TradingAgents 项目技术架构详解

1. 项目概述

TradingAgents 是由 Tauric Research 开发的多智能体 LLM 金融交易框架（v0.2.5），发表于 arXiv（2412.20138）。它模拟真实世界交易公司的运作模式，部署多个专业化 LLM 驱动的智能体——从基本面分析师、情绪分析师、技术分析师，到交易员、风险管理和投资组合经理——协同评估市场条件并做出交易决策。

语言: Python ≥ 3.10
核心依赖: LangChain + LangGraph（状态图编排）、yfinance、pandas、Pydantic
LLM 支持: OpenAI、Google Gemini、Anthropic Claude、xAI Grok、DeepSeek、Qwen、GLM、MiniMax、OpenRouter、Ollama（本地）、Azure OpenAI、AWS Bedrock 等 15+ 提供商
数据源: Yahoo Finance、Alpha Vantage、FRED（宏观数据）、Polymarket（预测市场）、StockTwits、Reddit
部署方式: pip 安装、Docker、CLI 交互式运行

2. 整体架构

项目采用 LangGraph 状态图（StateGraph） 作为核心编排引擎，将复杂的交易分析任务分解为多个专业角色，按流水线顺序执行，最终产出交易决策。

架构分层

┌─────────────────────────────────────────────────────────┐
│                    CLI 层 (cli/)                         │
│  交互式界面 · Rich TUI · 用户选择 · 报告展示与保存       │
├─────────────────────────────────────────────────────────┤
│                 图编排层 (graph/)                         │
│  TradingAgentsGraph · StateGraph · 条件路由 · 信号处理   │
├─────────────────────────────────────────────────────────┤
│                 智能体层 (agents/)                        │
│  分析师 · 研究员 · 交易员 · 风险管理 · 投资组合经理      │
├─────────────────────────────────────────────────────────┤
│                 数据流层 (dataflows/)                     │
│  yfinance · Alpha Vantage · FRED · Polymarket · Reddit   │
├─────────────────────────────────────────────────────────┤
│                 LLM 客户端层 (llm_clients/)               │
│  工厂模式 · 多提供商适配 · 能力检测 · 结构化输出          │
└─────────────────────────────────────────────────────────┘

3. 核心工作流（LangGraph 状态图）

整个交易分析流程通过 LangGraph 的 StateGraph 编排为一个有向图，节点是各个智能体，边定义了数据流和控制流。

3.1 执行流水线

START
  │
  ▼
┌──────────────────┐
│  I. 分析师团队    │  （顺序执行，每个分析师带工具调用循环）
│  ├─ 市场分析师    │  → 股价数据 + 技术指标 + 验证快照
│  ├─ 情绪分析师    │  → 新闻 + StockTwits + Reddit（预取注入）
│  ├─ 新闻分析师    │  → 全球新闻 + 内幕交易 + 宏观指标 + 预测市场
│  └─ 基本面分析师  │  → 财务报表 + 资产负债表 + 现金流 + 利润表
└────────┬─────────┘
         ▼
┌──────────────────┐
│  II. 研究员团队   │  （多轮辩论制）
│  ├─ 看多研究员    │◄──┐  交替发言
│  ├─ 看空研究员    │───┘  (max_debate_rounds 轮)
│  └─ 研究经理      │  → 综合辩论 → 投资计划（结构化输出）
└────────┬─────────┘
         ▼
┌──────────────────┐
│  III. 交易员      │  → 将投资计划转化为具体交易提案（结构化输出）
└────────┬─────────┘
         ▼
┌──────────────────┐
│  IV. 风险管理团队 │  （三轮辩论制）
│  ├─ 激进分析师    │◄──┐
│  ├─ 保守分析师    │───┤  三人轮流发言
│  └─ 中性分析师    │───┘  (max_risk_discuss_rounds 轮)
└────────┬─────────┘
         ▼
┌──────────────────┐
│  V. 投资组合经理  │  → 最终交易决策（结构化输出）
└────────┬─────────┘
         ▼
        END

