TradingAgents: إطار عمل تداول مفتوح المصدر يعتمد على نماذج اللغة الكبيرة

معظم أطر عمل نماذج اللغة الكبيرة (LLM) متعددة الوكلاء تعد بأكثر مما تقدم. TradingAgents هو أحد الاستثناءات النادرة: تم تطويره كمصدر مفتوح بواسطة Tauric Research جنبًا إلى جنب مع ورقة بحثية على arXiv، وهو الآن في الإصدار 0.2.4، ويقدم نوعًا من تقسيم الأدوار الواضح الذي تصفه الأطر الأخرى ولكن نادرًا ما تطبقه. يحاكي النظام مكتب أبحاث حقيقي: محللو الأساسيات، والمشاعر، والأخبار، والتحليل الفني يغذون نقاش بحثي بين الثيران والدببة، ثم تاجر، ثم لجنة لإدارة المخاطر، وينتهي الأمر بقرار منظم يتم تسجيله للتدقيق.

تستعرض هذه المراجعة ما يفعله TradingAgents بالفعل، وما تم شحنه في الإصدار 0.2.4، وكيف يقارن بـ LangGraph و CrewAI، وكيفية اختبار طبقات LLM وبيانات السوق الأساسية باستخدام Apidog. إذا كنت قد تعمقت بالفعل في طبقة عقد الوكيل، فإن دليل agents.md لفرق API يتناسب بشكل طبيعي مع هذه المقالة.

ملخص سريع

• TradingAgents هو إطار عمل تداول لـ LLM متعدد الوكلاء من Tauric Research، arXiv 2412.20138، تم إصداره كمصدر مفتوح في عام 2025 وهو الآن في الإصدار 0.2.4.
• يقسم التداول إلى وكلاء متخصصين: محلل الأساسيات، محلل المشاعر، محلل الأخبار، محلل فني، باحثون الثيران/الدببة، تاجر، ولجنة إدارة المخاطر.
• أضاف الإصدار 0.2.4 وكلاء ذوي مخرجات منظمة، واستئناف من نقاط التفتيش في LangGraph، وسجلات قرارات دائمة، ودعم مزودي الخدمة لـ DeepSeek و Qwen و GLM و Azure OpenAI.
• يعمل الإطار على أي نقطة نهاية لـ LLM متوافقة مع OpenAI، مما يجعل النماذج المستضافة والمحلية والمستضافة ذاتيًا قابلة للتبديل.
• استخدم Apidog لمحاكاة واجهات برمجة تطبيقات بيانات السوق الأساسية، وإعادة تشغيل حركة مرور مزود LLM، وقياس تكلفة وضع التفكير عبر DeepSeek و OpenAI و Anthropic.
• حمل Apidog لدمج كل هذا في نظام التكامل المستمر (CI) الخاص بك قبل أن تثق بأي وكيل بأموال حقيقية.

ما هو TradingAgents بالفعل

الإطار هو حزمة بايثون وواجهة سطر أوامر (CLI) تقوم بتفكيك سير عمل التداول إلى أدوار متخصصة. كل دور هو وكيل LLM يتم تحفيزه بوصف وظيفي، ويُمنح حق الوصول إلى مجموعة أدوات مركزة، ويتم تنسيقه بواسطة LangGraph. تتدفق القرارات عبر مراحل: جمع البيانات، النقاش، اتخاذ القرار، التسجيل.

يصف ملف README هذا بأنه كود بحثي، وليس نصيحة استثمارية. هذا التأطير مهم. الهدف هو دراسة كيف يغير التعاون متعدد الوكلاء النتائج مقارنة بالإعدادات ذات المطالبة الواحدة، وليس شحن بوت تداول إنتاجي من جهاز الكمبيوتر المحمول الخاص بك.

المثير للاهتمام من الناحية الهندسية هو مدى وضوح فصل الأدوار. يقوم محلل الأساسيات بتقييم البيانات المالية للشركة. يقوم محلل المشاعر بتقييم وسائل التواصل الاجتماعي. يراقب محلل الأخبار المؤشرات الاقتصادية الكلية. يحسب محلل الفني مؤشري MACD و RSI. يتناقش باحثو الثيران والدببة. يقرأ التاجر تقارير الجميع ويقرر. تتحقق إدارة المخاطر من القرار مقابل القيود. كل وكيل لديه وظيفة واحدة ومجموعة أدوات واحدة.

