成逻辑极简工具调用回环7 个分析师通用看最后一条消息有没有tool_calls——有就去tools_xxx节点执行工具然后回到分析师节点继续推理没有说明报告写完了进清理节点。这就是 LangGraph 中 ReAct 循环的标准写法。辩论轮数控制should_continue_debate()检查investment_debate_state[count] 2 * max_debate_rounds达到轮数上限就交给 Research Manager 裁决否则按「当前是谁在说」交替路由 Bull / Bear。风控轮转should_continue_risk_analysis()让激进 → 保守 → 中性三方循环发言满3 * max_risk_discuss_rounds轮后进入 Portfolio Manager。四、质量门控代码硬检查 LLM 复审的双层设计tradingagents/agents/quality_gate.py 是 7 份报告进入辩论前的「质检站」两层结构很值得借鉴第一层硬检查纯代码空报告直接 F少于 200 字给 D报告里出现「无法获取」「工具调用失败」等失败标记占比过高给 D缺少汇总表格或含「[数据缺失]」标记降为 B / C。第二层 LLM 复审只有硬检查失败数少于 4 时才调用大模型让「数据质量审核员」逐份打分并给出 A-F 评级和数据可信度结论结果写入 state 的data_quality_summary供后续辩论阶段引用——低质量报告会明确提示「谨慎使用」。这种「确定性检查兜底 LLM 精评」的分层模式比单纯让大模型自评更稳定、更省 token。五、执行与断点续跑trading_graph.py 的三段式生命周期入口类 TradingAgentsGraph 把一次运行拆成三个清晰的方法方法作用prepare_graph_run()初始化状态、注入历史记忆上下文开启 checkpoint 时用thread_id股票代码日期恢复断点_run_graph()graph.invoke()执行整张图debug 模式改用stream()逐节点打印finalize_graph_run()落盘完整状态 JSON、记录决策到记忆日志、清除 checkpoint亮点是断点续跑开启checkpoint_enabled后图会用 SqliteSaver 重新编译中断后再次运行同一标的和日期会从最后一个成功节点继续而不是从头烧一遍 token。风控辩论阶段则是三方观点交锋最终由组合经理统一裁决六、如何跑起来体验这条流水线 不想啃代码的话克隆仓库后启动内置 Web UI 即可git clone https://gitcode.com/gh_mirrors/tr/TradingAgents-astock tradingagents-web打开http://localhost:8501在侧边栏选 LLM 供应商输入 6 位 A 股代码和分析日期点击开始分析就能实时观看 12 个阶段逐个点亮总结TradingAgents-Astock 证明了 LangGraph 的一个核心范式把复杂业务拆成无状态节点用共享 State 传递数据用条件边控制流转。如果你想复刻自己的多Agent工作流建议按这个顺序读源码setup.py 看建图 → conditional_logic.py 看分支 → quality_gate.py 看节点设计 → trading_graph.py 看生命周期管理。四份文件读完一条生产级 LangGraph 流水线的完整骨架就装进你脑子里了。【免费下载链接】TradingAgents-astockA股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)7位分析师基于A股规则的辩论决策基于TradingAgents深度改造适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。项目地址: https://gitcode.com/gh_mirrors/tr/TradingAgents-astock创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
一个LangGraph实战案例：TradingAgents-Astock 12阶段分析流水线的完整代码拆解
一个LangGraph实战案例TradingAgents-Astock 12阶段分析流水线的完整代码拆解【免费下载链接】TradingAgents-astockA股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)7位分析师基于A股规则的辩论决策基于TradingAgents深度改造适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。项目地址: https://gitcode.com/gh_mirrors/tr/TradingAgents-astockTradingAgents-Astock 是一个基于 LangGraph 构建的 A股多Agent投研框架7 位 AI 分析师分工采集数据再经质量门控、多空辩论、风控辩论最终由组合经理输出买卖决策。本文不堆代码带你看清这条12 阶段分析流水线在 tradingagents/graph/ 目录下的完整实现思路是学习 LangGraph 状态图、条件边和 ToolNode 的绝佳实战样本。一、全景12 个阶段如何串成流水线 Web 端把整条流程显式定义为 12 个阶段源码见 web/progress.py阶段名称职责1-7技术分析 / 情绪 / 新闻 / 基本面 / 政策 / 游资 / 解禁7 位分析师顺序执行8质量门控给 7 份报告打分A-F9多空辩论Bull / Bear 研究员对抗 研究员经理裁决10交易决策Trader 生成投资计划11风控评估激进 / 保守 / 中性三方风险辩论12最终决策组合经理输出 Buy / Hold / Sell上图就是整条流水线的拓扑左侧数据源喂给分析师团队中间 Bullish / Bearish 辩论右侧风控小组把关最后落到 Execution。