3.2 状态定义（`AgentState`）

核心状态继承自 LangGraph 的 MessagesState，并扩展了以下字段：

字段	类型	说明
`company_of_interest`	str	目标股票代码
`asset_type`	str	资产类型（stock/crypto）
`instrument_context`	str	确定性解析的工具上下文（公司名、行业等）
`trade_date`	str	分析日期
`market_report`	str	市场分析师报告
`sentiment_report`	str	情绪分析师报告
`news_report`	str	新闻分析师报告
`fundamentals_report`	str	基本面分析师报告
`investment_debate_state`	InvestDebateState	多空辩论状态
`investment_plan`	str	研究经理的投资计划
`trader_investment_plan`	str	交易员的交易提案
`risk_debate_state`	RiskDebateState	风险辩论状态
`final_trade_decision`	str	最终交易决策
`past_context`	str	历史决策记忆上下文

3.3 条件路由（`ConditionalLogic`）

分析师工具循环: 当 LLM 返回 tool_calls 时路由到对应的 ToolNode，否则清除消息进入下一分析师
研究辩论: Bull ↔ Bear 交替发言，达到 max_debate_rounds × 2 轮后交给 Research Manager
风险辩论: Aggressive → Conservative → Neutral 三人轮流，达到 max_risk_discuss_rounds × 3 轮后交给 Portfolio Manager

4. 智能体设计

4.1 分析师团队

市场分析师（`market_analyst.py`）

工具: get_stock_data、get_indicators、get_verified_market_snapshot
职责: 从预定义的技术指标列表（SMA、EMA、MACD、RSI、布林带、ATR、VWMA）中选择最多 8 个互补指标，生成技术分析报告
特殊机制: 调用 get_verified_market_snapshot 获取确定性数据快照，防止 LLM 编造价格数据

情绪分析师（`sentiment_analyst.py`）

数据源: Yahoo Finance 新闻 + StockTwits 消息 + Reddit 帖子（三个来源预取后注入 prompt）
输出: 结构化 SentimentReport（Pydantic 模型），包含 overall_band（6 级情绪）、overall_score（0-10 分）、confidence、narrative
设计决策: 不使用工具调用，数据预取后直接注入 prompt，避免 LLM 在工具调用过程中编造数据

新闻分析师（`news_analyst.py`）

工具: get_news、get_global_news、get_insider_transactions、get_macro_indicators、get_prediction_markets
职责: 综合全球新闻、内幕交易、宏观经济指标和预测市场数据

基本面分析师（`fundamentals_analyst.py`）

工具: get_fundamentals、get_balance_sheet、get_cashflow、get_income_statement
职责: 分析公司财务报表和基本面数据

4.2 研究员团队

看多/看空研究员（`bull_researcher.py` / `bear_researcher.py`）

基于四份分析师报告进行多轮辩论
每轮更新 investment_debate_state 中的历史记录和当前回应

研究经理（`research_manager.py`）

使用 deep_think_llm（更强的推理模型）
综合辩论结果，输出结构化 ResearchPlan：
- recommendation: Buy / Overweight / Hold / Underweight / Sell
- rationale: 辩论摘要
- strategic_actions: 具体行动建议

4.3 交易员（`trader.py`）

将研究经理的投资计划转化为具体交易提案
输出结构化 TraderProposal：
- action: Buy / Hold / Sell
- reasoning: 推理依据
- entry_price、stop_loss、position_sizing: 可选的具体参数

4.4 风险管理团队

三个辩论者角色（激进/保守/中性），围绕交易员的提案进行风险评估辩论：

激进分析师（aggressive_debator.py）: 强调高回报机会，支持冒险策略
保守分析师（conservative_debator.py）: 强调风险控制，主张谨慎
中性分析师（neutral_debator.py）: 平衡观点，综合考量

4.5 投资组合经理（`portfolio_manager.py`）

使用 deep_think_llm
综合风险辩论结果，输出结构化 PortfolioDecision：
- rating: Buy / Overweight / Hold / Underweight / Sell（5 级评级）
- executive_summary: 行动摘要
- investment_thesis: 详细投资论点
- price_target、time_horizon: 可选参数

5. LLM 客户端架构

5.1 工厂模式（`factory.py`）

python

create_llm_client(provider, model, base_url, **kwargs) → BaseLLMClient

原生 API: Anthropic、Google、Azure、Bedrock 各有独立客户端
OpenAI 兼容系列: 通过 OPENAI_COMPATIBLE_PROVIDERS 注册表统一管理，包含 15+ 提供商