هذا هو نفس النمط الذي ستصممه لأي سير عمل وكيل معقد: أدوار متخصصة، مرحلة نقاش، مرحلة اتخاذ قرار، وخطوة تحقق. TradingAgents هو تطبيق مرجعي عملي يمكنك قراءته في فترة ما بعد الظهر.

ما قدمه الإصدار 0.2.4

إصدار أبريل 2026 مهم للمستخدمين المهتمين بالإنتاج.

الوكلاء ذوو المخرجات المنظمة. يقوم مدير الأبحاث، والتاجر، ومدير المحافظ الآن بإصدار مخرجات منظمة عبر واجهة برمجة تطبيقات استجابات OpenAI أو قناة استخدام الأدوات الخاصة بـ Anthropic. يحل هذا محل التحليل القديم للنصوص الحرة بـ JSON مكتوب، مما يجعل الأتمتة اللاحقة موثوقة.

استئناف نقطة تفتيش LangGraph. يمكن للتشغيلات طويلة الأمد أن تتوقف وتستأنف من نقطة تفتيش محفوظة. إذا تباطأت واجهة برمجة تطبيقات بيانات السوق أو أعاد مزود LLM رمز 429، فلن يبدأ التشغيل من جديد.

سجل قرارات دائم. يتم تسجيل كل قرار يتخذه التاجر في سجل SQLite مع التفكير والمدخلات والطوابع الزمنية. تحصل على مسار تدقيق يمكنك مراجعته أو إعادته إلى التقييم.

دعم متعدد المزودين. أضاف الإصدار 0.2.4 DeepSeek و Qwen و GLM و Azure OpenAI إلى مصفوفة OpenAI و Anthropic و Gemini و Grok الحالية. إذا كنت تريد أرخص استدلال لكل توكين، يمكنك التبديل إلى DeepSeek V4 عبر نقطة نهايته المتوافقة مع OpenAI. إذا كنت بحاجة إلى سياق طويل أو رؤية، قم بالتبديل إلى Gemini.

دعم Docker وإصلاح UTF-8 في Windows. ممل ولكنه مهم: الإطار يشمل الآن Dockerfile، وتمت إزالة خطأ ترميز مسار Windows من الإصدار 0.2.3.

هندسة الوكلاء بالتفصيل

يبدو تشغيل TradingAgents الكامل بهذا الشكل.

1. تقبل واجهة سطر الأوامر (CLI) رمزًا للأسهم (ticker symbol) ونطاقًا زمنيًا.
2. يتفرع فريق المحللين: يقوم كل محلل من الأربعة بجلب البيانات بشكل مستقل لرمز السهم ويكتب تقريرًا.
3. يتولى فريق البحث التقارير الأربعة. يكتب باحث الثيران أطروحة طويلة. يكتب باحث الدببة أطروحة قصيرة. ثم يتناقشون.
4. يقوم مدير الأبحاث بتوليف النقاش في توصية.
5. يأخذ التاجر التوصية، يتحقق منها مقابل سجل القرارات الدائم، وينتج خطة تداول.
6. يقوم فريق إدارة المخاطر بالمراجعة. يدفع ثلاثة وكلاء للمخاطر (عدواني، متحفظ، محايد) الخطة من زوايا مختلفة.
7. يقوم مدير المحفظة إما بالموافقة أو بإعادة الخطة للمراجعة.
8. يتم تسجيل القرار النهائي في سجل SQLite.

تكون معظم تكلفة LLM في الخطوتين 3 و 6، حيث يتناقش عدة وكلاء. وهنا أيضًا تتكشف عيوب النماذج الصغيرة: نموذج بحجم 7B يدير نقاش الثيران/الدببة ينتج حججًا صاخبة ومتكررة. ينتج نموذج الاستدلال (وضع التفكير في DeepSeek V4، GPT-5.5، Claude 4.5) نقاشًا منظمًا يشبه اجتماعًا بحثيًا حقيقيًا.

