前言
你是否想过利用强大的大语言模型（LLM）来分析金融市场，甚至进行自动化交易？langchain-trading-agents 项目正是一个为此而生的开源框架。它集成了多个智能体，能够协同工作，完成复杂的金融数据分析任务。
本文将提供一份详尽的、从零开始的部署指南，带你一步步搭建起这个强大的AI交易系统。即使你是初次接触，只要跟着本教程操作，也能顺利运行起来。

一、 准备工作：工欲善其事，必先利其器
在开始之前，请确保你的开发环境中已经安装了以下基础软件：
Python: 建议使用 Python 3.9 或更高版本。
Git: 用于从 GitHub 克隆项目代码。
代码编辑器: 推荐使用 VS Code 或 PyCharm，方便后续的代码编辑和配置文件修改。

二、 获取项目代码
首先，我们需要从 GitHub 上获取项目的源代码。
在你的电脑上创建一个用于存放项目的文件夹，例如 AI_Trading。
打开终端（或 Git Bash、VS Code 的集成终端），cd 到你刚刚创建的目录下。
执行以下 git clone 命令来克隆项目：

git clone https://github.com/aitrados/langchain-trading-agents.git
 

克隆完成后，进入项目目录：

cd langchain-trading-agents
 

三、 安装项目依赖
项目所需的所有 Python 包都列在了 requirements.txt 文件中。我们可以使用 pip 一键安装所有依赖。
在项目根目录 (langchain-trading-agents) 下，运行以下命令：

pip install -r requirements.txt
 

提示: 如果你的网络环境访问 PyPI 较慢，可以考虑使用国内镜像源，例如：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
 

四、 核心配置文件详解
配置是整个部署流程中最关键的一步。我们需要配置服务密钥、交易账户信息和 AI 模型。
4.1 创建配置文件
项目提供了配置文件的模板，我们需要复制它们并重命名，作为实际使用的配置文件。

cp env_example .env
cp config_example.toml config.toml
 

现在，你的项目根目录下应该有了 .env 和 config.toml 这两个新文件。
4.2 配置 Aitrados 密钥
Aitrados 是该项目背后的核心服务。你需要一个免费的密钥来使用它。
访问 Aitrados 官网：https://www.aitrados.com/
免费注册一个账号并获取你的 SECRET_KEY。
使用代码编辑器打开 .env 文件，找到以下这行：

AITRADOS_SECRET_KEY=your_actual_key_here
 

将 配置你的key 替换为你自己从官网获取的密钥。
4.3 配置交易券商 (以 OKX 模拟盘为例)
为了让智能体能够执行（模拟）交易，我们需要配置一个券商账户。这里以 OKX 的模拟交易环境为例。
访问 OKX 官网：https://www.okx.com/，注册并创建 API Key。
使用代码编辑器打开 config.toml 文件。
找到 [broker] 部分，并按如下方式填写你的 OKX API 信息：

auto_run_brokers=["okx_demo"] # 启用 okx_demo 这个券商
[broker]
    [broker.okx_demo]
        display_name="OKX simulation" # 显示名称
        provider = "okx"
        api_key = "YOUR_API_KEY"     # 替换为你的 OKX API Key
        secret_key = "YOUR_SECRET_KEY"  # 替换为你的 OKX Secret Key
        passphrase = "YOUR_LOGIN_PASSWORD" # 替换为你的 OKX API Passphrase
        server = "demo"          # 重要！设置为 "demo" 使用模拟环境
        # proxy_host = "127.0.0.1"    # 如果需要代理，取消注释并配置
        # proxy_port = 8080
        spread_trading = "false"
 

注意: 请务必确保 server = "demo"，这样程序将在模拟环境中运行，不会产生真实资金风险。
4.4 配置大语言模型 (LLM)
智能体的“大脑”就是大语言模型。你需要配置一个支持 Function Calling 的 LLM。这里以 DeepSeek 为例。
获取 DeepSeek 的 API Key。
在 config.toml 文件中，找到 [llm_models] 部分，并添加或修改你的 DeepSeek 配置：

[llm_models.deepseek]
    provider = "deepseek"
    base_url = "https://api.deepseek.com/v1"
    model_name = "deepseek-chat" # 确保模型支持工具调用
    api_key = "YOUR-API-KEY"     # 替换为你的 DeepSeek API Key
    temperature = 0.7

五、 修改示例代码
为了让示例脚本能够正确导入模块和调用我们配置的模型，需要进行两处小修改。
请进入 examples 文件夹，对除了 common 和 my 开头的所有 .py 文件进行如下修改：
修改导入路径：
找到 from common_lib_example import * 这一行，将其修改为：

from examples.common_lib_example import *

修改模型配置：
找到

model_config=get_llm_model_config(ModelProvider.OLLAMA) 

这一行，将末尾的 OLLAMA 替换为你在 config.toml 中配置的模型提供商，例如 DEEPSEEK：

model_config = get_llm_model_config(ModelProvider.DEEPSEEK)

六、 启动与运行
所有配置都已完成！现在是时候启动系统并见证 AI 的力量了。
6.1 启动 MCP 服务器
MCP (Model Context Protocol) 服务器是连接各个组件的桥梁。在项目根目录下，打开一个新的终端，运行以下命令：

finance-trading-ai-agents-mcp --env-file .env

重要提示: 如果启动失败，请首先检查 .env 文件中的 AITRADOS_SECRET_KEY 是否正确配置。服务器启动后会保持运行，请不要关闭这个终端窗口。
6.2 运行示例脚本
在另一个新的终端中，cd 到项目根目录。
运行 examples 文件夹下的任意一个示例脚本，例如：

python examples/price_action_analyst_example.py

解决 ModuleNotFoundError: 如果运行时提示找不到模块，这是一个常见的 Python 路径问题。一个简单的解决方法是：将该示例文件（如 price_action_analyst_example.py）复制或移动到项目根目录，然后再次运行：

python price_action_analyst_example.py

自定义提问: 打开你正在运行的脚本文件，找到 query 或 ask 相关的变量，修改其中的提示词，向 AI 提出你自己的问题。
如果一切顺利，你将看到多个智能体开始协同工作，分析市场数据并给出结论。恭喜你，你已经成功开启了多智能体 AI 分析的时代！
七、 总结与展望
通过本教程，你已经成功部署了 langchain-trading-agents 项目，并运行了你的第一个 AI 驱动的金融分析任务。
这仅仅是一个开始。后续的智能交易策略开发、更复杂的市场分析，可以持续关注 Aitrados 的官方更新，或者基于这个强大的框架，集成你自己的交易逻辑和数据分析模型。
祝你在 AI 量化的道路上探索愉快！
#AI #量化交易 #LangChain #Python #智能体