เฟรมเวิร์ก LLM แบบหลายเอเจนต์ส่วนใหญ่มักให้คำมั่นมากกว่าที่ทำได้จริง TradingAgents เป็นหนึ่งในข้อยกเว้นที่หาได้ยาก: เปิดเป็นโอเพนซอร์สโดย Tauric Research พร้อมกับ เอกสาร arXiv ซึ่งตอนนี้เป็นเวอร์ชัน 0.2.4 และนำเสนอการแบ่งบทบาทที่ชัดเจนตามที่เฟรมเวิร์กอื่น ๆ บรรยายแต่ไม่ค่อยได้นำไปใช้จริง ระบบนี้จำลองโต๊ะวิจัยจริง ๆ: นักวิเคราะห์ปัจจัยพื้นฐาน, อารมณ์ตลาด, ข่าว, และเทคนิคอล ให้ข้อมูลเพื่อถกเถียงการวิจัยระหว่างฝั่งขาขึ้น/ขาลง จากนั้นส่งให้เทรดเดอร์ และคณะกรรมการบริหารความเสี่ยง โดยจบลงด้วยการตัดสินใจที่มีโครงสร้างซึ่งบันทึกไว้เพื่อตรวจสอบ
บทวิจารณ์นี้จะอธิบายถึงสิ่งที่ TradingAgents ทำจริง ๆ, มีอะไรมาในเวอร์ชัน 0.2.4 บ้าง, เปรียบเทียบกับ LangGraph และ CrewAI อย่างไร, และวิธีทดสอบ LLM และเลเยอร์ข้อมูลตลาดที่อยู่เบื้องล่างด้วย Apidog หากคุณได้ศึกษาลงลึกในเลเยอร์สัญญาของเอเจนต์แล้ว คู่มือ agents.md สำหรับทีม API ของเราจะเข้ากันได้ดีกับโพสต์นี้
สรุปย่อ
- TradingAgents เป็นเฟรมเวิร์กการซื้อขาย LLM แบบหลายเอเจนต์จาก Tauric Research, arXiv 2412.20138, เปิดเป็นโอเพนซอร์สในปี 2025 และตอนนี้อยู่ที่เวอร์ชัน 0.2.4
- มันแบ่งการซื้อขายออกเป็นเอเจนต์ผู้เชี่ยวชาญ: นักวิเคราะห์ปัจจัยพื้นฐาน, นักวิเคราะห์อารมณ์ตลาด, นักวิเคราะห์ข่าว, นักวิเคราะห์เทคนิคอล, นักวิจัยขาขึ้น/ขาลง, เทรดเดอร์, และคณะกรรมการบริหารความเสี่ยง
- v0.2.4 ได้เพิ่มเอเจนต์ที่มีโครงสร้างเอาต์พุต, การทำงานต่อจากจุดตรวจสอบของ LangGraph, บันทึกการตัดสินใจถาวร, และรองรับผู้ให้บริการสำหรับ DeepSeek, Qwen, GLM, และ Azure OpenAI
- เฟรมเวิร์กนี้ทำงานได้บนทุกปลายทาง LLM ที่เข้ากันได้กับ OpenAI ซึ่งทำให้โมเดลที่โฮสต์, โมเดลท้องถิ่น, และโมเดลที่โฮสต์ด้วยตัวเองสามารถสลับเปลี่ยนกันได้
- ใช้ Apidog เพื่อจำลอง API ข้อมูลตลาดที่อยู่เบื้องล่าง, เล่นซ้ำทราฟฟิกของผู้ให้บริการ LLM, และเปรียบเทียบต้นทุนโหมดการคิดระหว่าง DeepSeek, OpenAI, และ Anthropic
- ดาวน์โหลด Apidog เพื่อเชื่อมโยงทั้งหมดนี้เข้ากับ CI ของคุณ ก่อนที่คุณจะเชื่อมั่นในเอเจนต์ด้วยเงินจริง
TradingAgents คืออะไรกันแน่
เฟรมเวิร์กนี้เป็นแพ็กเกจ Python และ CLI ที่แบ่งขั้นตอนการซื้อขายออกเป็นบทบาทผู้เชี่ยวชาญ แต่ละบทบาทเป็นเอเจนต์ LLM ที่ได้รับคำสั่งพร้อมคำอธิบายงาน, เข้าถึงชุดเครื่องมือที่เน้นเฉพาะ, และถูกควบคุมโดย LangGraph การตัดสินใจจะไหลผ่านขั้นตอนต่างๆ: รวบรวมข้อมูล, ถกเถียง, ตัดสินใจ, บันทึก