لماذا تختبر طبقة LLM باستخدام أداة API

عند تشغيل TradingAgents، تفشل طبقتان في الإنتاج: واجهات برمجة تطبيقات بيانات السوق (Yahoo Finance, FinnHub, Polygon, OpenBB) وواجهات برمجة تطبيقات مزود LLM.

جانب بيانات السوق فوضوي. المستويات المجانية لديها حدود معدل غير متناسقة، وحقول غير موثقة تظهر وتختفي، وتختلف حدود يوم التداول بين البائعين. تشغيل عمل يوم الثلاثاء يتعطل بصمت يوم الأربعاء لأن أحد البائعين أعاد تسمية regularMarketTime إلى regular_market_time.

جانب LLM فوضوي أيضًا، بطريقة مختلفة. وضع التفكير في DeepSeek V4 يضاعف تكلفتك؛ واجهة برمجة تطبيقات استجابات OpenAI لها خصوصياتها؛ استخدام الأدوات من Anthropic يعيد كتل محتوى يصعب على بعض المحللين اللاحقين التعامل معها.

تتطلب كلا الواجهتين نفس الشيء منك: مجموعة طلبات نموذجية محفوظة وقابلة لإعادة التشغيل مع تأكيدات. هذا هو بالضبط ما يوفره Apidog. لقد غطينا نفس نمط الاختبار على مستوى البروتوكول في دليل اختبار خوادم MCP.

محاكاة واجهات برمجة تطبيقات بيانات السوق في Apidog

ثلاث خطوات لإزالة تقلبات البائعين من تشغيلات اختبار TradingAgents الخاصة بك.

الخطوة 1: تحديد نقاط النهاية المصدر. في مشروع Apidog، أضف نقاط نهاية Yahoo Finance، FinnHub، Polygon، أو OpenBB التي يستدعيها TradingAgents. يسرد ملف README لكل مواصفات أداة عناوين URL الدقيقة. احفظ كل منها كطلب مع أمثلة لهياكل الاستجابة مأخوذة من استجابات حقيقية.

الخطوة 2: تشغيل خادم المحاكاة. يعيد خادم المحاكاة في Apidog استجابات الأمثلة على نفس مسارات URL التي يستخدمها البائع الحقيقي. وجّه تكوين أداة TradingAgents إلى عنوان URL للمحاكاة. الآن يعمل محلل الأساسيات مقابل بيانات حتمية؛ لم تعد اختباراتك تحت رحمة حد معدل Yahoo.

الخطوة 3: التقاط انحراف البائع. مرة واحدة في الأسبوع، أعد تشغيل نقاط النهاية الحية وقارن شكل الاستجابة مقابل تركيباتك المحفوظة. يبرز Apidog أي حقول مضافة أو محذوفة أو معاد تسميتها. هذه هي الطريقة التي تلتقط بها إعادة تسمية regularMarketTime قبل أن توقف تشغيلًا.

نستخدم نفس النمط بالضبط في تطوير API المبني على العقد أولاً، والذي يصف سير العمل الأوسع.

اختبار طبقة مزود LLM

تحتاج طبقة المزود إلى ثلاثة أشياء يتم اختبارها قبل زيادة عدد التشغيلات.

• التكلفة لكل دور. قم بتشغيل سهم واحد عبر المحللين الأربعة والنقاش. التقط عدد الرموز لكل وكيل في سجل طلبات Apidog. عادة ما يكون نقاش الثيران/الدببة أغلى 3-5 مرات من المحللين؛ وإلا فإن النموذج يعمل بدارة قصيرة (short-circuiting).
• شكل المخرجات. يجب أن يقوم وكلاء المخرجات المنظمة في الإصدار 0.2.4 (مدير الأبحاث، التاجر، مدير المحافظ) دائمًا بإرجاع JSON جيد التكوين. أضف تأكيدات JSONPath في Apidog للتحقق. أي تراجع هنا يكون صامتًا ومدمرًا؛ لن تكتشفه إلا عندما يتعطل الكود اللاحق.
• تكافؤ المزودين. عند التبديل من OpenAI إلى DeepSeek V4 لاختبار التكلفة، يجب أن تختلف قرارات التاجر في التشغيلات الفردية ولكنها تتقارب نحو استنتاجات مماثلة عبر العديد من التشغيلات. قم بتشغيل 50 رمزًا للسهم عبر كلا المزودين، قارن سجل القرارات الدائم، وقم بتحديد الانحراف الكمي. يغطي دليل DeepSeek V4 API شكل الطلب؛ ويغطي دليل GPT-5.5 API جانب OpenAI. مقارنة الاستجابات في Apidog تجعل المقارنة مرئية.

