新闻详情

新闻详情

首页 / 资讯中心 / 详情

大幅省下LLM费用:用个人Claude订阅驱动TradingAgents-Astock的完整配置教程

发布时间:2026/11/18 5:06:32来源:尧图网络
大幅省下LLM费用:用个人Claude订阅驱动TradingAgents-Astock的完整配置教程
大幅省下LLM费用用个人Claude订阅驱动TradingAgents-Astock的完整配置教程【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 是一个面向 A 股的多 Agent 投研框架7 位 AI 分析师基于龙虎榜、游资、解禁等 A 股特色数据源进行多空辩论并输出交易决策。每次完整分析需要 30-50 次 LLM 调用默认按 token 计费的 API 方式费用不菲。本文教你用个人 Claude Pro/Max 订阅额度驱动全部或部分节点让深度投研分析不再产生 API 账单大幅省下 LLM 费用。为什么 Claude 订阅能帮你省下 LLM 费用框架内置两种调用 Anthropic 模型的方式费用逻辑完全不同方式Provider计费方式适用场景API Key 调用anthropic按 token 计费用量越高账单越高无订阅用户订阅额度调用claude_agent_sdk消耗你个人 Pro/Max 订阅额度零 API 账单已有 Claude 订阅的个人用户关键在于Agent SDK 会拉起本机已登录的claude命令行会话把每次模型请求挂到你自己的订阅上。对高频跑分析的投研用户来说这是把30-50 次调用/轮的成本从按量付费变成月费包干的直接手段。⚠️ 该功能仅供个人自用——它消耗的是你自己账号的订阅额度把凭据做成给他人使用的服务需要 Anthropic 授权。一键安装环境准备与依赖安装1. 克隆仓库并安装基础环境git clone https://gitcode.com/gh_mirrors/tr/TradingAgents-astock cd TradingAgents-astock pip install -e .2. 安装可选的 [agentsdk] 依赖包订阅调用是可选能力通过pyproject.toml中声明的[agentsdk]extra 提供pip install -e .[agentsdk]依赖链为claude-agent-sdk → mcp → httpx2不碰httpx与 A 股数据源 mootdx 的版本约束无冲突无需单独建虚拟环境。3. 登录或固定你的 Claude 订阅凭据# 本机 claude CLI 已登录Pro/Max 账号即可直接用 claude setup-token # headless/CI 环境执行把输出的 token 设为 CLAUDE_CODE_OAUTH_TOKEN有图形界面的电脑上只要claudeCLI 处于登录状态就能直接跑无头服务器则需要显式导出CLAUDE_CODE_OAUTH_TOKEN环境变量。快速开启Web UI 三步配置订阅覆盖启动 Web UIstreamlit run web/app.py后侧栏提供了「个人 Claude 订阅覆盖 (Agent SDK)」三档选择源码见 web/components/sidebar.py无需写一行代码选择覆盖范围关闭—— 走侧栏上方选的常规供应商仅深度节点—— 只让 Research Manager / Portfolio Manager 两个深度推理节点走订阅最省额度所有节点—— 7 位分析师 多空研究员/交易员/风控辩手全部走订阅节省最彻底填写订阅模型推荐填别名opus深度节点或sonnet分析师节点。别名的优势是恒指向最新模型写死完整模型 id 会随版本迭代而过期开始分析侧栏会自动提示额度与降级状态Web UI 里选择的范围会实时写入会话状态下一轮分析立即生效。进阶配置config 文件精确控制订阅与降级CLI 或脚本用户可以直接在 config 字典中设置默认值定义在 tradingagents/default_config.pyconfig[deep_think_provider_override] claude_agent_sdk # 仅深度节点走订阅 config[quick_think_provider_override] claude_agent_sdk # 再加这一行 全节点覆盖 config[agent_sdk_model] opus # 深度节点订阅模型 config[agent_sdk_quick_model] sonnet # 分析师节点订阅模型更省额度撞额度自动降级绝不悄悄计费框架为这条订阅路径设计了两条明确的边界理解它们能帮你避免意外账单撞额度/SDK 故障 → 自动降级订阅按额度限流跑满后自动切回你配置的付费 provider可用agent_sdk_fallback_provider/agent_sdk_fallback_model指定分析不会中断凭据失效 → 直接报错中止OAuth token 过期时刻意不降级到计费 provider——你开订阅就是为了避免账单静默计费比报错更糟。报错信息会直接给出claude setup-token的修复步骤实现细节可参考 tradingagents/llm_clients/claude_agent_sdk_client.py厂商路由逻辑在 tradingagents/llm_clients/factory.py。常见问题与避坑指南Q.env里已有ANTHROPIC_API_KEY会影响订阅生效吗不会。API Key 的优先级虽高于订阅凭据但客户端在 Agent SDK 子进程环境里已将其显式置空订阅额度照常生效父进程保留它恰恰是为了让anthropic在撞额度后仍能作为降级 provider。若你不需要付费降级可在 .env 中顺手清掉它。Qrole_llms里单独配了角色的节点还能走订阅吗不能。role_llms中指定的角色会绕开订阅直接按 token 计费启动时会点名警告是哪几个角色。想全部省下来用上面两个 override 开关即可。QCLI 方式支持订阅覆盖吗CLI 交互向导cli/main.py目前以选择常规 LLM 供应商为主订阅覆盖建议通过 Web UI 或 config 文件设置配置一次后两种入口都能享受。总结配置项推荐值说明安装pip install -e .[agentsdk]一次安装长期免账单覆盖范围新手从仅深度节点起步额度吃紧时再扩到所有节点订阅模型深度opus/ 快速sonnet别名恒指向最新模型降级 provider保留任意付费供应商撞额度后无缝续跑按此教程配置完成后你的 TradingAgents-Astock 投研分析将主要消耗 Claude 订阅额度LLM 费用从按量焦虑变成月费包干。更多数据源与参数说明详见 README.md上游改动对照见 CHANGES_FROM_UPSTREAM.md。【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
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