新闻详情

新闻详情

首页 / 资讯中心 / 详情

30 分钟跑通 TradingAgents-CN:多智能体金融分析框架的完整部署与验证

发布时间:2026/11/12 4:42:08来源:尧图网络
30 分钟跑通 TradingAgents-CN:多智能体金融分析框架的完整部署与验证
30 分钟跑通 TradingAgents-CN多智能体金融分析框架的完整部署与验证【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN如果你希望用多智能体大语言模型的方式分析股票——让技术面、基本面、新闻面和风控智能体依次分析、交叉讨论最终产出投资报告——TradingAgents-CN 就是为此设计的框架。本地部署完成后你会得到一个包含 Web 界面、命令行工具和分析流水线的可运行系统能直接对 A 股标的发起分析任务。本文把 TradingAgents-CN 部署这件事拆成四个按顺序完成的任务环境检查、首次启动、数据源配置、校验调优每一步都说明它为什么必要方便你对照执行。TradingAgents-CN 环境要求动手前先确认机器条件避免装到一半才发现问题。建议配置是 4 核 CPU、8GB 以上内存、50GB 可用磁盘SSD 优先操作系统支持 Windows 10/11、macOS 10.14、Ubuntu 18.04。软件侧有两条路线可选源码安装需要 Python 3.8Docker 安装需要 Docker 20.10。无论哪条路线MongoDB 和 Redis 都是依赖项默认端口 27017 与 6379——走源码时你要自行准备这两个服务走 docker-compose.yml 时它们会随容器一起起来无需额外安装。拉取代码并完成 TradingAgents-CN 安装确认环境没问题后先把代码拿到本地再一次性装好依赖git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN pip install -r requirements.txt cp .env.example .env第一条命令从仓库拉取源码第三条安装 requirements.txt 列出的全部 Python 依赖如果下载慢可以切换国内镜像源最后一条基于示例文件生成本地配置.env后面的数据库连接串、数据源密钥都写在里面。首次启动命令与端口冲突处理配置好.env之后先初始化再启动顺序不能反python scripts/init_system_data.py python -m app.main初始化脚本会往 MongoDB 写入默认用户和基础数据首次部署只跑一次第二条命令用 uvicorn 拉起后端app/core/config.py中PORT默认是 8000前端开发服务则跑在 http://localhost:3000浏览器打开即可进入界面。如果启动时报端口被占用说明 8000 或 3000 已被别的程序监听把.env里的PORT改成空闲值即可不必卸载占用方。想省掉源码环境这一套也可以直接用docker-compose up -d启动整套服务再访问 3000 端口验证。TradingAgents-CN 配置教程接入数据源系统能打开不等于能分析没有行情数据智能体拿到的是空输入。框架内置三个数据源初始化脚本位于cli/目录Tushare付费字段最全适合生产使用、AkShare免费和 Baostock免费。在.env中填入对应密钥后依次运行python cli/tushare_init.py、python cli/akshare_init.py这类脚本完成建表与数据填充。学习阶段用免费源即可正式使用前建议配上 Tushare并设置数据源优先级让某个源取数失败时自动降级到备用源。部署验证与性能调优最后用三步确认部署成功一是查看服务状态源码路线看 MongoDB、Redis、后端进程是否都在运行Docker 路线执行docker-compose ps确认四个容器均 healthy二是发起一次股票查询确认能返回行情而不是空结果三是提交一个完整分析任务确认报告能生成到data/reports/目录。如果报告生成偏慢优先检查 LLM 服务商的密钥与网络连通性其次再看 Redis 缓存是否生效并发数则根据机器内存保守调整即可。部署后的实用提醒三件事建议养成习惯定期备份.env与 MongoDB 数据配置丢了比代码难恢复API 密钥只存放在.env中不要写进代码或提交到版本库关注仓库的版本更新说明升级前先在测试环境验证一次。参考文档可查阅 docs/QUICK_START.md 与各数据源的部署文档。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN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 2026/11/11 13:52:51

【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 2026/11/10 19:42:40

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 2026/11/11 9:31:44

【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 ... 2026/11/11 5:36:08

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 2026/11/11 15:37:39

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 2026/11/10 17:14:10

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
📞 ✉