تشغيل TradingAgents بسيط

يبدو دليل البدء السريع في ملف README على هذا النحو تقريبًا.

git clone https://github.com/TauricResearch/TradingAgents
cd TradingAgents
pip install -r requirements.txt

export OPENAI_API_KEY="sk-..."
export FINNHUB_API_KEY="..."

python -m tradingagents.cli \
  --ticker AAPL \
  --date 2026-04-30 \
  --models gpt-5.5 \
  --rounds 2

جولتان من النقاش هي أقل تشغيل ذو معنى. تظهر المخرجات في tradingagents/results/ كـ JSON بالإضافة إلى ملخص قرار بصيغة Markdown.

للتبديل إلى DeepSeek V4 Pro للأدوار التي تتطلب استدلالًا مكثفًا، قم بتعيين علامة --models ووجّه عميل OpenAI إلى عنوان URL الأساسي لـ DeepSeek من خلال تكوين المزود الخاص بالإطار:

export DEEPSEEK_API_KEY="sk-..."

python -m tradingagents.cli \
  --ticker AAPL \
  --date 2026-04-30 \
  --models deepseek-v4-pro \
  --provider deepseek \
  --rounds 2

يعمل نفس النمط لـ Qwen 3.6، GLM 5، أو أي نموذج محلي يتم تقديمه بواسطة Ollama أو vLLM. تغطي مقالتنا حول أفضل نماذج LLM المحلية لعام 2026 جانب التقديم المحلي.

المزالق الشائعة

تظهر هذه المزالق في سلسلة مشكلات GitHub.

• التشغيل بنموذج صغير. نموذج محلي بحجم 7B ينتج نقاشًا بين الثيران/الدببة يتكرر دون حل. يحتاج الإطار إلى جودة استدلال متوسطة على الأقل. DeepSeek V4 Flash، Qwen 3.6 32B، GPT-5.5، و Claude 4.5 هي الحد الأدنى الواقعي.
• تخطي التخزين المؤقت لبيانات السوق. يستدعي كل محلل طبقة البيانات بشكل منفصل. بدون التخزين المؤقت، تقوم بنشر 4-8 طلبات من البائعين لكل تشغيل وتحرق ميزانية حدود المعدل بسرعة. يدعم الإطار التخزين المؤقت؛ قم بتشغيله.
• التعامل معه كبوت تداول. إنه كود بحثي. أداء الاختبار الخلفي حساس لاختيار النموذج، وبذرة المطالبة (prompt seed)، وطول النقاش، وجودة البيانات. تعامل مع أي رقم ينتجه كفرضية، وليس استراتيجية.
• نسيان تسجيل إنفاق الرموز. يمكن أن يكلف تشغيل سهم واحد من 0.10 دولار إلى 5 دولارات اعتمادًا على النموذج والجولات. سجل تكلفة كل تشغيل في سجل إعادة تشغيل Apidog؛ فالحلقة المفرغة في مرحلة النقاش يمكن أن تكلف أموالًا حقيقية في دقائق.
• ترميز مزود واحد بشكل ثابت. أضاف الإصدار 0.2.0 دعمًا لعدة مزودين على وجه التحديد حتى تتمكن من التبديل. استخدمه. قم بتشغيل دفعة صغيرة عبر ثلاثة مزودين وقارن سجل القرارات قبل الالتزام.

أين يتناسب Apidog في حلقة التطوير

ثلاثة أماكن ملموسة يكسب فيها Apidog قيمته عبر مشروع TradingAgents.