ไฟล์ README ระบุว่าเป็นโค้ดวิจัย ไม่ใช่คำแนะนำการลงทุน การจัดวางกรอบนี้มีความสำคัญ จุดประสงค์คือเพื่อศึกษาว่าการทำงานร่วมกันแบบหลายเอเจนต์เปลี่ยนแปลงผลลัพธ์อย่างไรเมื่อเทียบกับการตั้งค่าแบบพร้อมต์เดี่ยว ไม่ใช่เพื่อสร้างบอทเทรดที่ใช้งานจริงได้จากแล็ปท็อปของคุณ
สิ่งที่น่าสนใจจากมุมมองทางวิศวกรรมคือการแยกบทบาทที่ชัดเจน นักวิเคราะห์ปัจจัยพื้นฐานประเมินการเงินของบริษัท นักวิเคราะห์อารมณ์ตลาดให้คะแนนโซเชียลมีเดีย นักวิเคราะห์ข่าวตรวจสอบตัวชี้วัดเศรษฐกิจมหภาค นักวิเคราะห์เทคนิคอลคำนวณ MACD และ RSI นักวิจัยขาขึ้นและขาลงถกเถียงกัน เทรดเดอร์อ่านรายงานของทุกคนและตัดสินใจ การบริหารความเสี่ยงตรวจสอบการตัดสินใจเทียบกับข้อจำกัด เอเจนต์แต่ละตัวมีงานเดียวและชุดเครื่องมือเดียว
นี่คือรูปแบบเดียวกับที่คุณจะออกแบบสำหรับเวิร์กโฟลว์ของเอเจนต์ที่ซับซ้อน: บทบาทผู้เชี่ยวชาญ, ขั้นตอนการถกเถียง, ขั้นตอนการตัดสินใจ, และขั้นตอนการตรวจสอบ TradingAgents เป็นการนำไปใช้งานจริงที่คุณสามารถศึกษาได้ในบ่ายวันเดียว
มีอะไรใหม่ใน v0.2.4
การเปิดตัวในเดือนเมษายน 2026 มีความสำคัญสำหรับผู้ใช้ที่สนใจในการผลิตจริง
เอเจนต์ที่มีโครงสร้างเอาต์พุต ผู้จัดการฝ่ายวิจัย, เทรดเดอร์, และผู้จัดการพอร์ตโฟลิโอ ตอนนี้สามารถสร้างเอาต์พุตที่มีโครงสร้างผ่าน OpenAI Responses API หรือช่องทางเครื่องมือของ Anthropic สิ่งนี้มาแทนที่การแยกวิเคราะห์ข้อความอิสระแบบเก่าด้วย JSON ที่มีประเภท ซึ่งทำให้ระบบอัตโนมัติปลายทางมีความน่าเชื่อถือ
การทำงานต่อจากจุดตรวจสอบของ LangGraph การรันที่ใช้เวลานานสามารถหยุดชั่วคราวและเริ่มใหม่จากจุดตรวจสอบที่บันทึกไว้ หาก API ข้อมูลตลาดถูกจำกัดความเร็วหรือผู้ให้บริการ LLM คืนค่า 429 การรันจะไม่ต้องเริ่มใหม่ตั้งแต่ต้น
บันทึกการตัดสินใจถาวร ทุกการตัดสินใจที่เทรดเดอร์ทำจะถูกบันทึกในล็อก SQLite พร้อมเหตุผล, อินพุต, และการประทับเวลา คุณจะได้บันทึกการตรวจสอบที่คุณสามารถทบทวนหรือนำไปใช้ในการประเมินผลได้
การรองรับหลายผู้ให้บริการ v0.2.4 ได้เพิ่ม DeepSeek, Qwen, GLM, และ Azure OpenAI เข้าไปในระบบที่มีอยู่แล้วของ OpenAI, Anthropic, Gemini, และ Grok หากคุณต้องการการให้เหตุผลที่ถูกที่สุดต่อโทเค็น คุณสามารถเปลี่ยนไปใช้ DeepSeek V4 ผ่านปลายทางที่เข้ากันได้กับ OpenAI หากคุณต้องการบริบทที่ยาวหรือวิสัยทัศน์ ให้เปลี่ยนไปใช้ Gemini
