TradingAgents-CN 最终交易决策报告详解从风控辩论到 final_trade_decision.md 的生成机制与实战解读【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN本文以 TradingAgents-CN 对五粮液000858在 2025-07-28 生成的一份真实产物 final_trade_decision.md 为主体完整拆解这份最终交易决策报告的五段式结构与全部关键参数仓位重组、领口策略、情景目标价表、风险收益比并结合 风险管理节点源码、状态定义与报告导出管线说明它是如何由交易员计划 → 三位风险分析师辩论 → 风控委员会裁决这条调用链产生、落盘并被信号处理器消费的。读完本文你既能看懂一份最终决策报告的每个数字来自哪类论据也能在自己的实例中定位、复现并验证该报告的生成流程。一、这份报告在系统中的位置一次完整多智能体分析的最终裁决在 TradingAgents-CN 的工作流中一次标的分析会依次产出多个模块报告最终交易决策是其中处于最下游的一份。以五粮液 2025-07-28 的分析为例报告目录 data/analysis_results/detailed/000858/2025-07-28/reports/ 下共包含六个文件文件对应角色/模块market_report.md市场分析师fundamentals_report.md基本面分析师news_report.md新闻分析师trader_investment_plan.md交易员原始计划investment_plan.md研究经理多空辩论综合决策final_trade_decision.md风险管理委员会最终裁决从源码结构看ReportExporter 内部维护了一张模块映射表其中final_trade_decision明确映射到文件名final_trade_decision.md、标题为最终投资决策且只有当状态中存在该键时才会写入文件见 report_exporter.py 的模块定义与 L725-L753 的落盘循环。分析元数据股票代码、分析日期、研究深度、报告数量等则一并写入同级的analysis_metadata.json。也就是说final_trade_decision.md不是人工撰写的文档而是风控节点 LLM 输出的逐字持久化——读懂它就读懂了整条风控决策链的结论形态。二、报告主体解读五段式结构与完整决策要素以下按原文档骨架逐节展开并保留原文档中的全部参数与表格确保信息完整继承。2.1 最终立场持有有条件观望报告开篇即给出结论最终建议持有有条件观望核心逻辑风险与机遇的临界点需数据验证当前仓位需动态调整这对应了 risk_manager.py 提示词中的硬性要求——您的决策必须产生明确的建议买入、卖出或持有。只有在有具体论据强烈支持时才选择持有。本例中风控委员会选择持有并给出了具体论据支撑市场已进入等待催化剂阶段即 8 月 25 日中秋经销商打款数据是关键验证节点。这正符合提示词持有不是万能后备选项的设计意图。2.2 第一节关键论点提炼与反驳报告先对辩论中三方观点做提炼 反驳而不是简单复述。完整继承了原文档的三段式激进派被忽视的真相技术面博弈布林带收窄与北向资金增持确实暗示变盘可能但 7 月 28 日跌破短期均线组合5/10 日已削弱突破动能。估值安全垫DCF 模型 138–152 元区间基于永续增长 3%但若消费税落地需下调至 125–135 元中性派修正。保守派过度反应之处库存恐慌120 天周转期虽高但直营渠道占比提升可逐步消化中性派指出数字化直营降低波动性。期权对冲成本买入认沽期权 IV 处于低位18%但领口策略中性派建议可降低对冲成本 40%。决定性平衡点中性派提出的非对称机会最具实操价值——当前价格已反映 70% 悲观预期但中秋打款数据若超 65% 将触发估值修复。值得注意的交叉印证DCF 内在价值区间138–152 元永续增长率 3%、WACC 9%与同日 fundamentals_report.md 中DCF 模型测算假设永续增长率 3%、WACC 9%内在价值区间 ¥138–152完全一致说明风控节点确实读入了基本面报告并复用了其量化结论120 天库存周转批价 980 元 / 出厂价 969 元等数字也均可在同日 investment_plan.md 的多空辩论总结中找到出处。2.3 第二节改进后的交易计划含期权领口参数这是全文实战密度最高的部分原文档给出了两步完整执行方案步骤 1仓位重组立即执行减持 20% 仓位在 124 元上方减持部分头寸锁定利润。