伯克利 UC Berkeley CS189 spring2024 机器学习 课程

这次发布的Agent，大概可以分成两类：前台投研+客户覆盖；中后台+风控运营如果只是个人做投研，我觉得四个角色就够了：1️⃣资料员：用 Market Researcher，先了解行业、公司、新闻、竞争格局2️⃣多头分析师：用 Earnings Reviewer / Model 3️⃣Builder，找增长逻辑、财报变化、产业趋势空头分析师：用 Valuation Reviewer / Statem

伯克利 UC Berkeley CS189 spring2024 机器学习 课程

TradingAgents-CN-lite 是一个轻量级多Agent股票分析框架，支持A股/港股/美股市场。系统通过4个AI分析师并行分析（基本面、情绪、新闻、技术指标），经多空辩论、风险审查后生成投资建议报告（Markdown/HTML）。特色包括自动识别市场（A股数据基于BaoStock/AkShare）、支持主流中文LLM（如DeepSeek/通义千问）、简化CLI操作（无Web/DB依赖）

本文介绍了基于LangGraph框架开发的A股AI分析系统TradingAgents-CN-lite。该系统通过五个阶段对股票进行多维度分析：四位专业分析师（基本面/情绪/新闻/技术面）并行工作，多头空头研究员辩论，研究主管综合判断，风险分析师评估，最终由投资组合经理决策。关键技术点包括：使用LangGraph的状态图编排流程、分析师节点的工具调用循环、辩论节点的状态管理优化、结构化输出容错处理，

AI投资决策新思路：多Agent辩论机制提升分析质量 TradingAgents项目采用创新的多AI Agent辩论机制模拟真实投资决策流程。不同于传统单一模型分析，该项目通过四个分析师独立研判、多空双方辩论、三重风险评估等环节，最终由"投资经理"综合决策。技术实现上运用LangGraph进行Agent编排，支持结构化输出和检查点机制，兼容主流大模型。测试显示辩论过程能有效发现单一视角忽略的风险点

AI投资决策新思路：多Agent辩论机制提升分析质量 TradingAgents项目采用创新的多AI Agent辩论机制模拟真实投资决策流程。不同于传统单一模型分析，该项目通过四个分析师独立研判、多空双方辩论、三重风险评估等环节，最终由"投资经理"综合决策。技术实现上运用LangGraph进行Agent编排，支持结构化输出和检查点机制，兼容主流大模型。测试显示辩论过程能有效发现单一视角忽略的风险点

TradingAgents-CN-lite 是一个轻量级多Agent股票分析框架，支持A股/港股/美股市场。系统通过4个AI分析师并行分析（基本面、情绪、新闻、技术指标），经多空辩论、风险审查后生成投资建议报告（Markdown/HTML）。特色包括自动识别市场（A股数据基于BaoStock/AkShare）、支持主流中文LLM（如DeepSeek/通义千问）、简化CLI操作（无Web/DB依赖）

CS61Bhttps://github.com/cy-Yin/UCBerkeley-CS61B-sp18