รองรับ Docker และแก้ไขข้อผิดพลาด UTF-8 บน Windows เป็นเรื่องน่าเบื่อแต่สำคัญ: เฟรมเวิร์กนี้มาพร้อม Dockerfile และข้อผิดพลาดในการเข้ารหัสพาธของ Windows จาก v0.2.3 ได้ถูกแก้ไขแล้ว
สถาปัตยกรรมของเอเจนต์โดยละเอียด
การทำงานที่สมบูรณ์ของ TradingAgents มีลักษณะดังนี้
- CLI รับสัญลักษณ์หุ้นและช่วงวันที่
- ทีมวิเคราะห์แยกงานกัน: นักวิเคราะห์ทั้งสี่คนจะดึงข้อมูลสำหรับสัญลักษณ์หุ้นนั้นๆ อย่างอิสระและเขียนรายงาน
- ทีมวิจัยรับรายงานทั้งสี่ฉบับ นักวิจัยขาขึ้นเขียนวิทยานิพนธ์ขาขึ้น (long thesis) นักวิจัยขาลงเขียนวิทยานิพนธ์ขาลง (short thesis) จากนั้นพวกเขาก็ถกเถียงกัน
- ผู้จัดการฝ่ายวิจัยสังเคราะห์ผลการถกเถียงให้เป็นข้อเสนอแนะ
- เทรดเดอร์นำข้อเสนอแนะไปตรวจสอบกับบันทึกการตัดสินใจถาวร และสร้างแผนการซื้อขาย
- ทีมบริหารความเสี่ยงตรวจสอบ สามเอเจนต์ความเสี่ยง (ก้าวร้าว, อนุรักษ์นิยม, เป็นกลาง) จะคัดค้านแผนจากมุมมองที่แตกต่างกัน
- ผู้จัดการพอร์ตโฟลิโอจะอนุมัติหรือส่งแผนกลับไปแก้ไข
- การตัดสินใจขั้นสุดท้ายจะถูกบันทึกลงในล็อก SQLite
ค่าใช้จ่ายส่วนใหญ่ของ LLM อยู่ในขั้นตอนที่ 3 และ 6 ซึ่งเป็นที่ที่เอเจนต์หลายตัวถกเถียงกัน นี่คือจุดที่โมเดลขนาดเล็กแสดงจุดอ่อน: โมเดล 7B ที่ใช้ในการถกเถียงระหว่างขาขึ้น/ขาลง จะสร้างข้อโต้แย้งที่เต็มไปด้วยเสียงรบกวนและซ้ำซาก โมเดลการให้เหตุผล (DeepSeek V4 thinking mode, GPT-5.5, Claude 4.5) จะสร้างการโต้ตอบที่มีโครงสร้างซึ่งคล้ายกับการประชุมวิจัยจริง
ทำไมต้องทดสอบเลเยอร์ LLM ด้วยเครื่องมือ API
เมื่อคุณเรียกใช้ TradingAgents มีสองส่วนที่อาจล้มเหลวในการทำงานจริง: API ข้อมูลตลาด (Yahoo Finance, FinnHub, Polygon, OpenBB) และ API ของผู้ให้บริการ LLM
ฝั่งข้อมูลตลาดนั้นไม่สะอาดนัก แผนบริการฟรีมีข้อจำกัดอัตราที่ไม่สอดคล้องกัน, ฟิลด์ที่ไม่มีเอกสารอาจหายไปหรือปรากฏขึ้น, และขอบเขตวันซื้อขายก็แตกต่างกันไปในแต่ละผู้ให้บริการ การรันที่ใช้งานได้ในวันอังคารอาจพังเงียบๆ ในวันพุธเพียงเพราะผู้ให้บริการเปลี่ยนชื่อ regularMarketTime เป็น regular_market_time
ฝั่ง LLM ก็ไม่สะอาดเช่นกัน แต่เป็นในทางที่ต่างออกไป โหมดการคิดของ DeepSeek V4 เพิ่มต้นทุนของคุณเป็นสองเท่า; OpenAI Responses API มีข้อบกพร่องเฉพาะตัว; การใช้เครื่องมือของ Anthropic ส่งคืนบล็อกเนื้อหาที่ตัวแยกวิเคราะห์ปลายทางบางตัวไม่สามารถประมวลผลได้