构建领口策略Collar买入 1 个月 110 元认沽期权权利金约 2.5%卖出 130 元认购期权权利金收入 1.8%净成本 0.7%将最大亏损控制在 8%现价至 110 元保留上涨至 130 元的空间。步骤 2数据验证8 月 25 日关键节点若中秋打款 ≥ 70%加仓至原仓位止损上移至 125 元若打款 65–70%维持现有对冲仓位观望若打款 65%触发剩余仓位止损118 元反手买入 90 元远期认沽期权。对照上游产物可以看到改进具体改进在哪交易员原始计划trader_investment_plan.md的建议是卖出置信度 0.75、风险评分 0.65对冲方案为买入 1 个月 120 元认沽期权成本约 3%研究经理决策investment_plan.md则是卖出短期→ 持有中期观望触发条件为跌破 122 元或反弹至 125 元未放量即减持 50%。风控委员会的最终版本把一次性减持 50%改为减持 20% 净成本 0.7% 的领口对冲把单纯的方向性卖出改成了保留双向灵活性的结构化方案——这正是 risk_manager.py 提示词中从交易员的原始计划开始根据分析师的见解进行调整的直接产物。2.4 第三节目标价修正与风险收益比完整情景表原文档的核心表格完整保留如下情景触发条件1 个月目标价风险收益比突破打款≥70% 放量突破 125 元130 元1:4.3震荡打款 65–70% 批价稳 980 元120–125 元1:1.2崩盘打款65% 库存暴雷105 元1:0.8最优路径当前风险收益比 1:2.1中性情景未达激进派 1:4 的吸引力但保守派 1:0.8 的悲观预期亦过度。对比研究经理版本的情景表乐观 130/140、基准 110/100、悲观 95/85含 3 个月维度可以看到风控委员会对目标价做了系统性收敛悲观情景从 95 元上修到 105 元、基准从 110 元上修到 120–125 元且新增触发条件 风险收益比两列把模糊的乐观/基准/悲观改写成可判定、可量化的执行规则。这种把辩论结论压缩成触发器矩阵的写法是 final_trade_decision 区别于上游报告的标志性特征。2.5 第四节从历史错误中改进的决策2022 年教训应用不再单纯依赖 PE 分位数去年 15 倍 PE 后继续下跌至 12 倍而是结合库存周转与政策风险动态调整避免非黑即白决策领口策略替代单纯买入/卖出保留双向灵活性。关键改进点数据驱动8 月 25 日打款数据公布前保持防御姿态成本控制领口策略净成本 0.7% 远低于单独买入认沽3%。从源码结构看2022 年教训这类跨期经验最可能的来源是风控节点的历史记忆检索risk_manager_node 会在提示词拼装前调用memory.get_memories(curr_situation, n_matches2)将检索到的历史建议rec[recommendation]注入{past_memory_str}并要求 LLM使用其中的经验教训来解决先前的误判。提示词中从过去的错误中学习一条L43与报告第四节的标题措辞几乎一一对应可以推断这一节正是由该记忆注入机制驱动的。2.6 第五节最终操作建议短中期行动清单与风险提示原文档的收尾清单完整继承短期1 周内持有核心仓位80%领口策略对冲若股价无量反弹至 125 元减持至 60% 仓位。中期1 个月唯一加仓条件打款 ≥ 70% 且批价站稳 990 元清仓条件打款 65% 或有效跌破 118 元20 日线下穿 30 日线。风险提示警惕 8 月 CPI 数据若低于预期可能引发消费股集体抛售关注茅台 1935 的渠道政策变化潜在价格战风险。结论在 124 元现价下持有但防御是最优解。市场已进入等待催化剂阶段领口策略以 0.7% 成本为观望赢得时间避免过早押注方向。此方案综合了三位分析师的合理关切且修正了 2022 年过早抄底的错误。唯一加仓条件 / 清仓条件的表述方式值得学习它把后续操作全部绑定到可观测变量打款比例、批价、118 元技术位上而非主观判断这使该决策在数据公布后无需二次辩论即可机械执行。三、源码级溯源final_trade_decision 是如何被写进状态的3.1 风控节点裁判 Prompt 的四项决策指导生成该报告的节点是 create_risk_manager 返回的risk_manager_node。它从 LangGraph 状态中取出五类输入拼装curr_situationmarket_report、sentiment_report、news_report、fundamentals_report另加上investment_plan研究经理决策、交易员计划trader_plan以及风险辩论历史state[risk_debate_state][history]L13-L24。