5.2 OpenAI 兼容提供商注册表（`openai_client.py`）

提供商	端点	特殊处理
openai	api.openai.com	Responses API
xai	api.x.ai	-
deepseek	api.deepseek.com	reasoning_content 回传
qwen / qwen-cn	dashscope-intl / dashscope	双区域
glm / glm-cn	api.z.ai / open.bigmodel.cn	双区域
minimax / minimax-cn	api.minimax.io / api.minimaxi.com	reasoning_split
openrouter	openrouter.ai	-
ollama	localhost:11434	无密钥
openai_compatible	用户自定义	通用端点

5.3 模型能力表（`capabilities.py`）

声明式模型能力表，决定每个模型的结构化输出方式：

supports_tool_choice: 是否支持 tool_choice 参数
supports_json_mode / supports_json_schema: JSON 输出模式
preferred_structured_method: 首选结构化方法
requires_reasoning_content_roundtrip: DeepSeek 推理模式特有
requires_reasoning_split: MiniMax M2.x 推理模型特有

5.4 结构化输出机制

三个决策节点（Research Manager、Trader、Portfolio Manager）和 Sentiment Analyst 使用 Pydantic schema 进行结构化输出：

通过 bind_structured() 尝试绑定结构化输出
如果提供商不支持，自动降级为自由文本生成
结构化输出通过 render_*() 函数转回 markdown，保持下游兼容

6. 数据流架构

6.1 供应商路由系统（`interface.py`）

采用分层配置的供应商路由：

config["data_vendors"][category]  →  类别级默认
config["tool_vendors"][method]    →  工具级覆盖（优先级更高）

每个数据类别支持多供应商链式回退（如 "yfinance,alpha_vantage"），但不会静默使用未配置的供应商。

6.2 数据类别

类别	默认供应商	工具
core_stock_apis	yfinance	OHLCV 股价数据
technical_indicators	yfinance	技术指标
fundamental_data	yfinance	公司基本面
news_data	yfinance	新闻和内幕数据
macro_data	fred	宏观经济指标
prediction_markets	polymarket	预测市场概率

6.3 符号标准化（`symbol_utils.py`）

自动标准化 ticker 符号（如 XAUUSD → GC=F），确保价格查询和身份解析使用同一标的。

6.4 错误处理

VendorRateLimitError: 速率限制 → 尝试下一供应商
VendorNotConfiguredError: 供应商未配置 → 尝试下一供应商
NoMarketDataError: 无数据 → 返回 NO_DATA_AVAILABLE 哨兵值，明确告知 LLM 不要编造数据

7. 持久化与恢复

7.1 决策日志（`memory.py`）

位置: ~/.tradingagents/memory/trading_memory.md
格式: 追加式 markdown，每条记录包含：[日期 | Ticker | 评级 | 收益率 | Alpha | 持仓天数]
生命周期:
1. propagate() 结束时写入 pending 条目（Phase A）
2. 下次运行同一 ticker 时，获取实际收益率，生成反思，更新条目（Phase B）
记忆注入: Portfolio Manager 的 prompt 中注入最近 5 条同 ticker 决策 + 3 条跨 ticker 经验教训

7.2 检查点恢复（`checkpointer.py`）

启用方式: config["checkpoint_enabled"] = True 或 CLI --checkpoint
存储: 每个 ticker 一个 SQLite 数据库（~/.tradingagents/cache/checkpoints/<TICKER>.db）
机制: LangGraph 的 SqliteSaver 在每个节点后保存状态，崩溃后可从最后成功的步骤恢复
清理: 成功完成后自动清除检查点

7.3 报告保存

CLI 自动将分析报告保存为结构化目录：

reports/<TICKER>_<TIMESTAMP>/
├── 1_analysts/
│   ├── market.md
│   ├── sentiment.md
│   ├── news.md
│   └── fundamentals.md
├── 2_research/
│   ├── bull.md
│   ├── bear.md
│   └── manager.md
├── 3_trading/
│   └── trader.md
├── 4_risk/
│   ├── aggressive.md
│   ├── conservative.md
│   └── neutral.md
├── 5_portfolio/
│   └── decision.md
└── complete_report.md

8. CLI 设计（`cli/`）

8.1 技术栈

Typer: 命令行框架
Rich: 终端 UI（Live 布局、Panel、Table、Spinner、Markdown 渲染）

8.2 交互流程（8 步）

输入 ticker 符号（自动检测资产类型：stock/crypto）
选择分析日期
选择输出语言
选择分析师团队（可选组合）
选择研究深度（控制辩论轮数）
选择 LLM 提供商
选择思考模型（quick_think / deep_think）
配置提供商特定参数（推理努力级别等）