ทั้งสองส่วนต้องการสิ่งเดียวกันจากคุณ: ชุดคำขอมาตรฐานที่บันทึกไว้และสามารถเล่นซ้ำได้พร้อมกับการยืนยัน นั่นคือสิ่งที่ Apidog มีไว้ให้ เราได้กล่าวถึงรูปแบบการทดสอบเดียวกันในระดับโปรโตคอลใน คู่มือการทดสอบเซิร์ฟเวอร์ MCP
การจำลอง API ข้อมูลตลาดใน Apidog
สามขั้นตอนในการกำจัดความไม่แน่นอนของผู้ให้บริการออกจากชุดทดสอบ TradingAgents ของคุณ
ขั้นตอนที่ 1: กำหนดปลายทางอัปสตรีม ในโปรเจกต์ Apidog ให้เพิ่มปลายทาง Yahoo Finance, FinnHub, Polygon, หรือ OpenBB ที่ TradingAgents เรียกใช้ ไฟล์ README สำหรับเครื่องมือแต่ละรายการจะระบุ URL ที่แน่นอน บันทึกแต่ละรายการเป็นคำขอพร้อมตัวอย่างเนื้อหาการตอบกลับที่ดึงมาจากคำตอบจริง
ขั้นตอนที่ 2: เปิดใช้งานเซิร์ฟเวอร์จำลอง เซิร์ฟเวอร์จำลองของ Apidog จะส่งคืนตัวอย่างการตอบกลับบนพาธ URL เดียวกันกับที่ผู้ให้บริการจริงใช้ ชี้การตั้งค่าเครื่องมือของ TradingAgents ไปยัง URL จำลอง ตอนนี้นักวิเคราะห์ปัจจัยพื้นฐานจะทำงานกับข้อมูลที่กำหนดไว้ตายตัว; การทดสอบของคุณจะไม่ขึ้นอยู่กับข้อจำกัดอัตราของ Yahoo อีกต่อไป
ขั้นตอนที่ 3: ตรวจจับการเปลี่ยนแปลงของผู้ให้บริการ สัปดาห์ละครั้ง ให้เล่นซ้ำปลายทางสดและเปรียบเทียบรูปแบบการตอบกลับกับข้อมูลจำลองที่คุณบันทึกไว้ Apidog จะเน้นฟิลด์ที่เพิ่ม, ลบ, หรือเปลี่ยนชื่อ นี่คือวิธีที่คุณจะตรวจจับการเปลี่ยนชื่อ regularMarketTime ก่อนที่มันจะทำให้การรันล้มเหลว
เราใช้รูปแบบเดียวกันนี้ในการ พัฒนา API แบบ contract-first ซึ่งอธิบายถึงเวิร์กโฟลว์ที่กว้างขึ้น
การทดสอบเลเยอร์ผู้ให้บริการ LLM
เลเยอร์ผู้ให้บริการจำเป็นต้องมีการทดสอบสามสิ่งก่อนที่คุณจะขยายการรัน
ต้นทุนต่อบทบาท เรียกใช้สัญลักษณ์หุ้นเดียวผ่านนักวิเคราะห์ทั้งสี่และขั้นตอนการถกเถียง บันทึกจำนวนโทเค็นต่อเอเจนต์ในบันทึกคำขอของ Apidog การถกเถียงระหว่างขาขึ้น/ขาลงมักจะมีราคาแพงกว่านักวิเคราะห์ 3-5 เท่า; หากไม่เป็นเช่นนั้น แสดงว่าโมเดลกำลังลัดวงจร
รูปแบบเอาต์พุต เอเจนต์ที่มีโครงสร้างเอาต์พุตของ v0.2.4 (ผู้จัดการฝ่ายวิจัย, เทรดเดอร์, ผู้จัดการพอร์ตโฟลิโอ) ควรส่งคืน JSON ที่มีรูปแบบถูกต้องเสมอ เพิ่มการยืนยัน JSONPath ใน Apidog เพื่อตรวจสอบ การถดถอยในจุดนี้เป็นเรื่องที่เงียบและสร้างความเสียหายร้ายแรง คุณจะรู้ก็ต่อเมื่อโค้ดปลายทางล้มเหลว