提示词中的决策指导原则共四条总结关键论点、提供理由引用辩论原文、完善交易员计划、从过去的错误中学习——报告的五节结构几乎就是这四条原则的逐条落地其中1. 关键论点提炼与反驳对应第 1、2 条2./3. 交易计划与目标价对应第 3 条4. 从历史错误中改进对应第 4 条5. 最终操作建议对应交付物要求的明确且可操作的建议买入、卖出或持有。提示词末尾还注入了两个约束build_instrument_context(company_name)生成的标的约束L14、L49-L50以及请用中文撰写所有分析内容和建议——这解释了为何报告全文为中文且标的信息000858、人民币计价始终一致。3.2 可靠性设计重试、最小长度校验与默认兜底LLM 调用带完整防护L74-L146最多3 次重试每次失败后等待 2 秒响应需通过len(response_content) 10的最小长度校验否则视为无效重新尝试每次调用记录耗时、估算 token按约 1.8 字符/token 保守折算与 LLM 返回的实际token_usage若三次全部失败不中断流程而是写入一段结构化默认决策默认建议持有含理由、建议与此为系统默认建议的免责标注保证下游节点与报告导出永不拿到空值。这一兜底机制也解释了该类报告的下限形态即使 LLM 完全不可用final_trade_decision.md依然会生成只是内容为模板化的持有建议——阅读该报告时可先用这一特征判断它是真实推理产物还是降级产物本例显然属于前者。3.3 状态流转从辩论历史到全局状态键节点最终返回两个键L148-L166return { risk_debate_state: new_risk_debate_state, # latest_speaker 置为 Judge final_trade_decision: response_content, }其中latest_speaker: Judge标记辩论由裁判收尾。final_trade_decision本身是全局状态的一个字符串字段在 agent_states.py 中声明为final_trade_decision: Annotated[str, Final decision made by the Risk Analysts]与trader_investment_plan、investment_plan共同构成计划 → 决策链条的末端。3.4 下游消费信号处理器与报告导出图的执行收尾处决策文本被送入信号处理器做结构化抽取trading_graph.py 中decision self.process_signal(final_state[final_trade_decision], company_name)并附上所用模型信息decision[model_info]。也就是说报告中的持有结论除了供人阅读还会被程序解析为action / confidence / risk_score / target_price等结构化字段供交易模块使用process_signal的解析逻辑见 tradingagents/graph/trading_graph.py。与此同时ReportExporter 完成落盘generate_markdown_report将风控辩论三方发言risky_history / safe_history / neutral_history与裁判裁决judge_decision组装进合并报告L300-L329分模块导出时再单独写出final_trade_decision.mdL706-L710、L748-L753并生成含research_depth、reports_count的analysis_metadata.json若启用了 MongoDB 报告存储还会同步入库L797-L803。Web 端展示侧同样以final_trade_decision为独立模块键标签为 最终交易决策见 web/components/analysis_results.py 中的模块映射CLI 与 Web 两条链路读取的是同一份状态键。四、方法论提炼一份合格的 final_trade_decision 应包含什么结合本例与源码约束可以把该报告类型的合格标准归纳为可检查的清单明确立场必须落到买入/卖出/持有之一提示词强制项持有必须附带具体论据如本例的等待催化剂逻辑论点级而非结论级引用对三方观点逐一提炼并反驳第一节能溯源到辩论历史与上游四份报告中的具体数字本例的 DCF 区间、120 天库存、批价 980 元均可在同日其他报告中交叉验证可执行的结构化计划仓位动作、期权参数行权价、期限、权利金、净成本、止损/加仓/清仓触发条件全部量化第二、五节使 8 月 25 日数据公布后可机械执行情景化目标价矩阵每个情景绑定触发条件与风险收益比第三节拒绝单点预测跨期经验修正从历史记忆中提取的教训要能指出上一版决策的具体错误第四节2022 年过早抄底降级可识别LLM 失败时存在默认决策兜底risk_manager.py阅读时应留意报告是否为模板化降级输出。