8.3 实时显示

进度面板: 各智能体状态（pending/in_progress/completed）
消息面板: 最近的消息和工具调用
报告面板: 当前正在生成的报告内容
统计面板: LLM 调用数、工具调用数、Token 用量、已用时间

9. 配置系统（`default_config.py`）

9.1 环境变量覆盖

所有配置项都支持 TRADINGAGENTS_* 环境变量覆盖：

环境变量	配置键	类型
`TRADINGAGENTS_LLM_PROVIDER`	llm_provider	str
`TRADINGAGENTS_DEEP_THINK_LLM`	deep_think_llm	str
`TRADINGAGENTS_QUICK_THINK_LLM`	quick_think_llm	str
`TRADINGAGENTS_LLM_BACKEND_URL`	backend_url	str
`TRADINGAGENTS_OUTPUT_LANGUAGE`	output_language	str
`TRADINGAGENTS_MAX_DEBATE_ROUNDS`	max_debate_rounds	int
`TRADINGAGENTS_TEMPERATURE`	temperature	float
`TRADINGAGENTS_CHECKPOINT_ENABLED`	checkpoint_enabled	bool

9.2 关键配置项

配置	默认值	说明
llm_provider	"openai"	LLM 提供商
deep_think_llm	"gpt-5.5"	复杂推理模型
quick_think_llm	"gpt-5.4-mini"	快速任务模型
max_debate_rounds	1	研究辩论轮数
max_risk_discuss_rounds	1	风险讨论轮数
news_article_limit	20	每个 ticker 最大新闻数
global_news_article_limit	10	全球新闻最大数
output_language	"English"	输出语言
benchmark_ticker	None（自动检测）	Alpha 计算基准

10. 项目目录结构

TradingAgents/
├── main.py                      # Python API 入口
├── pyproject.toml               # 项目元数据和依赖
├── Dockerfile                   # Docker 多阶段构建
├── docker-compose.yml           # Docker Compose 配置
├── cli/                         # CLI 层
│   ├── main.py                  # Typer 应用主入口
│   ├── config.py                # CLI 配置
│   ├── models.py                # CLI 数据模型
│   ├── utils.py                 # 用户交互工具函数
│   ├── stats_handler.py         # LLM/工具调用统计
│   ├── announcements.py         # 公告获取与展示
│   └── static/                  # 静态资源（欢迎文本等）
├── tradingagents/               # 核心包
│   ├── __init__.py              # 包初始化（dotenv 加载、警告过滤）
│   ├── default_config.py        # 默认配置和环境变量覆盖
│   ├── agents/                  # 智能体层
│   │   ├── __init__.py          # 智能体工厂函数导出
│   │   ├── schemas.py           # Pydantic 结构化输出 schema
│   │   ├── analysts/            # 分析师智能体
│   │   │   ├── market_analyst.py
│   │   │   ├── sentiment_analyst.py
│   │   │   ├── news_analyst.py
│   │   │   ├── fundamentals_analyst.py
│   │   │   └── social_media_analyst.py  # 已废弃别名
│   │   ├── researchers/         # 研究员智能体
│   │   │   ├── bull_researcher.py
│   │   │   └── bear_researcher.py
│   │   ├── managers/            # 管理者智能体
│   │   │   ├── research_manager.py
│   │   │   └── portfolio_manager.py
│   │   ├── risk_mgmt/           # 风险管理智能体
│   │   │   ├── aggressive_debator.py
│   │   │   ├── conservative_debator.py
│   │   │   └── neutral_debator.py
│   │   ├── trader/              # 交易员智能体
│   │   │   └── trader.py
│   │   └── utils/               # 智能体工具函数
│   │       ├── agent_states.py  # 状态定义（AgentState 等）
│   │       ├── agent_utils.py   # 通用工具（身份解析、消息删除等）
│   │       ├── core_stock_tools.py
│   │       ├── fundamental_data_tools.py
│   │       ├── macro_data_tools.py
│   │       ├── market_data_validation_tools.py
│   │       ├── news_data_tools.py
│   │       ├── prediction_markets_tools.py
│   │       ├── technical_indicators_tools.py
│   │       ├── memory.py        # 决策日志系统
│   │       ├── rating.py        # 5 级评级解析
│   │       └── structured.py    # 结构化输出辅助
│   ├── graph/                   # 图编排层
│   │   ├── trading_graph.py     # TradingAgentsGraph 主类
│   │   ├── setup.py             # StateGraph 构建
│   │   ├── propagation.py       # 状态初始化和传播
│   │   ├── conditional_logic.py # 条件路由逻辑
│   │   ├── signal_processing.py # 信号提取（评级解析）
│   │   ├── reflection.py        # 决策反思
│   │   ├── checkpointer.py      # 检查点恢复
│   │   └── analyst_execution.py # 分析师执行计划
│   ├── llm_clients/             # LLM 客户端层
│   │   ├── factory.py           # 工厂函数
│   │   ├── base_client.py       # 抽象基类
│   │   ├── openai_client.py     # OpenAI 兼容客户端 + 提供商注册表
│   │   ├── anthropic_client.py  # Anthropic 客户端
│   │   ├── google_client.py     # Google Gemini 客户端
│   │   ├── azure_client.py      # Azure OpenAI 客户端
│   │   ├── bedrock_client.py    # AWS Bedrock 客户端
│   │   ├── capabilities.py      # 模型能力声明表
│   │   ├── model_catalog.py     # 模型目录
│   │   ├── validators.py        # 模型验证
│   │   └── api_key_env.py       # API Key 环境变量映射
│   └── dataflows/               # 数据流层
│       ├── interface.py         # 供应商路由接口
│       ├── config.py            # 数据流配置
│       ├── errors.py            # 自定义错误类型
│       ├── y_finance.py         # Yahoo Finance 适配
│       ├── yfinance_news.py     # Yahoo Finance 新闻
│       ├── alpha_vantage*.py    # Alpha Vantage 适配（多个模块）
│       ├── fred.py              # FRED 宏观数据
│       ├── polymarket.py        # Polymarket 预测市场
│       ├── reddit.py            # Reddit 数据获取
│       ├── stocktwits.py        # StockTwits 数据获取
│       ├── stockstats_utils.py  # 技术指标计算
│       ├── symbol_utils.py      # 符号标准化
│       ├── market_data_validator.py  # 市场数据验证
│       └── utils.py             # 工具函数（安全 ticker 等）
├── tests/                       # 测试套件（46 个测试文件）
├── scripts/                     # 辅助脚本
└── reports/                     # 示例分析报告