ความเท่าเทียมของผู้ให้บริการ เมื่อคุณเปลี่ยนจาก OpenAI ไปยัง DeepSeek V4 เพื่อทดสอบต้นทุน การตัดสินใจของเทรดเดอร์ควรแตกต่างกันในการรันแต่ละครั้ง แต่จะมาบรรจบกันที่ข้อสรุปที่คล้ายกันเมื่อรันหลายครั้ง เรียกใช้ 50 สัญลักษณ์หุ้นผ่านผู้ให้บริการทั้งสอง, เปรียบเทียบบันทึกการตัดสินใจถาวร, และวัดปริมาณการเบี่ยงเบน คู่มือ DeepSeek V4 API ของเราครอบคลุมรูปแบบคำขอ; คู่มือ GPT-5.5 API ของเราครอบคลุมฝั่ง OpenAI การเปรียบเทียบความแตกต่างของคำตอบของ Apidog ช่วยให้เห็นภาพ
การรัน TradingAgents แบบน้อยที่สุด
Quickstart ใน README มีลักษณะประมาณนี้
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
การถกเถียงสองรอบเป็นการรันที่มีความหมายน้อยที่สุด ผลลัพธ์จะอยู่ใน tradingagents/results/ เป็นไฟล์ JSON พร้อมกับสรุปการตัดสินใจในรูปแบบ Markdown
หากต้องการเปลี่ยนไปใช้ DeepSeek V4 Pro สำหรับบทบาทที่ต้องใช้การให้เหตุผลหนักๆ ให้ตั้งค่าแฟล็ก --models และชี้ไคลเอ็นต์ OpenAI ไปยัง URL พื้นฐานของ DeepSeek ผ่านการกำหนดค่าผู้ให้บริการของเฟรมเวิร์ก:
export DEEPSEEK_API_KEY="sk-..."
python -m tradingagents.cli \
--ticker AAPL \
--date 2026-04-30 \
--models deepseek-v4-pro \
--provider deepseek \
--rounds 2
รูปแบบเดียวกันนี้ใช้ได้กับ Qwen 3.6, GLM 5, หรือโมเดลท้องถิ่นใดๆ ที่ให้บริการโดย Ollama หรือ vLLM โพสต์เกี่ยวกับ LLM ท้องถิ่นที่ดีที่สุดของปี 2026 ของเราครอบคลุมด้านการให้บริการแบบท้องถิ่น
ข้อผิดพลาดที่พบบ่อย
ข้อผิดพลาดเหล่านี้มักปรากฏในกระทู้ GitHub issues
การรันด้วยโมเดลขนาดเล็ก โมเดล 7B แบบโลคอลสร้างการถกเถียงระหว่างขาขึ้น/ขาลงที่วนลูปไม่สิ้นสุด เฟรมเวิร์กต้องการคุณภาพการให้เหตุผลระดับกลางเป็นอย่างน้อย DeepSeek V4 Flash, Qwen 3.6 32B, GPT-5.5, และ Claude 4.5 เป็นระดับต่ำสุดที่เป็นไปได้จริง
การข้ามการแคชข้อมูลตลาด นักวิเคราะห์แต่ละคนเรียกใช้เลเยอร์ข้อมูลแยกกัน หากไม่มีการแคช คุณจะกระจายคำขอจากผู้ให้บริการ 4-8 ครั้งต่อการรัน และใช้โควต้าจำกัดอัตราหมดอย่างรวดเร็ว เฟรมเวิร์กนี้รองรับการแคช; เปิดใช้งานมัน
การมองว่าเป็นบอทซื้อขาย นี่คือโค้ดวิจัย ประสิทธิภาพการทดสอบย้อนหลังนั้นละเอียดอ่อนต่อการเลือกโมเดล, seed ของพร้อมต์, ความยาวของการถกเถียง, และคุณภาพข้อมูล ถือว่าตัวเลขใดๆ ที่สร้างขึ้นเป็นเพียงสมมติฐาน ไม่ใช่กลยุทธ์