五、复现与查阅路径如果你想在自己的 TradingAgents-CN 实例上验证上述流程可以从以下入口入手均为仓库内只读查阅与按文档运行运行分析入口见 app/main.py、main.py 及 cli/main.pyCLI 支持对单标的发起深度分析并生成同结构报告观察风控节点调试时关注日志前缀[Risk Manager]Prompt 长度、重试次数、耗时与 token 估算均在该节点输出见 risk_manager.py产物核对分析完成后在data/analysis_results/detailed/{代码}/{日期}/reports/下比对六份模块报告与analysis_metadata.json其中final_trade_decision.md应与风控节点 LLM 输出逐字一致相关测试报告保存与状态结构可参考 tests/0.1.14/test_analysis_save.py、tests/test_analysis_result.py、tests/test_enhanced_analysis_history.py 中对final_trade_decision键的断言架构背景多智能体图的整体结构可参阅 docs/architecture/v0.1.13/graph-structure.md 与 docs/architecture/report-modules-structure.md。需要说明的适用前提本文所有结论基于当前仓库中 2025-07-28 五粮液这一份真实产物及其对应的当前源码实现报告中的行情、估值、期权权利金等数字是当日 LLM 分析输出的结论属于该次分析的观点而非实时市场事实引用时应以其标注的分析日期为准。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TradingAgents-CN 最终交易决策报告详解：从风控辩论到 final_trade_decision.md 的生成机制与实战解读
TradingAgents-CN 最终交易决策报告详解从风控辩论到 final_trade_decision.md 的生成机制与实战解读【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN本文以 TradingAgents-CN 对五粮液000858在 2025-07-28 生成的一份真实产物 final_trade_decision.md 为主体完整拆解这份最终交易决策报告的五段式结构与全部关键参数仓位重组、领口策略、情景目标价表、风险收益比并结合 风险管理节点源码、状态定义与报告导出管线说明它是如何由交易员计划 → 三位风险分析师辩论 → 风控委员会裁决这条调用链产生、落盘并被信号处理器消费的。读完本文你既能看懂一份最终决策报告的每个数字来自哪类论据也能在自己的实例中定位、复现并验证该报告的生成流程。一、这份报告在系统中的位置一次完整多智能体分析的最终裁决在 TradingAgents-CN 的工作流中一次标的分析会依次产出多个模块报告最终交易决策是其中处于最下游的一份。以五粮液 2025-07-28 的分析为例报告目录 data/analysis_results/detailed/000858/2025-07-28/reports/ 下共包含六个文件文件对应角色/模块market_report.md市场分析师fundamentals_report.md基本面分析师news_report.md新闻分析师trader_investment_plan.md交易员原始计划investment_plan.md研究经理多空辩论综合决策final_trade_decision.md风险管理委员会最终裁决从源码结构看ReportExporter 内部维护了一张模块映射表其中final_trade_decision明确映射到文件名final_trade_decision.md、标题为最终投资决策且只有当状态中存在该键时才会写入文件见 report_exporter.py 的模块定义与 L725-L753 的落盘循环。分析元数据股票代码、分析日期、研究深度、报告数量等则一并写入同级的analysis_metadata.json。