Tauric 的 TradingAgents 開源了一整座交易台

TradingAgents 是一套開源框架，將一筆交易決策拆解給多個專門的 LLM 智能體，模擬真實的交易組織：基本面分析師、情緒分析師、新聞分析師與技術分析師負責蒐集證據；看多與看空研究員以結構化回合進行辯論；交易員草擬提案；風險團隊審查曝險；投資組合經理在下單送進模擬交易所之前核准、否決或調整。它建構於 LangGraph 之上，支援十多家 LLM 供應商，包括 OpenAI、Anthropic、Google、DeepSeek、Qwen、GLM、Groq、Azure 與 Bedrock，並保留一份決策日誌，會對過去的已實現報酬進行反思，還能從檢查點恢復中斷的執行。搭配的 Trading-R1 專案則把同一組團隊套用到一個專門打造的金融 LLM 上。

押注的是：一家交易公司的完整工作流程——分析師、多空辯論、交易員、風險台、投資組合經理——應該屬於開源，讓開發者能端到端執行。

Tauric Research 是一家專注於智慧金融交易的 AI 研究公司。創辦人 Yijia Xiao 曾在清華大學攻讀電腦科學，師從智譜共同創辦人唐杰，之後前往 UCLA 攻讀博士，指導者為共同作者 Edward Sun、Di Luo 與 Wei Wang。團隊於 2024-12-28 將 TradingAgents 發布到 GitHub，附上一篇研究論文（arXiv 2412.20138），並未進行任何發布宣傳；該儲存庫的說明寫道，在收到大量詢問後，團隊決定將此框架完全開源。

這個低調的儲存庫在 2025 年初大多時候只是研究產物。2026 年二月，v0.2.0 加入多供應商 LLM 支援，專案開始攀升；當團隊於 2026 年三月宣布完全開源釋出時，它爆紅，36kr 報導截至月底已累積 39,000+ 顆星與 7,200+ 次 fork。到 2026 年五月初，TradingAgents 在 GitHub 的 Python 趨勢排行榜上位居第一，擁有 71,400+ 顆星與 13,800+ 次 fork，一週內增加超過 11,000 顆星，TMTPost 將其詮釋為垂直工作流程正在開發者關注度上取代通用編排框架的證明。春季期間的釋出陸續加入決策記憶、檢查點續跑、結構化輸出與有依據的情緒分析師；2026 年八月的 v0.4.0 則加入前視偏差修正與決策日誌記憶。

截至 2026-09-05，TradingAgents 仍在運作且持續成長——TechTarget 九月初的每週清單再次將其列入成長最快的 20 個儲存庫——v0.4.0 已於八月釋出。它仍是一套研究框架，並明確聲明不構成投資建議，且報酬會隨模型、資料與設定而異；Tauric Research 並未公布任何營收或募資數字。這套爆紅的開源工作流程能否轉化為商業產品，以及其決策在真實資金下是否站得住腳，仍未有定論。

若要求單一模型同時扮演分析師、反方論者、交易員與風險經理，產出的是黑箱；讓各自獨立的智能體進行結構化辯論，則每一步都有可稽核的負責人。

垂直、經驗證的工作流程回答的是「我今天要跑什麼」，而不是「我要如何編排我的智能體」，這正是 TradingAgents 能在 Python 趨勢排行榜上取代通用框架的原因。

完全開源是一步刻意的信任策略：金融開發者不會把封閉系統接進自己的研究，但他們會為一個可檢視、可擴充的透明系統按星與 fork。

僅供研究的免責聲明設定了誠實的期待——本專案的價值在於作為研究多智能體分析的鷹架，而非宣稱它能印鈔票。

開發者按星的是完整、可稽核的工作流程，而不是一個聰明的模型——真正有價值的押注，是把一家公司的整個決策流程包裝成可執行的開源軟體。

TradingAgents 從一個低調的研究儲存庫，變成 2026 年 GitHub 成長最快的專案之一：三月底已達 39,000+ 顆星，五月初達 71,400+ 顆星，並在 v0.4.0 之後於九月初擠進每週前 20 名。Tauric Research 規模仍小——三個公開儲存庫——除了這套框架與 Trading-R1 研究線之外，並未揭露營收或募資。社群採用能否轉化為付費用戶，以及一個明確不作為投資建議的研究工具能否留住受眾，仍是未解的問題。