TradingAgents-CN 新闻分析工具链与提示词系统深度解析【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导读本文基于 docs/features/news/news-analysis-system.md系统拆解 TradingAgents-CN 中文金融交易框架中的新闻分析模块从多源新闻聚合、去重排序、紧急程度评估、相关性评分到面向 LLM 的系统提示词设计与动态注入再到 A 股/港股/美股自动分流的工具链执行流程。读完本文你将掌握该框架新闻 → 数据 → LLM 分析 → 结构化报告的完整链路并能在实际项目中复现、配置与扩展这套新闻分析能力。1. 新闻分析工具链整体架构TradingAgents-CN 将新闻分析设计为一条独立、可插拔的工具链。从源码结构看整个链路可概括为新闻分析师NewsAnalyst→ 工具选择 → 多源新闻获取 → 新闻处理流水线 → 格式化报告 → LLM 分析 → 结构化报告。新闻分析师 (NewsAnalyst) ↓ 工具选择根据股票类型和运行模式 ↓ ┌───────────────┬───────────────┬───────────────┐ │ A股工具链 │ 非A股工具链 │ 离线工具链 │ └───────────────┴───────────────┴───────────────┘ ↓ 实时新闻聚合器 (RealtimeNewsAggregator) ↓ ┌─────────────┬─────────────┬─────────────┬─────────────┐ │ FinnHub │ Alpha │ NewsAPI │ 中文财经 │ │ 实时新闻 │ Vantage │ 新闻源 │ 新闻源 │ └─────────────┴─────────────┴─────────────┴─────────────┘ ↓ 新闻处理流水线去重 / 时效性评估 / 紧急程度评估 / 相关性评分 ↓ 格式化新闻报告 ↓ LLM 分析基于提示词模板 ↓ 结构化分析报告需要说明的是这一架构在 tradingagents/agents/analysts/news_analyst.py 的当前实现中已经进一步收敛工具选择不再由分析师节点手工拼装多个工具而是统一交给create_unified_news_tool创建的get_stock_news_unified单工具由它在内部完成股票类型识别 → 数据源路由的完整逻辑。文档描述的分市场工具链逻辑并未消失而是被下沉到了统一新闻工具内部详见第 4 节这既保留了多市场分流的智能性又显著降低了 LLM 工具调用的失败率。2. 工具链组件详解2.1 新闻分析师NewsAnalyst位置tradingagents/agents/analysts/news_analyst.pycreate_news_analyst(llm, toolkit)返回一个以log_analyst_module(news)装饰的图节点news_analyst_node(state)负责智能工具选择根据股票类型和运行模式提示词模板管理ChatPromptTemplatepartial动态注入LLM 调用和结果处理含 Google 模型与 DashScope/DeepSeek/Zhipu 模型的分流处理分析报告生成股票类型识别节点通过StockUtils.get_market_info(ticker)获取is_china / is_hk / is_us三组标志并据此调用对应的公司名称解析逻辑——A 股走get_china_stock_info_unified统一接口港股走get_hk_company_name_improved美股则使用内置的名称映射表如 AAPL→苹果公司。公司名称会被拼入提示词帮助 LLM 建立标的上下文。工具调用防死循环源码中显式引入了news_tool_call_count计数器max_tool_calls 3每次执行后以不携带 tool_calls 的干净AIMessage返回clean_message AIMessage(contentreport)确保 LangGraph 工作流能正确判定分析已完成避免节点被无限重入。文档中描述的按is_china与online_tools拆分工具链的逻辑如下当前版本已由统一新闻工具承载# 文档描述的历史/参考逻辑 if is_china: tools [ toolkit.get_realtime_stock_news, # 实时新闻包含东方财富 toolkit.get_google_news, # Google新闻中文搜索 toolkit.get_global_news_openai # OpenAI全球新闻作为补充 ] else: tools [ toolkit.get_realtime_stock_news, toolkit.get_global_news_openai, toolkit.get_google_news ] if not online_tools: tools [ toolkit.get_realtime_stock_news, toolkit.get_finnhub_news, toolkit.get_reddit_news, toolkit.get_google_news, ]这些底层工具在 tradingagents/agents/utils/agent_utils.py 的Toolkit类中均有真实实现get_reddit_news、get_finnhub_news、get_google_news、get_global_news_openai等可供统一新闻工具在内部按需路由调用。