也就是说final_trade_decision.md不是人工撰写的文档而是风控节点 LLM 输出的逐字持久化——读懂它就读懂了整条风控决策链的结论形态。二、报告主体解读五段式结构与完整决策要素以下按原文档骨架逐节展开并保留原文档中的全部参数与表格确保信息完整继承。2.1 最终立场持有有条件观望报告开篇即给出结论最终建议持有有条件观望核心逻辑风险与机遇的临界点需数据验证当前仓位需动态调整这对应了 risk_manager.py 提示词中的硬性要求——您的决策必须产生明确的建议买入、卖出或持有。只有在有具体论据强烈支持时才选择持有。本例中风控委员会选择持有并给出了具体论据支撑市场已进入等待催化剂阶段即 8 月 25 日中秋经销商打款数据是关键验证节点。这正符合提示词持有不是万能后备选项的设计意图。2.2 第一节关键论点提炼与反驳报告先对辩论中三方观点做提炼 反驳而不是简单复述。完整继承了原文档的三段式激进派被忽视的真相技术面博弈布林带收窄与北向资金增持确实暗示变盘可能但 7 月 28 日跌破短期均线组合5/10 日已削弱突破动能。估值安全垫DCF 模型 138–152 元区间基于永续增长 3%但若消费税落地需下调至 125–135 元中性派修正。保守派过度反应之处库存恐慌120 天周转期虽高但直营渠道占比提升可逐步消化中性派指出数字化直营降低波动性。期权对冲成本买入认沽期权 IV 处于低位18%但领口策略中性派建议可降低对冲成本 40%。决定性平衡点中性派提出的非对称机会最具实操价值——当前价格已反映 70% 悲观预期但中秋打款数据若超 65% 将触发估值修复。值得注意的交叉印证DCF 内在价值区间138–152 元永续增长率 3%、WACC 9%与同日 fundamentals_report.md 中DCF 模型测算假设永续增长率 3%、WACC 9%内在价值区间 ¥138–152完全一致说明风控节点确实读入了基本面报告并复用了其量化结论120 天库存周转批价 980 元 / 出厂价 969 元等数字也均可在同日 investment_plan.md 的多空辩论总结中找到出处。2.3 第二节改进后的交易计划含期权领口参数这是全文实战密度最高的部分原文档给出了两步完整执行方案步骤 1仓位重组立即执行减持 20% 仓位在 124 元上方减持部分头寸锁定利润。构建领口策略Collar买入 1 个月 110 元认沽期权权利金约 2.5%卖出 130 元认购期权权利金收入 1.8%净成本 0.7%将最大亏损控制在 8%现价至 110 元保留上涨至 130 元的空间。步骤 2数据验证8 月 25 日关键节点若中秋打款 ≥ 70%加仓至原仓位止损上移至 125 元若打款 65–70%维持现有对冲仓位观望若打款 65%触发剩余仓位止损118 元反手买入 90 元远期认沽期权。对照上游产物可以看到改进具体改进在哪交易员原始计划trader_investment_plan.md的建议是卖出置信度 0.75、风险评分 0.65对冲方案为买入 1 个月 120 元认沽期权成本约 3%研究经理决策investment_plan.md则是卖出短期→ 持有中期观望触发条件为跌破 122 元或反弹至 125 元未放量即减持 50%。风控委员会的最终版本把一次性减持 50%改为减持 20% 净成本 0.7% 的领口对冲把单纯的方向性卖出改成了保留双向灵活性的结构化方案——这正是 risk_manager.py 提示词中从交易员的原始计划开始根据分析师的见解进行调整的直接产物。2.4 第三节目标价修正与风险收益比完整情景表原文档的核心表格完整保留如下情景触发条件1 个月目标价风险收益比突破打款≥70% 放量突破 125 元130 元1:4.3震荡打款 65–70% 批价稳 980 元120–125 元1:1.2崩盘打款65% 库存暴雷105 元1:0.8最优路径当前风险收益比 1:2.1中性情景未达激进派 1:4 的吸引力但保守派 1:0.8 的悲观预期亦过度。对比研究经理版本的情景表乐观 130/140、基准 110/100、悲观 95/85含 3 个月维度可以看到风控委员会对目标价做了系统性收敛悲观情景从 95 元上修到 105 元、基准从 110 元上修到 120–125 元且新增触发条件 风险收益比两列把模糊的乐观/基准/悲观改写成可判定、可量化的执行规则。这种把辩论结论压缩成触发器矩阵的写法是 final_trade_decision 区别于上游报告的标志性特征。2.5 第四节从历史错误中改进的决策2022 年教训应用不再单纯依赖 PE 分位数去年 15 倍 PE 后继续下跌至 12 倍而是结合库存周转与政策风险动态调整避免非黑即白决策领口策略替代单纯买入/卖出保留双向灵活性。