การลืมบันทึกการใช้โทเค็น การรันสัญลักษณ์หุ้นเดียวอาจมีค่าใช้จ่ายตั้งแต่ $0.10 ถึง $5 ขึ้นอยู่กับโมเดลและรอบการทำงาน บันทึกต้นทุนต่อการรันในประวัติการเล่นซ้ำของ Apidog; การวนลูปที่ผิดพลาดในขั้นตอนการถกเถียงสามารถทำให้เกิดค่าใช้จ่ายจริงได้ในไม่กี่นาที
การฮาร์ดโค้ดผู้ให้บริการเดียว v0.2.0 เพิ่มการรองรับหลายผู้ให้บริการเพื่อให้คุณสามารถสลับได้ ใช้ประโยชน์จากมัน รันชุดข้อมูลเล็กๆ ผ่านผู้ให้บริการสามรายและเปรียบเทียบบันทึกการตัดสินใจก่อนที่จะดำเนินการจริง
Apidog เข้ากันกับวงจรการพัฒนาได้อย่างไร
สามจุดหลักที่ Apidog มีคุณค่าอย่างยิ่งในโปรเจกต์ TradingAgents
ข้อแรกคือหน้าต่างการออกแบบ ก่อนที่คุณจะเชื่อมโยงเฟรมเวิร์กเข้ากับผู้ให้บริการจริง ให้ร่างปลายทางข้อมูลตลาดแต่ละรายการใน Apidog เป็นคำขอพร้อมตัวอย่างเนื้อหา การดู schema จะบังคับให้คุณต้องซื่อสัตย์เกี่ยวกับฟิลด์ที่เฟรมเวิร์กใช้งานจริง ทีมจำนวนมากพบว่าพวกเขากำลังจ่ายค่าแผน Polygon ที่แทบจะไม่ได้ใช้เลย
ข้อสองคือ CI แบบโลคอล เซิร์ฟเวอร์จำลองของ Apidog ทำหน้าที่แทนผู้ให้บริการทุกรายในขณะที่การทดสอบหน่วยทำงาน เพื่อให้ชุดทดสอบใช้เวลาไม่เกินห้าวินาทีและไม่ขึ้นอยู่กับเวลาทำการของตลาดในช่วงสุดสัปดาห์ เราได้กล่าวถึงรูปแบบนี้อย่างละเอียดใน การทดสอบ API โดยไม่มี Postman
ข้อสามคือการเปรียบเทียบการถดถอย ทุกๆ การรันประจำสัปดาห์ ให้เล่นซ้ำปลายทางสดเทียบกับข้อมูลจำลองที่คุณบันทึกไว้ Apidog จะเน้นการเปลี่ยนชื่อฟิลด์และการเบี่ยงเบนของรูปแบบ นี่คือการเตือนภัยที่ถูกที่สุดสำหรับสถานการณ์ที่ “เลเยอร์ข้อมูลพังและเอเจนต์เริ่มสร้างตัวเลขที่ผิดพลาด”
ทำไมเรื่องนี้ถึงสำคัญนอกเหนือจากการซื้อขาย
TradingAgents เป็นตัวอย่างโอเพนซอร์สที่ชัดเจนที่สุดของการแยกส่วนงานแบบเอเจนต์ที่เรามีอยู่ในปัจจุบัน รูปแบบนี้สามารถนำไปใช้ได้โดยตรงกับ:
- การคัดแยกคำขอฝ่ายสนับสนุนลูกค้า (เอเจนต์นักวิเคราะห์ตามประเภทตั๋ว, การถกเถียง, การตัดสินใจ)
- การตรวจสอบโค้ด (เอเจนต์ด้านความปลอดภัย, ประสิทธิภาพ, สไตล์, จากนั้นเป็นตัวสังเคราะห์)
- การตรวจสอบการปฏิบัติตามข้อกำหนด (นักวิเคราะห์ข้อมูล, ผู้ตรวจสอบความเสี่ยง, คณะกรรมการตัดสินใจ)
- การสรุปงานวิจัย (ผู้อ่านผู้เชี่ยวชาญหลายคน, การถกเถียง, การสังเคราะห์)
หากคุณกำลังออกแบบเวิร์กโฟลว์ของเอเจนต์ที่มีหลายขั้นตอนใดๆ ให้ศึกษาโค้ด TradingAgents ก่อน การแยกบทบาท, ขั้นตอนการถกเถียง, การตัดสินใจที่มีโครงสร้างเอาต์พุต, และบันทึกถาวร ล้วนเป็นรูปแบบที่นำกลับมาใช้ใหม่ได้ นอกจากนี้ยังเป็นรูปแบบที่สามารถทดสอบได้ ซึ่งเป็นจุดประสงค์ของการจับคู่เฟรมเวิร์กกับ Apidog