2.2 实时新闻聚合器RealtimeNewsAggregator位置文档标注为 tradingagents/dataflows/realtime_news_utils.py从当前源码看该文件已演化为向后兼容导出层真正的实现位于 tradingagents/dataflows/news/realtime_news.py两者均导出get_realtime_stock_news、RealtimeNewsAggregator、NewsItem旧调用方无需改动。聚合器核心能力多源新闻聚合新闻去重和排序紧急程度评估相关性评分时效性分析数据源优先级FinnHub 实时新闻最高优先级_get_finnhub_realtime_newsAlpha Vantage 新闻NEWS_SENTIMENT接口_get_alpha_vantage_newsNewsAPI 新闻源_get_newsapi_news仅配置NEWSAPI_KEY时启用中文财经新闻源_get_chinese_finance_news东方财富 财联社 RSS每个数据源在源码中都有独立的容错封装未配置密钥直接跳过、API 异常被捕获并记录日志后返回空列表保证单个源失败不会拖垮整条链路。新闻项目数据结构realtime_news.py 中定义dataclass class NewsItem: title: str # 新闻标题 content: str # 新闻内容 source: str # 新闻来源 publish_time: datetime # 发布时间 url: str # 新闻链接 urgency: str # 紧急程度 (high, medium, low) relevance_score: float # 相关性评分2.3 新闻处理流水线去重处理_deduplicate_news以title.lower().strip()作为去重键标题长度 ≤ 10 的新闻会被视为信息量不足直接丢弃命中已见标题的重复项被剔除。源码会分别统计重复数与标题过短数并写入日志。紧急程度评估_assess_news_urgency对标题正文做小写拼接后按关键词分级。源码中的实际关键词分为两组# 高紧急度关键词命中即 high high_urgency_keywords [ breaking, urgent, alert, emergency, halt, suspend, 突发, 紧急, 暂停, 停牌, 重大 ] # 中等紧急度关键词命中即 medium medium_urgency_keywords [ earnings, report, announce, launch, merger, acquisition, 财报, 发布, 宣布, 并购, 收购 ]文档中给出的中文关键词清单如破产、诉讼、收购、合并、FDA批准、盈利警告、重组、违规、调查、制裁以及财报、业绩、合作、新产品、市场份额、分红、回购、增持、减持代表了该评估思路的扩展方向接入方可以像第 6 节自定义示例那样直接替换high_urgency_keywords/medium_urgency_keywords列表来适配自身业务语义。相关性评分算法_calculate_relevance分四档命中条件评分股票代码如aapl直接出现在标题1.0股票代码纯数字部分A 股如000001出现在标题0.9公司相关关键词如 apple/iphone/tesla/nvidia出现在标题0.8均未命中0.3默认值时效性分析format_news_report会计算最新一条新闻距今的分钟数并以三档标签输出——30 分钟内为 优秀、1 小时内为 良好、超过 1 小时为 一般。3. 提示词系统设计3.1 系统提示词模板新闻分析师的系统提示词news_analyst.py 中完整保留以专业财经新闻分析师角色为核心结构如下system_message 您是一位专业的财经新闻分析师负责分析最新的市场新闻和事件对股票价格的潜在影响。 您的主要职责包括 1. 获取和分析最新的实时新闻优先15-30分钟内的新闻 2. 评估新闻事件的紧急程度和市场影响 3. 识别可能影响股价的关键信息 4. 分析新闻的时效性和可靠性 5. 提供基于新闻的交易建议和价格影响评估 重点关注的新闻类型 - 财报发布和业绩指导 - 重大合作和并购消息 - 政策变化和监管动态 - 突发事件和危机管理 - 行业趋势和技术突破 - 管理层变动和战略调整 分析要点 - 新闻的时效性发布时间距离现在多久 - 新闻的可信度来源权威性 - 市场影响程度对股价的潜在影响 - 投资者情绪变化正面/负面/中性 - 与历史类似事件的对比 新闻影响分析要求 - 评估新闻对股价的短期影响1-3天和市场情绪变化 - 分析新闻的利好/利空程度和可能的市场反应 - 评估新闻对公司基本面和长期投资价值的影响 - 识别新闻中的关键信息点和潜在风险 - 对比历史类似事件的市场反应 - 不允许回复无法评估影响或需要更多信息 请特别注意 ⚠️ 如果新闻数据存在滞后超过2小时请在分析中明确说明时效性限制 ✅ 优先分析最新的、高相关性的新闻事件 提供新闻对市场情绪和投资者信心的影响评估 必须包含基于新闻的市场反应预期和投资建议 聚焦新闻内容本身的解读不涉及技术指标分析 请撰写详细的中文分析报告并在报告末尾附上Markdown表格总结关键发现。3.2 提示词设计原则从上述模板可以提炼出四组设计原则这也是将任何分析型 Agent提示词工程化的可复用范式角色定位专业身份为财经新闻分析师核心职责是新闻分析和价格影响评估专业要求是量化分析与具体建议拒绝空泛表述。任务导向主要任务明确为 5 条核心职责关注重点限定 6 类新闻类型分析维度锁定 5 个关键要点。职责、类型、维度全部显式编号降低 LLM 理解成本。输出要求价格影响分析为强制项模板明确不允许回复无法评估影响输出格式固定为中文报告 末尾 Markdown 表格质量标准要求详细分析叠加量化评估。约束条件时效性约束优先 15–30 分钟内的新闻滞后超 2 小时必须说明可靠性约束评估来源权威性完整性约束必须包含价格影响分析。