• الأول هو سطح التصميم. قبل ربط الإطار بالبائعين الفعليين، ارسم كل نقطة نهاية لبيانات السوق في Apidog كطلب مع أمثلة لهياكل البيانات. يجبرك عرض المخطط على أن تكون صريحًا بشأن الحقول التي يستخدمها الإطار بالفعل. تكتشف العديد من الفرق أنهم كانوا يدفعون مقابل خطة Polygon لم يستخدموها إلا نادرًا.
• الثاني هو التكامل المستمر المحلي (local CI). يحل خادم المحاكاة الخاص بـ Apidog محل كل بائع أثناء تشغيل اختبارات الوحدة، وبالتالي تبقى مجموعة الاختبارات أقل من خمس ثوانٍ وتتوقف عن الاعتماد على ساعات عمل السوق في عطلات نهاية الأسبوع. لقد غطينا هذا النمط بالضبط في اختبار API بدون Postman.
• الثالث هو مقارنة التراجعات (regression diffing). في كل تشغيل أسبوعي، أعد تشغيل نقاط النهاية الحية مقابل تركيباتك المحفوظة. يبرز Apidog إعادة تسمية الحقول وانحراف الشكل. هذا هو أرخص إنذار ممكن لـ "طبقة البيانات تعطلت وبدأت الوكلاء في تهيؤ الأرقام".

لماذا هذا مهم أبعد من التداول

TradingAgents هو أوضح مثال مفتوح المصدر للتفكيك الوكيلي المتوفر لدينا الآن. ينتقل النمط مباشرة إلى:

• فرز دعم العملاء (وكلاء محللون لكل نوع تذكرة، نقاش، قرار)
• مراجعة الكود (وكلاء أمان، أداء، أسلوب، ثم مركب)
• مراجعة الامتثال (محللو بيانات، مراجعو مخاطر، لجنة اتخاذ القرار)
• تلخيص الأبحاث (قراء متخصصون متعددون، نقاش، توليف)

إذا كنت تصمم أي سير عمل وكيل متعدد الخطوات، فاقرأ كود TradingAgents أولاً. فصل الأدوار، ومرحلة النقاش، وقرارات المخرجات المنظمة، والسجل الدائم هي أنماط قابلة لإعادة الاستخدام. وهي أيضًا أنماط قابلة للاختبار، وهذا هو الهدف من إقران الإطار بـ Apidog.

حالات الاستخدام الواقعية

• يستخدم طالب أبحاث كمية TradingAgents لمقارنة DeepSeek V4 مقابل GPT-5.5 مقابل Claude 4.5 على نفس سلة تتكون من 30 رمزًا. يلتقط Apidog كل طلب واستجابة لجعل المقارنة قابلة للتكرار.
• يستخدم مهندس تقنية مالية (Fintech) نمط الوكيل المتعدد (وليس كود التداول) لإجراء مراجعات للكود على الخدمات الداخلية. تتحقق الوكلاء المتخصصون من الأمان، والأداء، والتسمية. يكتب مركب تعليق طلب السحب (PR comment). التكلفة الإجمالية للمراجعة لكل طلب سحب: حوالي 0.04 دولار.
• يقوم مطور فرد بتشغيل TradingAgents ليلاً على قائمة مراقبة تضم 10 رموز أسهم ويسجل كل قرار في Postgres للفحص لاحقًا. يحل خادم المحاكاة في Apidog محل بائعي بيانات السوق الحية خلال تشغيلات الاختبار في عطلة نهاية الأسبوع.

الخاتمة

TradingAgents هو مثال عملي ومصمم جيدًا لكيفية بناء نظام LLM متعدد الوكلاء ينتج قرارات منظمة بدلاً من الدردشة. يجعله الإصدار 0.2.4 مثيرًا للاهتمام للإنتاج: مخرجات منظمة، استئناف من نقاط التفتيش، مسار تدقيق، دعم متعدد المزودين. لا يهم كل ذلك إذا لم تتمكن من اختبار طبقات LLM وبيانات السوق الأساسية. هذا هو المكان الذي يكسب فيه إقرانه بـ Apidog قيمته.

