一、写在前面

最近在 CSDN 上看到很多朋友问："LangChain 能不能做股票分析？""多智能体架构到底怎么落地？"——正好最近一个月我在做一个基于 TradingAgents 的 A 股分析系统，把架构拆成了 7 个 AI 角色协作，跑了几十支股票下来，踩的坑和心得都值得写一篇。

这篇文章不讲 ChatGPT 怎么使，也不打鸡血说 AI 能预测股价。只讲：一个多智能体股票分析系统，从设计到实现的完整技术拆解，方便你自己也能动手搭。

 二、为什么要用多智能体，而不是单模型一把梭？

你可能会问："丢给 DeepSeek 一支股票代码不就好了，为啥搞 7 个角色这么复杂？"

我的回答是：因为真实的股票研究就不是一个人做的。

看看券商的研究流程：宏观研究员看大势、行业研究员看赛道、买方分析师看公司、交易员看流动性、风控复核底线。每个角色专注不同维度，最后碰撞出决策。

单模型一把梭的典型问题：

问题	表现
幻觉严重	股价、财务数字瞎编
观点单一	只给结论、没有反驳
缺少风控	不提风险点
无法追溯	说"建议买入"但说不出为什么

多智能体的核心思路是：用分工降低幻觉、用辩论提升深度、用风控兜底线。

 三、TradingAgents 的 7 角色架构

先上图：

        

        3.1 第一层：4 个信息分析师（并行执行）

        这 4 个 Agent 完全并行，互不依赖。每个负责一个信息维度。

        **基本面分析师**负责拉近 3 年财务、财报、估值，核心工具：

from langchain.agents import Tool

fundamental_tools = [
    Tool(name="get_financial_report", func=fetch_tushare_report),
    Tool(name="get_industry_peer", func=fetch_industry_comparison),
    Tool(name="calc_valuation", func=calc_pe_pb_ratio),
]

        **技术分析师**负责 K 线、均线、MACD、RSI 等指标计算。关键不是让 LLM 算指标（LLM 算数不靠谱），而是**先用 pandas 算好，把结论丢给 LLM 做解读**。

        **新闻分析师**抓最近 30 天的新闻标题 + 摘要，让 LLM 做情感打分和归类。

        **情绪分析师**抓股吧、雪球、微博的散户讨论。

        3.2 第二层：多空辩论（核心亮点）

        把 4 个信息分析师的报告汇总后，系统创建两个对立角色：

bull_prompt = "
你是看多研究员。基于以下信息，尽力构建一个看多论证。
不要模棱两可，不要兼顾两面，就是要看多。
信息：{reports}
"
bear_prompt = "
你是看空研究员。基于以下信息，尽力构建一个看空论证。
不要模棱两可，不要兼顾两面，就是要看空。
信息：{reports}
"

        **关键点**：两个角色必须**强制站队**，否则 LLM 的天然倾向是"各打五十大板"。强制站队后，最终交易员看到的是真正的对抗观点，不是中庸结论。

        3.3 第三层：交易员（决策整合）

        交易员的输入是"看多 + 看空 + 4 份信息报告"，输出是"看多 / 中性 / 看空 + 理由 + 跟踪指标"。

        Prompt 设计要点：

你是资深交易员，综合以下信息做决策：
- 基本面报告：{...}
- 技术面报告：{...}
- 新闻面报告：{...}
- 情绪面报告：{...}
- 看多论证：{...}
- 看空论证：{...}

要求：
1. 判断当前信号（看多/中性/看空）
2. 说明最有分量的 3 条理由
3. 列出需要跟踪的 5 个指标
4. 禁止给出具体买卖点位（合规原则）

        3.4 第四层：风控（合规兜底）

        风控角色是最后一道防线，专门检查：

        - 交易员建议中是否有"一定""必涨"等过度承诺词

        - 是否遗漏了重大风险点（黑天鹅、政策、商誉）

        - 是否在合规红线内（不给具体价位）

        发现问题就打回重做。

四、实现中踩的坑

坑 1：并行调用太激进导致限流

4 个分析师并行时，如果都用 DeepSeek API，会被瞬间限速。解决：**混合模型**——基本面用 DeepSeek（推理深）、技术面用 Qwen（便宜）、新闻用 Qwen、情绪用 Qwen。既分散了压力又省了钱。

坑 2：上下文爆炸

4 份报告 + 多空辩论 + 交易员 Prompt 堆起来，轻松 30K token。解决：每层 Agent 输出前强制做摘要，只把摘要传下去，完整报告存到向量库供后续查询。

坑 3：多空辩论失控

LLM 倾向于"互相说服"，辩论几轮后都变成同一个观点。解决：**轮数限制在 3 轮**，每轮角色不能改变立场，超过就强制停止。
 

六、适合谁读这篇

- **LangChain 玩家**：想找一个有业务深度的应用 demo

- **量化/金融学生**：想把 AI 和金融结合做毕设或论文

- **产品经理**：想了解 AI 投研产品的技术边界

写在最后

多智能体不是银弹，但它解决了单模型的最大问题——观点单一和无法风控。对于投研这种需要多维权衡的场景，多智能体几乎是必然路径。

mpt 模板、数据源接入方案，我整理在这里：[多智能体 AI 股票分析架构完全解析]。

如果你在搭类似系统遇到问题，欢迎在评论区聊。

> 本文涉及的股票/投资内容仅为教学演示，不构成投资建议。

>  延伸阅读：[AI 股票分析工具盘点 2026]