想把 AI 拉来做交易分析但又不想被细节淹没，这个项目（aitrados/langchain-trading-agents）挺合适。它把决策拆成六个“人”：Manager Analyst、Technical Indicator Analyst、Price Action Analyst、News Analyst、Event Analyst、Decision Maker。你只需要一个提示词，就能让这六个人协同工作，最后在本地生成一份几万字级别的分析报告。根据这些报告去优化系统词和你的提问,最后走向ai程序化交易.

这六个人在做什

• 🎩 Manager Analyst（Benjamin Frost）

  • 职责：总体协调和策略规划。把任务分派给其他五人，控制流程和输出格式，做汇总优先级判断。
  • 用的数据：各 agent 的中间输出、项目配置、用户目标约束（风险偏好、时间框架）。

• 📊 Technical Indicator Analyst（Alexander III）

  • 职责：基于传统技术指标做量化分析（MA、RSI、MACD、布林等），输出指标序列和信号。
  • 用的数据：历史K线、成交量、已计算的技术指标。

• 📈 Price Action Analyst（Edward Sterling）

  • 职责：识别价格行为、形态和关键支撑/阻力（蜡烛图模式、趋势线、结构性突破）。
  • 用的数据：原始价格序列、高低点、成交结构。

• 📰 News Analyst（QIANG WANG）

  • 职责：抓取并分析新闻与情绪，评估短期影响并给出调整建议。
  • 用的数据：财经新闻流、公告、社交媒体情绪（可选）、来源时间戳与置信度。

• 📅 Event Analyst（Harrison Black）

  • 职责：结合经济日历和事件影响（利率决议、数据发布），判断事件窗口内的策略调整。
  • 用的数据：宏观日历、历史事件回放、事件前后行情反应模型。

• 🎯 Decision Maker（MR. Nightingale）

  • 职责：根据前五人输出做最终交易决策或建议（进场、出场、仓位和风险规则）。
  • 用的数据：五个 agent 的汇总分析、风险约束、资金管理规则。

项目地址:https://github.com/aitrados/langchain-trading-agents/

安装

pip install langchain-trading-agents

先运行金融数据mcp:

# Auto-detect .env file
finance-trading-ai-agents-mcp

# Specify .env file path
finance-trading-ai-agents-mcp --env-file .env

创建6个分析师工作的main.py (你最好使用他提供的案例,直接修改提问,就可以运行)

from common_lib_example import *
from langchain_trading_agents.bus_controls.ai_bus_control import AiBusControl, GraphState
from langchain_trading_agents.llm_model.sub_agents import ManagerAnalyst, DecisionMakerAnalyst

model_config = get_llm_model_config(ModelProvider.OLLAMA)

async def main():
    manager_ai = AiBusControl(ManagerAnalyst(**model_config), DecisionMakerAnalyst(**model_config))
    manager_ai.add_sub_agent(
        IndicatorAnalyst(**model_config),
        PriceActionAnalyst(**model_config),
        NewsAnalyst(**model_config),
        EventAnalyst(**model_config),
    )
    ask = "请帮我分析一下未来几天我应该如何交易**,周期是日线和小时,传统指标和支撑位压力位.我是看大周期做小周期,同时顺便分析下新闻和财经事件你帮我看看未来2-3天如何操盘"
    result: GraphState = await manager_ai.a_analyze(ask)

    print("Analysis results:\n")
    print(result)

if __name__ == "__main__":
    run_MyAsyncSubscribe()
    import asyncio
    asyncio.run(main())
    # Wait briefly for asynchronous conversation-record writing to finish
    sleep(0.8)

会生成6个人详细决策过程的文档. 接下来就优化你的系统和用户的提示词.

ai提示词优化的目的是限制ai的思维，让它更准确的回答用户的问题。

结合这个项目，目的是能够按照我们的设计的问题，让ai智能体回答，每个ai文字回答准确的时候，我们需要让它格式化输出程序能看得懂的数据格式，为后期接入程序化交易