خمسة استنتاجات:

• يقوم TradingAgents بتفكيك التداول إلى وكلاء متخصصين بأدوار واضحة ومرحلة نقاش.
• يضيف الإصدار 0.2.4 مخرجات منظمة، ونقاط تفتيش LangGraph، ومزودين مثل DeepSeek/Qwen/GLM/Azure.
• قم بمحاكاة بائعي بيانات السوق في Apidog لجعل تشغيلات الاختبار حتمية.
• اختبر تكافؤ مزودي LLM قبل تبديل النماذج في الإنتاج.
• ينتقل النمط (المتخصصون، النقاش، القرار، السجل) إلى كل سير عمل وكيل غير تداولي تقوم ببنائه.

الخطوة التالية: استنسخ المستودع، قم بتشغيل سهم واحد مقابل LLM المفضل لديك، ووجّه الاستدعاءات المصدر عبر خادم محاكاة Apidog. ستعرف في غضون ساعة ما إذا كان الإطار يتناسب مع سير عملك.

الأسئلة الشائعة

• هل TradingAgents آمن للاستخدام بأموال حقيقية؟ينص المستودع بوضوح على أنه كود بحثي وليس نصيحة مالية. تعامل مع مخرجاته كفرضية. أي شخص يقوم بشحنه مقابل وساطة حية يتحمل المخاطر شخصيًا؛ ولا يؤيد القائمون على الصيانة ذلك.
• أي مزود LLM يقدم أفضل توازن بين التكلفة والجودة؟بالنسبة لمعظم أعباء العمل في أوائل عام 2026، يتفوق DeepSeek V4 Flash بوضع التفكير على GPT-5.5 في التكلفة بهامش واسع ويتطابق معه في جودة نقاش الثيران/الدببة. انظر دليل DeepSeek V4 API الخاص بنا لشكل الطلب.
• هل يمكنني تشغيل TradingAgents على نماذج محلية؟نعم. أضاف الإصدار 0.2.0 دعمًا لعدة مزودين؛ فـ Ollama و vLLM و LM Studio جميعها تقدم نقاط نهاية متوافقة مع OpenAI يستهلكها الإطار. انظر مقالتنا حول أفضل نماذج LLM المحلية لعام 2026 لاختيار النماذج.
• كيف أقوم بمحاكاة واجهات برمجة تطبيقات بيانات السوق؟حدد كل نقطة نهاية للبائع في Apidog، وقم بتشغيل خادم المحاكاة، ووجّه تكوين أداة الإطار إلى عنوان URL للمحاكاة. نفس النمط موثق في أدوات اختبار API لمهندسي ضمان الجودة.
• ما هو الحد الأدنى للأجهزة لتشغيل هذا؟إذا كنت تستدعي نماذج LLM مستضافة (OpenAI, Anthropic, DeepSeek)، فإن أي جهاز كمبيوتر محمول يعمل بنظام Python 3.10+ سيقوم بتشغيلها. إذا كنت تقدم نماذج محلية، فإن الحد الأدنى للأجهزة يتبع النموذج: بطاقة رسومات (GPU) بسعة 24 جيجابايت تشغل DeepSeek V4 Flash أو Qwen 3.6 32B؛ بطاقة رسومات بسعة 8 جيجابايت تشغل Llama 5.1 8B. تنخفض الجودة مع النماذج الأصغر.
• هل يدعم محاكاة ما بعد ساعات العمل وعطلات نهاية الأسبوع؟يعيد بائعو بيانات السوق بيانات تاريخية؛ يمكن للإطار تشغيل أي تاريخ تختاره. التداول المباشر هو مشكلة مختلفة لا يحلها الإطار صراحةً.
• كيف يقارن بإطارات عمل الوكلاء المتعددين الأخرى؟TradingAgents مصمم خصيصًا لمجال التداول. CrewAI، AutoGen، و LangGraph بحد ذاتها عامة الغرض. إذا كنت ترغب في تعلم النمط وتطبيقه في مكان آخر، اقرأ TradingAgents؛ إذا كنت ترغب في بناء نظام وكيل عام، فابدأ بكود LangGraph الأساسي.