关键改进点数据驱动8 月 25 日打款数据公布前保持防御姿态成本控制领口策略净成本 0.7% 远低于单独买入认沽3%。从源码结构看2022 年教训这类跨期经验最可能的来源是风控节点的历史记忆检索risk_manager_node 会在提示词拼装前调用memory.get_memories(curr_situation, n_matches2)将检索到的历史建议rec[recommendation]注入{past_memory_str}并要求 LLM使用其中的经验教训来解决先前的误判。提示词中从过去的错误中学习一条L43与报告第四节的标题措辞几乎一一对应可以推断这一节正是由该记忆注入机制驱动的。2.6 第五节最终操作建议短中期行动清单与风险提示原文档的收尾清单完整继承短期1 周内持有核心仓位80%领口策略对冲若股价无量反弹至 125 元减持至 60% 仓位。中期1 个月唯一加仓条件打款 ≥ 70% 且批价站稳 990 元清仓条件打款 65% 或有效跌破 118 元20 日线下穿 30 日线。风险提示警惕 8 月 CPI 数据若低于预期可能引发消费股集体抛售关注茅台 1935 的渠道政策变化潜在价格战风险。结论在 124 元现价下持有但防御是最优解。市场已进入等待催化剂阶段领口策略以 0.7% 成本为观望赢得时间避免过早押注方向。此方案综合了三位分析师的合理关切且修正了 2022 年过早抄底的错误。唯一加仓条件 / 清仓条件的表述方式值得学习它把后续操作全部绑定到可观测变量打款比例、批价、118 元技术位上而非主观判断这使该决策在数据公布后无需二次辩论即可机械执行。三、源码级溯源final_trade_decision 是如何被写进状态的3.1 风控节点裁判 Prompt 的四项决策指导生成该报告的节点是 create_risk_manager 返回的risk_manager_node。它从 LangGraph 状态中取出五类输入拼装curr_situationmarket_report、sentiment_report、news_report、fundamentals_report另加上investment_plan研究经理决策、交易员计划trader_plan以及风险辩论历史state[risk_debate_state][history]L13-L24。提示词中的决策指导原则共四条总结关键论点、提供理由引用辩论原文、完善交易员计划、从过去的错误中学习——报告的五节结构几乎就是这四条原则的逐条落地其中1. 关键论点提炼与反驳对应第 1、2 条2./3. 交易计划与目标价对应第 3 条4. 从历史错误中改进对应第 4 条5. 最终操作建议对应交付物要求的明确且可操作的建议买入、卖出或持有。提示词末尾还注入了两个约束build_instrument_context(company_name)生成的标的约束L14、L49-L50以及请用中文撰写所有分析内容和建议——这解释了为何报告全文为中文且标的信息000858、人民币计价始终一致。3.2 可靠性设计重试、最小长度校验与默认兜底LLM 调用带完整防护L74-L146最多3 次重试每次失败后等待 2 秒响应需通过len(response_content) 10的最小长度校验否则视为无效重新尝试每次调用记录耗时、估算 token按约 1.8 字符/token 保守折算与 LLM 返回的实际token_usage若三次全部失败不中断流程而是写入一段结构化默认决策默认建议持有含理由、建议与此为系统默认建议的免责标注保证下游节点与报告导出永不拿到空值。这一兜底机制也解释了该类报告的下限形态即使 LLM 完全不可用final_trade_decision.md依然会生成只是内容为模板化的持有建议——阅读该报告时可先用这一特征判断它是真实推理产物还是降级产物本例显然属于前者。3.3 状态流转从辩论历史到全局状态键节点最终返回两个键L148-L166return { risk_debate_state: new_risk_debate_state, # latest_speaker 置为 Judge final_trade_decision: response_content, }其中latest_speaker: Judge标记辩论由裁判收尾。final_trade_decision本身是全局状态的一个字符串字段在 agent_states.py 中声明为final_trade_decision: Annotated[str, Final decision made by the Risk Analysts]与trader_investment_plan、investment_plan共同构成计划 → 决策链条的末端。