TradingAgents 是什麼？爆紅的開源 AI 投資團隊框架，白話拆解運作、績效與台股用法

TradingAgents 是一個開源的「AI 投資研究團隊」框架：它用好幾個大型語言模型（LLM）分別扮演基本面分析師、新聞分析師、技術分析師、看多與看空研究員、交易員、風控與投資組合經理，讓它們讀資料、互相辯論，最後對一檔股票給出買進、持有或賣出的建議。專案由 Tauric Research 在 GitHub 上以 Apache 2.0 授權公開，截至 2026 年 10 月底累積超過 11.8 萬顆星，論文也被 ICML 2025 收錄。

最近這個專案在小紅書、抖音被包裝成「AI 圈股神」「華爾街恨死這個人」，影片底下一堆人留言問「股票 AI 哪個好用」。我們團隊把它的 README、設定檔和原始論文讀過一輪，結論先講：它是一套很值得學的多代理系統設計範本，拿來做投資研究的輔助也很有意思；把它當成穩賺的自動選股機，就會失望。下面用白話把它是什麼、怎麼運作、能不能賺錢、台股能不能用一次講清楚。

TradingAgents 是什麼？一張表看懂

一句話：它把一家投資公司的研究流程，拆成一群各司其職的 AI 角色。如果你第一次聽到「AI 代理（AI Agent）」這個詞，可以把它想成一個會自己查資料、會用工具、會寫報告的數位員工；我們在 AI Agent 是什麼 有更完整的入門說明。下面這張表是 TradingAgents 的基本資料。

專案的原始碼與更新紀錄都在 TradingAgents 的 GitHub 頁面，作者背景可以在 Yijia Xiao 的 GitHub 個人頁 看到。爆紅的原因不難理解：作者有對沖基金與量化交易公司的資歷，加上「把一整家交易公司的分工開源」這個故事很好傳。值得注意的是，熱度高代表很多人好奇，跟它能不能幫你賺錢是兩回事。

TradingAgents 怎麼運作：把一家投資公司拆成 AI 角色

先講結論：它的核心是「分工加辯論」。單一個 AI 一次看完所有資料容易顧此失彼，TradingAgents 讓每個角色只專心看一種資料，再讓意見相反的角色吵一架，最後由經理拍板。這跟真實投信、自營商的研究流程很像。

技術上，這些角色是用 LangGraph 串起來的。LangGraph 可以想成 AI 的流程圖工具：每個角色是圖上的一個節點，資料照箭頭往下傳，中途當掉還能從上一個節點接著跑。想深入了解可以看我們寫的 LangGraph 實戰指南。至於「讓 AI 互相辯論為什麼會比較準」，多 Agent 辯論架構 那篇有拆解背後的原理。

另外兩個設計很實用。一是快慢雙模型：分析師、研究員用便宜快速的模型，研究經理與投資組合經理用推理能力強的貴模型，把錢花在刀口上。二是決策記憶：每次分析的結論會記進一份紀錄，等持有期間過了，系統會回頭算這筆決定實際賺賠多少，寫一段檢討，下次分析同一檔股票時，經理會先讀過去的教訓。

這種「規則明確、每一步可以被檢查」的交易系統設計，我們自己也做過：期貨大富翁 是我們為微型台指期做的自動化交易系統，把策略訊號與執行下單拆開，再加一個唯讀儀表板監控部位，避免在監控畫面上誤觸交易。它走的是固定規則路線，跟 TradingAgents 用 AI 判斷剛好是兩種思路，後面會比較兩者差在哪。

TradingAgents 真的會賺錢嗎？論文數字與它自己寫的但書

一句話：論文的回測數字很漂亮，但測試期間只有三個月，作者自己也承認數字好到超出預期。TradingAgents 論文 用 2024 年 1 月到 3 月的美股資料做回測，拿來跟買進持有、MACD、KDJ 加 RSI、均線等傳統策略比較，結果如下。

夏普值是「每承擔一單位風險，換到多少報酬」的指標，一般認為超過 2 就很好、超過 3 算優秀。8.21 這個數字高得離譜，論文註腳也老實寫了三件事：

• 只測三個月，因為每做一次判斷要呼叫 11 次 LLM、20 次以上的工具，成本太高跑不長。
• 夏普值超出作者預期的經驗範圍，他們把交易紀錄匯出來檢查過計算沒錯，推測是那段期間剛好很少回檔。
• 照實回報實驗結果，未來要優化成本才能做更長期的回測。

官方 README 也寫得很直白：AI 每次跑出來的結果可能不一樣，績效會受模型、溫度參數、交易期間、資料品質影響，回測結果不保證跟任何公開數字一致，請把它當成研究多代理分析的鷹架，別當成報酬固定的策略。2026 年 9 月專案上了 Hacker News 討論串，拿到約 120 分、81 則留言，一位自稱在對沖基金工作十年的網友直言，這些 AI 角色底層其實是同一顆大腦，拆成專家的效果有限，Reddit 情緒也算不上真正的交易訊號；也有人追問到底有沒有長期的績效證明。

