tradingagents-cn-skill

name	tradingagents-cn-skill
version	3.0.0
description	股票多智能体分析报告生成。通过 6 个分析师 subagent 并行分析 + 文件交换 + Assembler 组装， 生成专业 PDF 报告。触发场景：用户要求分析股票、生成股票报告、询问买卖建议。
metadata	{"openclaw":{"emoji":"📊","requires":{"bins":["python3"]}}}

TradingAgents-CN Skill v3.0

Phase 2 架构：文件交换 + Subagent 并行。核心改进是把"上下文传参"改为"文件系统交换"， 彻底斩断因上下文过长导致的格式丢失和 Token 浪费。

核心设计

文件架构

{baseDir}/scripts/intermediate/{股票代码}_{时间戳}.json

整个分析共用一个 JSON 文件，每个 subagent 只写自己专属的字段：

{
  "stock_code": "PDD",
  "stock_name": "拼多多",
  "current_price": 99.54,
  "timestamp": "2026-05-20T10:00:00+08:00",
  "news_data": [...],
  "status": {
    "新闻数据": "done", "多头分析": "done", "空头分析": "done",
    "技术分析": "pending", "基本面分析": "pending", ...
  },
  "结果": {
    "多头分析": { "core_logic": "...", "bull_case": [...], "confidenceindex": 0.75 },
    "空头分析": { "core_logic": "...", "bear_case": [...], "confidenceindex": 0.65 },
    ...
  }
}

Agent 架构

主 Agent（协调）
  ├── Step 1: 初始化 JSON 文件
  ├── Step 2: 并行 spawn 6 个分析师 subagent
  │           ├── BullAgent  → 写 "结果.多头分析"
  │           ├── BearAgent  → 写 "结果.空头分析"
  │           ├── TechAgent  → 写 "结果.技术分析"
  │           ├── FundAgent  → 写 "结果.基本面分析"
  │           ├── NewsAgent  → 写 "结果.新闻分析"
  │           └── SocialAgent → 写 "结果.社交媒体分析"
  ├── 等待所有 subagent 完成
  ├── Step 3: 研究经理 subagent（读文件）→ 写 "结果.研究经理决策"
  ├── Step 4: 交易员 subagent（读文件）→ 写 "结果.交易计划"
  ├── Step 5: 风险辩论 subagent → 写 "结果.风险辩论"
  ├── Step 6: 风险经理 subagent → 写 "结果.风险经理决策"
  └── Step 7: 生成 PDF（读文件）

---

主 Agent 工作流

Step 1: 初始化

JSON_FILE=$(python3 {baseDir}/scripts/intermediate_shared.py \
  --init --stock-code {股票代码} --stock-name {股票名称})
echo "中间文件: $JSON_FILE"

Step 1.5: 主 agent 预搜索（可选但推荐）

目的： 避免 6 个 subagent 同时调用 web_search 导致限流

# 预搜索新闻和基本信息
echo "开始预搜索股票信息..."
web_search "{股票名称} {股票代码} 最新新闻 2026"
web_search "{股票名称} {股票代码} 最新分析 2026"

# 将搜索结果写入 news_data（subagent 将直接复用，不再调用 web_search）
python3 {baseDir}/scripts/intermediate_shared.py \
  --write --step news_data --data '<预搜索结果JSON>'

注意： 如果预搜索失败，subagent 将需要自己调用 web_search，建议使用错峰启动（每 3-5 秒启动一个）避免限流。

Step 2: 并行 spawn 6 个分析师

使用 sessions_spawn 并行启动 6 个 subagent，每个 subagent：

1. 读取自己的 prompt 文件（references/xxx_prompt.md）
2. 根据股票代码搜索新闻（web_search）
3. 调用 LLM 分析
4. 验证输出（validate_step.py）
5. 用 intermediate_shared.py --write 把结果写入共享 JSON 文件
6. 不返回任何内容给主 Agent，只返回完成状态