3.3 动态提示词注入提示词通过ChatPromptTemplate构建使用MessagesPlaceholder承接历史消息再以partial注入运行时变量prompt ChatPromptTemplate.from_messages([ ( system, 您是一位专业的财经新闻分析师。 \n CRITICAL REQUIREMENT - 绝对强制要求 \n1. 您的第一个动作必须是调用 get_stock_news_unified 工具 \n2. 该工具会自动识别股票类型A股、港股、美股并获取相应新闻 \n3. 只有在成功获取新闻数据后才能开始分析 \n\n您可以访问以下工具{tool_names}。 \n标的约束{instrument_context} \n{system_message} \n供您参考当前日期是{current_date}。我们正在查看公司{ticker}。 \n请按照上述要求执行用中文撰写所有分析内容。, ), MessagesPlaceholder(variable_namemessages), ]) # 动态参数注入 prompt prompt.partial(system_messagesystem_message) prompt prompt.partial(tool_names, .join([tool.name for tool in tools])) prompt prompt.partial(current_datecurrent_date) prompt prompt.partial(tickerticker) prompt prompt.partial(instrument_contextinstrument_context)与文档版本相比当前实现额外注入了两个关键变量{tool_names}由统一新闻工具的名称拼接而成配合必须调用工具的强约束指令从提示词层面强制 LLM 走工具调用而非凭空作答{instrument_context}由 tradingagents/agents/utils/instrument_utils.py 的build_instrument_context(ticker)生成把标的约束信息固化进系统提示词进一步压缩幻觉空间。4. 工具链执行流程4.1 初始化阶段def create_news_analyst(llm, toolkit): log_analyst_module(news) def news_analyst_node(state): # 1. 提取状态信息 current_date state[trade_date] ticker state[company_of_interest] session_id state.get(session_id, 未知会话) # 2. 股票类型识别 market_info StockUtils.get_market_info(ticker) is_china market_info[is_china] # 3. 工具选择当前版本统一新闻工具 unified_news_tool create_unified_news_tool(toolkit) unified_news_tool.name get_stock_news_unified tools [unified_news_tool] # 4. 提示词构建 prompt build_prompt_template(system_message, tools, current_date, ticker)4.2 新闻获取阶段统一新闻工具的内部路由位置tradingagents/tools/unified_news_tool.pyUnifiedNewsAnalyzer是当前版本的新闻获取中枢。它先通过_identify_stock_type用正则识别股票类型再路由到对应市场的获取方法def _identify_stock_type(self, stock_code: str) - str: stock_code stock_code.upper().strip() if re.match(r^(00|30|60|68)\d{4}$, stock_code) or re.match(r^(SZ|SH)\d{6}$, stock_code): return A股 elif re.match(r^\d{4,5}\.HK$, stock_code) or (re.match(r^\d{4,5}$, stock_code) and len(stock_code) 5): return 港股 elif re.match(r^[A-Z]{1,5}$, stock_code) or (. in stock_code and not stock_code.endswith(.HK)): return 美股 return A股 # 默认按A股处理各市场的新闻源优先级工具 description 中明确声明市场优先级 1优先级 2优先级 3A 股东方财富数据库缓存优先Google 中文搜索OpenAI 全球新闻港股Google 中文搜索OpenAI 全球新闻实时新闻聚合器美股OpenAI 全球新闻Google 英文搜索FinnHubA 股路径还有一个显著增强优先查 MongoDB 数据库缓存_get_news_from_database查询tradingagents库的stock_news集合按symbol匹配、publish_time倒序、最近 30 天窗口缓存未命中时通过_sync_news_from_akshare在新线程中创建独立事件循环调用AKShareProvider.get_stock_news拉取东方财富新闻并入库随后重新查询。这一DB → 同步 → 重查的三段式设计既规避了异步事件循环冲突也让新闻数据具备可复用的持久化能力。