我們的讀法是：三個月、三檔科技股、還在 AI 行情的多頭期，這個樣本拿來證明「架構可行」夠了，拿來證明「長期穩定打敗大盤」遠遠不夠。真正的考驗是空頭、盤整、黑天鵝，這些論文都還沒碰到。

TradingAgents 跟 AI 選股、程式交易、機器人理財差在哪

先講結論：TradingAgents 是給研究者與工程師的研究工具，不是給一般投資人按一下就用的產品。很多人把它跟手機上的 AI 選股 App、券商的機器人理財搞混，下面這張表把常見的幾種工具攤開比較。

最大的差別在「可重現」。規則型程式交易像販賣機，投同樣的錢一定掉出同一瓶飲料；TradingAgents 比較像請一群分析師開會，同樣的資料今天和明天開，結論可能不同。這是語言模型本身的特性，官方也在 README 的「可重現性」章節特別說明。對研究來說這沒關係，對要拿真金白銀自動下單的系統來說，就是一個必須正視的風險。語言模型還有一個老問題：會一本正經地講錯，所以報告裡的數字與推論都要自己核對，可以參考 AI 幻覺驗證 SOP 的檢核方式。

想自己跑跑看 TradingAgents：安裝、費用與台股怎麼用

一句話：會用命令列、手上有一把 AI 模型的 API 金鑰，半小時內就能跑出第一份報告。下面是最短路徑。

ChatGPT Plus 或 Pro 的訂閱戶，在 v0.7.0 之後也能直接用訂閱額度跑，不另外申請 API 金鑰，但會吃掉你方案的使用上限。想完全不花模型費，可以接本機的 Ollama 跑開源模型，代價是要有夠力的電腦，判斷品質也會打折。

費用大概多少？

論文寫到每做一次判斷要呼叫 11 次 LLM、20 次以上的工具，研究深度開越高、辯論回合越多，呼叫次數越多。分析一檔股票一次大概是幾塊到幾十塊台幣，看你選哪家模型；如果拿來回測幾十檔股票、每週一次跑半年，帳單就會很可觀。建議先開最低研究深度、用便宜模型試水溫。模型費怎麼控管，可以參考 中小企業 AI Token 成本治理 與 Claude、ChatGPT、DeepSeek 成本實測。

台股能用嗎？

能跑，有幾個限制要先知道：

換句話說，拿它分析台積電、鴻海這種外資也在討論的大型股還堪用；中小型股、題材股的資訊會缺一大塊。要認真用在台股，得自己把在地新聞與論壇資料接進去，這就是寫程式的工作了。

新手看到 TradingAgents 最常有的五個誤解

短影音最愛的說法是「AI 股神」「華爾街恨死他」，下面把最常見的誤會一次破解。

還有一個比較隱晦的坑：偷看未來。回測時如果系統不小心讀到分析日期之後才公布的財報或新聞，績效就會灌水。TradingAgents 從 v0.4 到 v0.7.1 修了好幾輪這類問題，最新版本的更新紀錄還寫著「修正模型可能讀到執行日期之後才申報的財報」。連作者都要花好幾個版本處理，自己改程式做回測的人更要小心。AI 系統要怎麼驗收才算可信，可以參考 AI Agent 評估方法論。

用 TradingAgents 的法規與風險：自己研究可以，幫別人報明牌要小心

一句話：自己拿來研究、做決策參考沒問題，拿它的結果對外提供個股買賣建議就要注意法規。在台灣，未經主管機關許可經營證券投資顧問業務，依 證券投資信託及顧問法第 107 條，最重可處五年以下有期徒刑，併科新台幣一百萬元以上五千萬元以下罰金。把 AI 產出的「買進」報告包裝成付費訂閱、LINE 群明牌，就可能踩到這條線。

另外，模型與資料商的使用條款也要看。有些資料來源限制商業用途，有些 AI 服務的條款不允許拿來做特定的金融決策。公司要把這類系統放進正式流程，法務與資訊兩邊都該先看過一輪。

不炒股的公司，能從 TradingAgents 學到什麼

一句話：把「分析師、辯論、經理拍板」這套分工搬到公司流程，比拿它炒股更有價值。TradingAgents 最值得學的地方，是它示範了怎麼讓一群 AI 各自專精、互相制衡，最後留下一份看得懂理由的報告。這個模式換到企業裡，很多需要「多方意見再拍板」的流程都適用。

重點有兩個。第一，最後拍板的一定是人，AI 負責把資料讀完、把正反意見攤開；第二，每一步都留紀錄，事後能回頭查為什麼做這個決定，這也是 TradingAgents 那份決策記憶的精神。想先搞懂企業常見的 AI Agent 有哪幾種，可以看 AI Agent 有哪些；如果已經在評估要用哪個框架，AI Agent 框架選型指南 比較了 LangGraph、CrewAI 等主流選擇。

看到這裡，如果你也在想「公司哪個流程適合讓一群 AI 先討論、再交給人決定」，我們很樂意 聽你聊聊現在的流程，一起看看哪一段值得先做。還在想 AI 該從哪裡切入的，也可以從 AI 顧問服務 開始，先把流程畫清楚再談系統。