二、建图setup.py 里节点与边的装配方式核心逻辑在 tradingagents/graph/setup.py 的GraphSetup.setup_graph()。它用 LangGraph 的StateGraph(AgentState)做三件事注册节点每位分析师注册三个节点——分析节点如Market Analyst、消息清理节点Msg Clear Market、工具节点tools_market。串接顺序边START → 第一位分析师分析师之间顺序传递最后一位分析师的清理节点接Quality Gate。编织条件边分析师 → 工具节点 → 分析师自身形成回环辩论与风控阶段则是多向条件跳转最后Portfolio Manager → END。每个分析师节点背后配一个专属ToolNode工具清单在 tradingagents/graph/trading_graph.py 的_create_tool_nodes()中定义。以游资追踪师为例它拥有龙虎榜、北向资金、资金流向、概念板块等 9 个 A 股特色工具——这是该框架适配「大 A」规则的关键。CLI 运行时可以在左侧面板实时看到 12 个阶段的推进状态右侧是消息与工具调用日志三、条件分支conditional_logic.py 只有 3 类判断整条流水线的「转向」全部由 tradingagents/graph/conditional_logic.py 一个类完成逻辑极简工具调用回环7 个分析师通用看最后一条消息有没有tool_calls——有就去tools_xxx节点执行工具然后回到分析师节点继续推理没有说明报告写完了进清理节点。这就是 LangGraph 中 ReAct 循环的标准写法。辩论轮数控制should_continue_debate()检查investment_debate_state[count] 2 * max_debate_rounds达到轮数上限就交给 Research Manager 裁决否则按「当前是谁在说」交替路由 Bull / Bear。风控轮转should_continue_risk_analysis()让激进 → 保守 → 中性三方循环发言满3 * max_risk_discuss_rounds轮后进入 Portfolio Manager。四、质量门控代码硬检查 LLM 复审的双层设计tradingagents/agents/quality_gate.py 是 7 份报告进入辩论前的「质检站」两层结构很值得借鉴第一层硬检查纯代码空报告直接 F少于 200 字给 D报告里出现「无法获取」「工具调用失败」等失败标记占比过高给 D缺少汇总表格或含「[数据缺失]」标记降为 B / C。第二层 LLM 复审只有硬检查失败数少于 4 时才调用大模型让「数据质量审核员」逐份打分并给出 A-F 评级和数据可信度结论结果写入 state 的data_quality_summary供后续辩论阶段引用——低质量报告会明确提示「谨慎使用」。这种「确定性检查兜底 LLM 精评」的分层模式比单纯让大模型自评更稳定、更省 token。五、执行与断点续跑trading_graph.py 的三段式生命周期入口类 TradingAgentsGraph 把一次运行拆成三个清晰的方法方法作用prepare_graph_run()初始化状态、注入历史记忆上下文开启 checkpoint 时用thread_id股票代码日期恢复断点_run_graph()graph.invoke()执行整张图debug 模式改用stream()逐节点打印finalize_graph_run()落盘完整状态 JSON、记录决策到记忆日志、清除 checkpoint亮点是断点续跑开启checkpoint_enabled后图会用 SqliteSaver 重新编译中断后再次运行同一标的和日期会从最后一个成功节点继续而不是从头烧一遍 token。风控辩论阶段则是三方观点交锋最终由组合经理统一裁决六、如何跑起来体验这条流水线 不想啃代码的话克隆仓库后启动内置 Web UI 即可git clone https://gitcode.com/gh_mirrors/tr/TradingAgents-astock tradingagents-web打开http://localhost:8501在侧边栏选 LLM 供应商输入 6 位 A 股代码和分析日期点击开始分析就能实时观看 12 个阶段逐个点亮总结TradingAgents-Astock 证明了 LangGraph 的一个核心范式把复杂业务拆成无状态节点用共享 State 传递数据用条件边控制流转。如果你想复刻自己的多Agent工作流建议按这个顺序读源码setup.py 看建图 → conditional_logic.py 看分支 → quality_gate.py 看节点设计 → trading_graph.py 看生命周期管理。四份文件读完一条生产级 LangGraph 流水线的完整骨架就装进你脑子里了。【免费下载链接】TradingAgents-astockA股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)7位分析师基于A股规则的辩论决策基于TradingAgents深度改造适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。项目地址: https://gitcode.com/gh_mirrors/tr/TradingAgents-astock创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