11. 关键设计模式

11.1 双 LLM 策略

quick_think_llm: 用于分析师、研究员、交易员等日常任务（默认 gpt-5.4-mini）
deep_think_llm: 用于需要深度推理的研究经理和投资组合经理（默认 gpt-5.5）

11.2 工具调用循环

分析师使用 LangGraph 的 ToolNode 实现 ReAct 模式：LLM 决定调用哪些工具 → 执行工具 → 将结果返回 LLM → LLM 继续分析或生成报告。

11.3 多轮辩论机制

研究团队：Bull ↔ Bear 交替辩论，Research Manager 裁决
风险团队：Aggressive → Conservative → Neutral 三人轮流，Portfolio Manager 裁决
辩论轮数可配置（max_debate_rounds、max_risk_discuss_rounds）

11.4 结构化输出 + 降级

关键决策节点使用 Pydantic schema 进行结构化输出，不支持的提供商自动降级为自由文本，确保最大兼容性。

11.5 确定性身份解析

在分析开始前通过 yfinance 确定性地解析 ticker 的公司名称、行业、交易所等信息，注入所有智能体的 prompt，防止 LLM 根据价格图表模式错误推断公司身份。

11.6 记忆与反思系统

每次决策记录到追加式日志
下次运行同一 ticker 时获取实际收益，生成反思
反思内容注入 Portfolio Manager 的 prompt，实现经验学习

11.7 多市场支持

通过 benchmark_map 自动检测 ticker 的交易所后缀，选择对应的区域基准指数进行 Alpha 计算（如 .T → Nikkei 225，.HK → Hang Seng）。

12. 测试架构

框架: pytest + pytest-subtests
标记: unit（快速隔离）、integration（需外部服务）、smoke（快速检查）
覆盖: 46 个测试文件，覆盖 LLM 客户端、数据流、符号处理、CLI、检查点恢复、结构化输出等
Linting: ruff（pyflakes + pycodestyle + isort + bugbear + pyupgrade + comprehensions）

13. 部署

pip 安装

bash

pip install .