# 并行 spawn 示例伪代码：
# BullAgent:   sessions_spawn(task="分析多头...", env={JSON_FILE, ...})
# BearAgent:   sessions_spawn(task="分析空头...", env={JSON_FILE, ...})
# TechAgent:   sessions_spawn(task="技术分析...", env={JSON_FILE, ...})
# FundAgent:   sessions_spawn(task="基本面分析...", env={JSON_FILE, ...})
# NewsAgent:   sessions_spawn(task="新闻分析...", env={JSON_FILE, ...})
# SocialAgent: sessions_spawn(task="社交媒体分析...", env={JSON_FILE, ...})

主 Agent 轮询等待所有分析师完成：

# Step 2 完成后，轮询等待 6 个分析师全部 done
echo "等待 6 个分析师完成..."
for i in {1..30}; do  # 最多等 30 次（约 2.5 分钟）
  DONE_COUNT=$(python3 {baseDir}/scripts/intermediate_shared.py \
    --stock-code {股票代码} --status 2>/dev/null | grep -c " done$" || echo 0)
  if [ "$DONE_COUNT" -ge 6 ]; then
    echo "所有分析师完成（$DONE_COUNT/6），进入研究经理决策"
    break
  fi
  echo "进度: $DONE_COUNT/6 已完成，等待..."
  sleep 5  # 每 5 秒轮询一次
done
if [ "$DONE_COUNT" -lt 6 ]; then
  echo "警告: 等待超时，$DONE_COUNT/6 分析师完成，部分数据可能缺失"
fi

Subagent 指令模板（每个 agent 替换自己的部分）：

你是一个专业的股票分析师。你需要：

1. 读取共享数据文件：{JSON_FILE}
2. 读取你的分析 prompt：{references/xxx_prompt.md}
3. 从 JSON 文件中获取 current_price、stock_code、stock_name、text_description
4. 从共享文件读取 news_data（主 agent 已预搜索）；若数据不足再调用 web_search 补充
5. 基于 prompt 和数据，调用 LLM 生成分析结果（JSON 格式）
6. 验证输出：echo '<LLM输出>' | python3 {baseDir}/scripts/validate_step.py --step {步骤名} --stock-code {股票代码} --attempt 1
7. 写入结果：
   python3 {baseDir}/scripts/intermediate_shared.py \
     --write --step {步骤名} --data '<验证后的JSON>'
8. 完成后输出：分析完成，{步骤名} 已写入共享文件

Step 3: 研究经理决策

# 等待研究经理完成（单步串行，直接等待即可）
echo "等待研究经理决策..."
for i in {1..20}; do
  STATUS=$(python3 {baseDir}/scripts/intermediate_shared.py --stock-code {股票代码} --status 2>/dev/null)
  if echo "$STATUS" | grep -q "研究经理决策.*done"; then
    echo "研究经理决策完成，进入交易员计划"
    break
  fi
  sleep 3
done

Step 4: 交易员计划

从共享文件读取 研究经理决策 和 current_price，调用 LLM → 验证 → 写入 结果.交易计划。

# 等待交易员完成
for i in {1..20}; do
  STATUS=$(python3 {baseDir}/scripts/intermediate_shared.py --stock-code {股票代码} --status 2>/dev/null)
  if echo "$STATUS" | grep -q "交易计划.*done"; then
    echo "交易员计划完成，进入风险辩论"
    break
  fi
  sleep 3
done

Step 5: 风险辩论 + 风险经理决策

同理，依次 spawn 或串行执行，将结果写入 结果.风险辩论 和 结果.风险经理决策。

# 等待风险辩论完成
for i in {1..20}; do
  STATUS=$(python3 {baseDir}/scripts/intermediate_shared.py --stock-code {股票代码} --status 2>/dev/null)
  if echo "$STATUS" | grep -q "风险辩论.*done"; then
    echo "风险辩论完成，进入风险经理决策"
    break
  fi
  sleep 3
done

# 等待风险经理决策完成
for i in {1..20}; do
  STATUS=$(python3 {baseDir}/scripts/intermediate_shared.py --stock-code {股票代码} --status 2>/dev/null)
  if echo "$STATUS" | grep -q "风险经理决策.*done"; then
    echo "风险经理决策完成，进入 PDF 生成"
    break
  fi
  sleep 3
done