กรณีการใช้งานจริง
นักศึกษาวิจัยเชิงปริมาณใช้ TradingAgents เพื่อเปรียบเทียบ DeepSeek V4 กับ GPT-5.5 กับ Claude 4.5 บนกลุ่มหุ้น 30 ตัวเดียวกัน Apidog บันทึกทุกคำขอและการตอบกลับเพื่อให้การเปรียบเทียบสามารถทำซ้ำได้
วิศวกรฟินเทคใช้รูปแบบหลายเอเจนต์ (ไม่ใช่โค้ดการซื้อขาย) เพื่อดำเนินการตรวจสอบโค้ดบนบริการภายใน เอเจนต์ผู้เชี่ยวชาญจะตรวจสอบความปลอดภัย, ประสิทธิภาพ, การตั้งชื่อ ตัวสังเคราะห์จะเขียนความคิดเห็น PR ต้นทุนการตรวจสอบทั้งหมดต่อ PR: ประมาณ $0.04
นักพัฒนาอิสระที่รัน TradingAgents ทุกคืนบนรายการหุ้น 10 ตัว จะบันทึกทุกการตัดสินใจลงใน Postgres เพื่อตรวจสอบในภายหลัง เซิร์ฟเวอร์จำลองของ Apidog ทำหน้าที่แทนผู้ให้บริการข้อมูลตลาดจริงในระหว่างการทดสอบช่วงสุดสัปดาห์
บทสรุป
TradingAgents เป็นตัวอย่างที่ใช้งานได้จริงและมีสถาปัตยกรรมที่ดีเยี่ยมในการสร้างระบบ LLM แบบหลายเอเจนต์ที่สร้างการตัดสินใจที่มีโครงสร้างแทนการสนทนา v0.2.4 ทำให้มันน่าสนใจสำหรับการนำไปใช้ในเชิงโปรดักชัน: เอาต์พุตที่มีโครงสร้าง, การทำงานต่อจากจุดตรวจสอบ, บันทึกการตรวจสอบ, รองรับหลายผู้ให้บริการ สิ่งเหล่านี้จะไม่มีความหมายหากคุณไม่สามารถทดสอบเลเยอร์ LLM และข้อมูลตลาดที่อยู่เบื้องล่างได้ นั่นคือจุดที่การจับคู่กับ Apidog มีความสำคัญอย่างยิ่ง
ห้าข้อคิดที่สำคัญ:
- TradingAgents แยกการซื้อขายออกเป็นเอเจนต์ผู้เชี่ยวชาญพร้อมบทบาทที่ชัดเจนและขั้นตอนการถกเถียง
- v0.2.4 เพิ่มเอาต์พุตที่มีโครงสร้าง, จุดตรวจสอบของ LangGraph, และผู้ให้บริการ DeepSeek/Qwen/GLM/Azure
- จำลองผู้ให้บริการข้อมูลตลาดใน Apidog เพื่อให้การรันทดสอบสามารถกำหนดผลลัพธ์ได้
- ทดสอบความเท่าเทียมของผู้ให้บริการ LLM ก่อนที่จะเปลี่ยนโมเดลในการผลิตจริง
- รูปแบบ (ผู้เชี่ยวชาญ, การถกเถียง, การตัดสินใจ, การบันทึก) สามารถนำไปใช้กับทุกเวิร์กโฟลว์ของเอเจนต์ที่ไม่ใช่การซื้อขายที่คุณสร้างขึ้นได้
ขั้นตอนต่อไป: โคลนรีโพ, รันสัญลักษณ์หุ้นเดียวกับ LLM ที่คุณต้องการ, และส่งผ่านการเรียกใช้จากต้นทางผ่านเซิร์ฟเวอร์จำลองของ Apidog คุณจะรู้ภายในหนึ่งชั่วโมงว่าเฟรมเวิร์กนี้เหมาะสมกับเวิร์กโฟลว์ของคุณหรือไม่
คำถามที่พบบ่อย
TradingAgents ปลอดภัยสำหรับการใช้งานกับเงินจริงหรือไม่?