Docker

bash

docker compose run --rm tradingagents
# 本地 Ollama 模型
docker compose --profile ollama run --rm tradingagents-ollama

CLI 使用

bash

tradingagents              # 交互式 CLI
tradingagents analyze      # 分析命令
tradingagents analyze --checkpoint  # 启用检查点恢复

Python API

python

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.5"
config["quick_think_llm"] = "gpt-5.4-mini"

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

TradingAgents 项目技术架构详解 ​

1. 项目概述 ​

2. 整体架构 ​

架构分层 ​

3. 核心工作流（LangGraph 状态图） ​

3.1 执行流水线 ​

3.2 状态定义（AgentState） ​

3.3 条件路由（ConditionalLogic） ​

4. 智能体设计 ​

4.1 分析师团队 ​

市场分析师（market_analyst.py） ​

情绪分析师（sentiment_analyst.py） ​

新闻分析师（news_analyst.py） ​

基本面分析师（fundamentals_analyst.py） ​

4.2 研究员团队 ​

看多/看空研究员（bull_researcher.py / bear_researcher.py） ​

研究经理（research_manager.py） ​

4.3 交易员（trader.py） ​

4.4 风险管理团队 ​

4.5 投资组合经理（portfolio_manager.py） ​

5. LLM 客户端架构 ​

5.1 工厂模式（factory.py） ​

5.2 OpenAI 兼容提供商注册表（openai_client.py） ​

5.3 模型能力表（capabilities.py） ​

5.4 结构化输出机制 ​

6. 数据流架构 ​

6.1 供应商路由系统（interface.py） ​

6.2 数据类别 ​

6.3 符号标准化（symbol_utils.py） ​

6.4 错误处理 ​

7. 持久化与恢复 ​

7.1 决策日志（memory.py） ​

7.2 检查点恢复（checkpointer.py） ​

7.3 报告保存 ​

8. CLI 设计（cli/） ​

8.1 技术栈 ​

8.2 交互流程（8 步） ​

8.3 实时显示 ​

9. 配置系统（default_config.py） ​

9.1 环境变量覆盖 ​

9.2 关键配置项 ​

10. 项目目录结构 ​

11. 关键设计模式 ​

11.1 双 LLM 策略 ​

11.2 工具调用循环 ​

11.3 多轮辩论机制 ​

11.4 结构化输出 + 降级 ​

11.5 确定性身份解析 ​

11.6 记忆与反思系统 ​

11.7 多市场支持 ​

12. 测试架构 ​

13. 部署 ​

pip 安装 ​

Docker ​

CLI 使用 ​

Python API ​

TradingAgents 项目技术架构详解

1. 项目概述

2. 整体架构

架构分层

3. 核心工作流（LangGraph 状态图）

3.1 执行流水线

3.2 状态定义（`AgentState`）

3.3 条件路由（`ConditionalLogic`）

4. 智能体设计

4.1 分析师团队

市场分析师（`market_analyst.py`）

情绪分析师（`sentiment_analyst.py`）

新闻分析师（`news_analyst.py`）

基本面分析师（`fundamentals_analyst.py`）

4.2 研究员团队

看多/看空研究员（`bull_researcher.py` / `bear_researcher.py`）

研究经理（`research_manager.py`）

4.3 交易员（`trader.py`）

4.4 风险管理团队

4.5 投资组合经理（`portfolio_manager.py`）

5. LLM 客户端架构

5.1 工厂模式（`factory.py`）

5.2 OpenAI 兼容提供商注册表（`openai_client.py`）

5.3 模型能力表（`capabilities.py`）

5.4 结构化输出机制

6. 数据流架构

6.1 供应商路由系统（`interface.py`）

6.2 数据类别

6.3 符号标准化（`symbol_utils.py`）

6.4 错误处理

7. 持久化与恢复

7.1 决策日志（`memory.py`）

7.2 检查点恢复（`checkpointer.py`）

7.3 报告保存

8. CLI 设计（`cli/`）

8.1 技术栈

8.2 交互流程（8 步）

8.3 实时显示

9. 配置系统（`default_config.py`）

9.1 环境变量覆盖

9.2 关键配置项

10. 项目目录结构

11. 关键设计模式

11.1 双 LLM 策略

11.2 工具调用循环

11.3 多轮辩论机制

11.4 结构化输出 + 降级

11.5 确定性身份解析

11.6 记忆与反思系统

11.7 多市场支持

12. 测试架构

13. 部署

pip 安装

Docker

CLI 使用

Python API