3.4 下游消费信号处理器与报告导出图的执行收尾处决策文本被送入信号处理器做结构化抽取trading_graph.py 中decision self.process_signal(final_state[final_trade_decision], company_name)并附上所用模型信息decision[model_info]。也就是说报告中的持有结论除了供人阅读还会被程序解析为action / confidence / risk_score / target_price等结构化字段供交易模块使用process_signal的解析逻辑见 tradingagents/graph/trading_graph.py。与此同时ReportExporter 完成落盘generate_markdown_report将风控辩论三方发言risky_history / safe_history / neutral_history与裁判裁决judge_decision组装进合并报告L300-L329分模块导出时再单独写出final_trade_decision.mdL706-L710、L748-L753并生成含research_depth、reports_count的analysis_metadata.json若启用了 MongoDB 报告存储还会同步入库L797-L803。Web 端展示侧同样以final_trade_decision为独立模块键标签为 最终交易决策见 web/components/analysis_results.py 中的模块映射CLI 与 Web 两条链路读取的是同一份状态键。四、方法论提炼一份合格的 final_trade_decision 应包含什么结合本例与源码约束可以把该报告类型的合格标准归纳为可检查的清单明确立场必须落到买入/卖出/持有之一提示词强制项持有必须附带具体论据如本例的等待催化剂逻辑论点级而非结论级引用对三方观点逐一提炼并反驳第一节能溯源到辩论历史与上游四份报告中的具体数字本例的 DCF 区间、120 天库存、批价 980 元均可在同日其他报告中交叉验证可执行的结构化计划仓位动作、期权参数行权价、期限、权利金、净成本、止损/加仓/清仓触发条件全部量化第二、五节使 8 月 25 日数据公布后可机械执行情景化目标价矩阵每个情景绑定触发条件与风险收益比第三节拒绝单点预测跨期经验修正从历史记忆中提取的教训要能指出上一版决策的具体错误第四节2022 年过早抄底降级可识别LLM 失败时存在默认决策兜底risk_manager.py阅读时应留意报告是否为模板化降级输出。五、复现与查阅路径如果你想在自己的 TradingAgents-CN 实例上验证上述流程可以从以下入口入手均为仓库内只读查阅与按文档运行运行分析入口见 app/main.py、main.py 及 cli/main.pyCLI 支持对单标的发起深度分析并生成同结构报告观察风控节点调试时关注日志前缀[Risk Manager]Prompt 长度、重试次数、耗时与 token 估算均在该节点输出见 risk_manager.py产物核对分析完成后在data/analysis_results/detailed/{代码}/{日期}/reports/下比对六份模块报告与analysis_metadata.json其中final_trade_decision.md应与风控节点 LLM 输出逐字一致相关测试报告保存与状态结构可参考 tests/0.1.14/test_analysis_save.py、tests/test_analysis_result.py、tests/test_enhanced_analysis_history.py 中对final_trade_decision键的断言架构背景多智能体图的整体结构可参阅 docs/architecture/v0.1.13/graph-structure.md 与 docs/architecture/report-modules-structure.md。需要说明的适用前提本文所有结论基于当前仓库中 2025-07-28 五粮液这一份真实产物及其对应的当前源码实现报告中的行情、估值、期权权利金等数字是当日 LLM 分析输出的结论属于该次分析的观点而非实时市场事实引用时应以其标注的分析日期为准。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考