get_realtime_stock_news的传统多源聚合实现兼容层仍可用对应文档描述的流程def get_realtime_stock_news(ticker: str, hours_back: int 6): # 1. 多源新闻获取 finnhub_news _get_finnhub_realtime_news(ticker, hours_back) av_news _get_alpha_vantage_news(ticker, hours_back) newsapi_news _get_newsapi_news(ticker, hours_back) chinese_news _get_chinese_finance_news(ticker, hours_back) # 2. 新闻聚合 all_news finnhub_news av_news newsapi_news chinese_news # 3. 去重和排序 unique_news _deduplicate_news(all_news) sorted_news sorted(unique_news, keylambda x: x.publish_time, reverseTrue) # 4. 格式化报告 report format_news_report(sorted_news, ticker) return report4.3 LLM 分析阶段多模型适配与补救机制news_analyst_node对 LLM 调用做了细致的模型分流这是文档未展开、但源码中非常关键的部分DashScope / DeepSeek / Zhipu 模型在正式调用前先预处理强制调用unified_news_tool(stock_codeticker, max_news10)预取新闻。若预取内容超过 100 字符则直接以系统提示 新闻数据两段消息调用 LLM 生成分析完全跳过工具调用环节——因为这类模型对 function calling 的支持不稳定Google / Gemini 模型走GoogleToolCallHandlertradingagents/agents/utils/google_tool_handler.py由统一处理器完成工具调用解析与二次分析其他模型标准路径chain prompt | llm.bind_tools(tools)后chain.invoke({messages: state[messages]})工具零调用补救若标准路径下result.tool_calls为空会强制拉取真实新闻forced_news unified_news_tool(...)将新闻数据拼进forced_prompt重新请求 LLM杜绝没拿到数据就凭空分析的情况。4.4 报告生成阶段聚合器侧的format_news_reportrealtime_news.py按紧急程度分组输出def format_news_report(news_items: List[NewsItem], ticker: str) - str: high_urgency [n for n in news_items if n.urgency high] medium_urgency [n for n in news_items if n.urgency medium] report f# {ticker} 实时新闻分析报告\n\n report f 生成时间: ...\n 新闻总数: {len(news_items)}条\n\n if high_urgency: report ## 紧急新闻\n\n for news in high_urgency[:3]: # 最多3条 report f### {news.title}\n**来源**: {news.source} | **时间**: ...\n{news.content}\n\n if medium_urgency: report ## 重要新闻\n\n for news in medium_urgency[:5]: # 最多5条 report f### {news.title}\n**来源**: {news.source} | **时间**: ...\n{news.content}\n\n # 时效性说明30分钟内优秀 / 1小时内良好 / 超1小时一般 report f\n## ⏰ 数据时效性\n最新新闻发布于: {time_diff_minutes:.0f}分钟前\n return report同时源码会统计并记录新闻来源分布如东方财富: 5条, FinnHub: 3条为后续数据质量审计提供依据。5. 关键特性和优势智能工具选择自动识别 A 股、港股、美股A 股优先中文新闻源、美股优先英文新闻源在线/离线模式可切换在线开关由 tradingagents/default_config.py 的online_tools、online_news、realtime_data三个环境变量控制。多源新闻聚合FinnHub、Alpha Vantage 提供高质量专业金融新闻NewsAPI 提供广泛通用覆盖东方财富、财联社 RSS 提供中文本地化新闻支持 A 股分析。智能新闻处理基于标题相似度的去重关键词匹配 内容分析的紧急程度评估多维度的相关性评分发布时间与当前时间的时效性对比。强化提示词设计角色明确专业财经新闻分析师任务具体5 大职责 6 类新闻类型输出标准强制必须包含价格影响分析质量保证详细分析 量化评估 Markdown 表格收尾。完整的日志追踪每个步骤都有耗时统计、工具调用记录、新闻数量与来源分布统计、异常详细记录借助 tradingagents/utils/tool_logging.py 的log_analyst_module装饰器与统一日志体系。6. 