Step 6: 生成 PDF

# 直接从共享文件渲染 PDF，无需在 prompt 里拼接所有数据
python3 {baseDir}/scripts/generate_report.py --from-file $JSON_FILE

---

各步骤写入规范

步骤	--step 参数	写入路径	关键约束
新闻搜索	news_data	news_data	summary ≤50字，sentiment ∈{偏多,偏空,中性}
多头分析	bull_analyst	结果.多头分析	confidenceindex 0-1
空头分析	bear_analyst	结果.空头分析	同上
技术分析	tech_analyst	结果.技术分析	趋势判断键=短期/中期/长期，必须包含支撑位/压力位/技术指标
基本面分析	fundamentals_analyst	结果.基本面分析	估值分析键必须用中文
新闻分析	news_analyst	结果.新闻分析	news_list 每条有 summary
社交媒体分析	social_analyst	结果.社交媒体分析	sentiment_score 0-1
辩论过程	debate	结果.辩论过程	必须包含 rounds 数组，每轮含 bull_detail/bear_detail 结构
研究经理决策	manager	结果.研究经理决策	decision ∈{买入,卖出,持有}
交易计划	trader	结果.交易计划	buy/target/stop 必须是数字或 null
风险辩论	risk_debate	结果.风险辩论	三派结构：aggressive/neutral/conservative
风险经理决策	risk_manager	结果.风险经理决策	risk_level ∈{低,中,高}

字段映射对照表

intermediate_shared.py --write --step <step> 中的 --step 参数：

--step 参数	实际写入路径	说明
stock_data	结果.股票数据	初始化时写入
news_data	news_data	新闻原始数据
bull_analyst	结果.多头分析	多头分析师结论
bear_analyst	结果.空头分析	空头分析师结论
tech_analyst	结果.技术分析	技术分析师结论
fundamentals_analyst	结果.基本面分析	基本面分析师结论
news_analyst	结果.新闻分析	新闻分析师结论
social_analyst	结果.社交媒体分析	社交媒体分析师结论
debate	结果.辩论过程	必须包含 rounds 数组
manager	结果.研究经理决策	decision ∈{买入,卖出,持有}
trader	结果.交易计划	buy/target/stop 必须是数字或 null
risk_debate	结果.风险辩论	三派结构：aggressive/neutral/conservative
risk_manager	结果.风险经理决策	risk_level ∈{低,中,高}

注意：SKILL.md 中旧写法 --write-stock-data 不存在，正确写法是 --write --step stock_data。

---

输出文件

PDF 保存到 {baseDir}/scripts/reports/，文件名：{股票代码}_{YYYYMMDD}_{HHMMSS}.pdf

---

调试方法

查看当前分析状态

python3 {baseDir}/scripts/intermediate_shared.py --stock-code PDD --status

查看共享文件内容

python3 {baseDir}/scripts/intermediate_shared.py --stock-code PDD --read

直接生成 PDF（已有共享文件时）

python3 {baseDir}/scripts/generate_report.py \
  --from-file {baseDir}/scripts/intermediate/PDD_20260520_100000.json

测试验证工具

# 测试验证工具（含内容质量检测）
echo '{"bull_detail": {"core_logic": "测试", "bull_case": ["测试"]}}' | \
  python3 {baseDir}/scripts/validate_step.py --step bull_analyst

# 获取默认值
python3 {baseDir}/scripts/validate_step.py --step bull_analyst --default

---

内容质量要求

validate_step.py 在字段验证通过后，还会检查内容质量（字数下限）：

步骤	字段	最小字数
bull_analyst	core_logic	≥20字
bull_analyst	bull_case 总计	≥50字
bear_analyst	core_logic	≥20字
bear_analyst	bear_case 总计	≥50字
manager	rationale	≥30字

如果内容过短，验证会失败并返回 content_too_short 错误，hint 中会说明具体不足原因。Subagent 应根据错误提示补充内容后重试。