รีโพระบุไว้อย่างชัดเจนว่าเป็นโค้ดวิจัยและไม่ใช่คำแนะนำทางการเงิน ถือว่าผลลัพธ์ของมันเป็นเพียงสมมติฐาน ผู้ใดที่นำไปใช้กับการซื้อขายหลักทรัพย์จริงถือว่ารับความเสี่ยงด้วยตัวเอง; ผู้ดูแลระบบไม่รับรองการกระทำดังกล่าว
ผู้ให้บริการ LLM รายใดให้ความคุ้มค่าด้านต้นทุนและคุณภาพดีที่สุด?
สำหรับปริมาณงานส่วนใหญ่ในช่วงต้นปี 2026 DeepSeek V4 Flash ที่มีโหมดการคิดจะเหนือกว่า GPT-5.5 ในด้านต้นทุนอย่างมาก และเทียบเท่าในด้านคุณภาพการถกเถียงระหว่างขาขึ้น/ขาลง ดู คู่มือ DeepSeek V4 API ของเราสำหรับรูปแบบคำขอ
ฉันสามารถรัน TradingAgents บนโมเดลโลคอลได้หรือไม่?
ได้ v0.2.0 เพิ่มการรองรับหลายผู้ให้บริการ; Ollama, vLLM, และ LM Studio ทั้งหมดให้บริการปลายทางที่เข้ากันได้กับ OpenAI ที่เฟรมเวิร์กใช้งาน ดู โพสต์เกี่ยวกับ LLM โลคอลที่ดีที่สุดของปี 2026 ของเราสำหรับการเลือกโมเดล
ฉันจะจำลอง API ข้อมูลตลาดได้อย่างไร?
กำหนดปลายทางผู้ให้บริการแต่ละรายใน Apidog, เปิดเซิร์ฟเวอร์จำลอง, และชี้การตั้งค่าเครื่องมือของเฟรมเวิร์กไปยัง URL จำลอง รูปแบบเดียวกันนี้มีบันทึกไว้ใน เครื่องมือทดสอบ API สำหรับวิศวกร QA
ฮาร์ดแวร์ขั้นต่ำที่ใช้ในการรันคืออะไร?
หากคุณกำลังเรียกใช้ LLM ที่โฮสต์ (OpenAI, Anthropic, DeepSeek) แล็ปท็อปใดก็ได้ที่มี Python 3.10+ ก็สามารถรันได้ หากคุณให้บริการโมเดลโลคอล ฮาร์ดแวร์ขั้นต่ำจะขึ้นอยู่กับโมเดล: GPU ขนาด 24 GB รัน DeepSeek V4 Flash หรือ Qwen 3.6 32B; GPU ขนาด 8 GB รัน Llama 5.1 8B คุณภาพจะลดลงในโมเดลที่เล็กลง
รองรับการจำลองการซื้อขายนอกเวลาและช่วงสุดสัปดาห์หรือไม่?
ผู้ให้บริการข้อมูลตลาดส่งคืนข้อมูลย้อนหลัง; เฟรมเวิร์กสามารถรันได้ทุกวันที่คุณเลือก การซื้อขายสดเป็นปัญหาที่แตกต่างกันซึ่งเฟรมเวิร์กไม่ได้ออกแบบมาเพื่อแก้ไขโดยเฉพาะ
มันเปรียบเทียบกับเฟรมเวิร์กหลายเอเจนต์อื่นๆ อย่างไร?
TradingAgents ถูกออกแบบมาเฉพาะสำหรับโดเมนการซื้อขาย CrewAI, AutoGen, และ LangGraph เองเป็นเฟรมเวิร์กอเนกประสงค์ หากคุณต้องการเรียนรู้รูปแบบและนำไปใช้ที่อื่น ให้อ่าน TradingAgents; หากคุณต้องการสร้างระบบเอเจนต์ทั่วไป ให้เริ่มต้นด้วยโค้ด LangGraph ที่เป็นพื้นฐาน