使用示例6.1 基本使用分析师节点方式from tradingagents.agents.analysts.news_analyst import create_news_analyst from tradingagents.agents.utils.agent_utils import Toolkit from tradingagents.llm_adapters import ChatDashScope # 创建LLM和工具包 llm ChatDashScope() toolkit Toolkit() # 创建新闻分析师 news_analyst create_news_analyst(llm, toolkit) # 执行分析 state { trade_date: 2024-01-15, company_of_interest: AAPL, messages: [], session_id: test_session } result news_analyst(state) print(result[news_report])6.2 自定义配置聚合器方式# 自定义新闻聚合器 from tradingagents.dataflows.realtime_news_utils import RealtimeNewsAggregator aggregator RealtimeNewsAggregator() # 自定义紧急程度关键词 aggregator.high_urgency_keywords [破产, 收购, FDA批准] aggregator.medium_urgency_keywords [财报, 合作, 新产品] # 获取新闻 news_items aggregator.get_realtime_stock_news(AAPL, hours_back12) report aggregator.format_news_report(news_items, AAPL)6.3 统一新闻工具方式推荐from tradingagents.tools.unified_news_tool import create_unified_news_tool unified_tool create_unified_news_tool(toolkit) # A股: 000001 港股: 0700.HK 美股: AAPL report unified_tool(stock_code000001, max_news10, model_infoChatDashScope:qwen-max)7. 配置要求7.1 API 密钥配置聚合器在构造时通过os.getenv读取以下环境变量缺失的源会被自动跳过# .env 文件配置 FINNHUB_API_KEYyour_finnhub_key ALPHA_VANTAGE_API_KEYyour_alpha_vantage_key NEWSAPI_KEYyour_newsapi_key此外A 股新闻链路依赖 AKShare 与 MongoDBstock_news集合后者由项目统一的数据层管理在线工具总开关ONLINE_TOOLS_ENABLED默认关闭false需要时在.env中显式开启。7.2 依赖包要求# requirements.txt requests2.28.0 langchain-core0.1.0 akshare1.9.0 # 用于东方财富新闻 feedparser # 用于财联社RSS解析_parse_rss_feed其中feedparser是财联社 RSS 路径的运行时依赖源码中_parse_rss_feed在ImportError时会优雅降级并记录错误日志不会中断整个聚合流程。8. 性能优化缓存机制新闻缓存数据库stock_news集合按股票代码 30 天窗口查询避免重复 API 调用相同股票的分析结果缓存工具调用结果缓存。并发与异步处理多新闻源顺序容错获取 单源异常隔离A 股同步任务通过ThreadPoolExecutor 新事件循环在独立线程执行规避异步事件循环冲突并带 30 秒超时保护每个外部请求都有超时与raise_for_status()校验。错误处理API 失败自动降级到下一数据源网络错误记录堆栈后返回空列表而非抛异常聚合器、统一新闻工具、分析师节点三层均捕获异常并回退如 LLM 零工具调用时强制预取新闻补救。9. 扩展性设计新数据源接入统一标准接口_get_xxx_news(ticker, hours_back) - List[NewsItem]新增源只需实现该方法并加入get_realtime_stock_news的聚合列表或直接在UnifiedNewsAnalyzer对应市场的优先级链中插入_parse_rss_feed预留了 RSS 源列表如财联社可批量追加。分析能力扩展可基于NewsItem.content扩展情感分析数据库新闻已含sentiment字段、关键事件自动提取、基于历史数据的影响预测。多语言与本地化中英文新闻统一处理A 股/港股走中文源、美股走英文源的市场级路由提示词模板支持在_format_news_result中对 Google 系模型做智能长度控制关键词优先保留 目标长度截断避免超长上下文。总结TradingAgents-CN 的新闻分析工具链本质上是一套多源容错的数据获取层 规则化的质量加工层 强约束的提示词驱动层三层架构。数据获取层通过统一新闻工具按股票类型自动路由并叠加数据库缓存与同步机制质量加工层用关键词分级、相关性评分、时效性标注把原始新闻转成 LLM 友好的结构化输入提示词层则用角色定义、职责编号、强制输出与动态注入把分析结果稳定约束为中文报告 量化评估 Markdown 表格。对于希望在自己的量化分析系统中引入新闻信号、或想借鉴提示词工程实践的开发者本文涉及的源码路径——news_analyst.py、unified_news_tool.py、realtime_news.py、agent_utils.py——都是可直接阅读和复用的第一手参考。【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