TradingAgents: come trasformare il framework multi-agente in una macchina da soldi

Il problema: il tetto massimo del singolo agente nelle decisioni complesse

Chi ha provato GPT o Claude da soli per l’analisi di investimento conosce il limite: chiedi a un modello di giudicare fondamentali, sentiment e tecnica insieme, e lui “media tutto”. O ti rifila un vago “mantieni”, o ti spezza la catena logica — un secondo dice che gli utili battono le stime, quello dopo parla di sentiment in calo.

Non è un problema di intelligenza del modello. È un problema di architettura. Il processo decisionale di una vera banca d’investimento è diviso per ruoli: analisti ognuno sul proprio pezzo, ricercatori che si sfidano, trader che leggono i segnali, risk manager che mette gli stop. Un singolo IA che fa tutte le parti distorce tutto.

Il salto di TradingAgents è qui: ha spacchettato la pipeline in sette agenti indipendenti — analista fondamentali, analista sentiment, analista news, analista tecnico, ricercatori (toro/orso in dibattito), trader, risk manager — ognuno lavora, litigano tra loro, poi si arriva a una sintesi.

L’opportunità: non è un tool per fare trading, è la “sandbox standard” della collaborazione IA

La prima reazione di molti è “lo uso per fare trading”. Sbagliato. Significa trattare TradingAgents come alchimia.

Il punto chiave è un altro: è un template open source, modificabile, già funzionante, per sistemi decisionali complessi.

Chi fa consulenza IA può copiare da qui l’architettura multi-agente. Chi fa contenuti può estrarre materiale cognitivo su “come decide l’IA”. Chi fa prodotti può fare il fork e costruire assistenti decisionali verticali.

Su GitHub il progetto è tra i framework multi-agente più discussi (il numero di star oscilla nel tempo, il post originale cita 56k–98.9k, non verificato indipendentemente). Codice pulito, documentazione completa, community attiva. Per chi vuole studiare la collaborazione tra agenti è un tavolo operatorio già pronto.

Le tre strade per monetizzare

Strada 1: servizi su misura — “kit di agenti decisionali” per settori specifici

L’architettura di TradingAgents è modulare: layer analisti, layer ricercatori (dibattito toro/orso), layer trader, layer risk. Ogni layer è un agente indipendente.

La logica è semplice: scambi “ricerca finanziaria” con scenari decisionali di altri settori.

• Decisioni di selezione prodotto e-commerce: un agente gira i dati di vendita, uno i prezzi dei concorrenti, uno il rischio supply chain, poi dibattono se lanciare o meno il prodotto. Modifica concreta: riscrivi i system prompt in analyst.py, sostituisci le fonti dati dei report con API tipo蝉妈妈, sostituisci il MACD con trend di vendita.
• Decisioni editoriali: agenti che analizzano algoritmo della piattaforma, sentiment utenti, pattern dei viral, poi dibattono se fare o meno quel topic. Modifica: fonti news sostituite con新榜/蝉妈妈, variabile “report finanziari” sostituita con “tasso di completamento/interazione”.
• Selezione del personale: agenti che valutano match del CV, performance al colloquio, rischio di integrazione nel team, poi dibattono se fare l’offerta. Modifica: API dati di mercato sostituita con parser CV, logica del risk agent da “stop loss” a “probabilità di superamento periodo di prova”.

Io ragiono meglio con Claude, ogni tanto GPT-4o sfarfalla; n8n è più veloce da imparare di Make ma costa di più, dipende dal budget. Quando il cliente sente “7 IA che litigano per decidere al posto tuo”, il preventivo raddoppia.

Ancoraggi di prezzo (il budget finale lo detta il cliente): versione custom per singolo scenario €1.000–2.500 (contro i report di settore delle big consulting IA), versione cross-settore da €3.800 in su (contro progetti BI dashboard custom).

Strada 2: contenuti — spacca “come ragiona l’IA” e vendilo come prodotto cognitivo

Quando TradingAgents gira, butta fuori il dibattito completo: cosa dice il ricercatore toro, come ribatte l’orso, quale logica adotta il trader alla fine.

Quella roba è materiale scarso.

Su Lemon8 o TikTok lancia un account tipo “diario di investimento IA”, ogni giorno fai girare un titolo, schermata del dibattito, video corto. Titolo sul punto di scontro: “GPT rialzista vs Claude ribassista, Tesla comprare o no?” — quel tipo di contenuto tiene lo schermo fino alla fine.

⚠️ Nota compliance: contenuti che consigliano titoli specifici fanno scattare subito le regole delle piattaforme su contenuti finanziari, rischio limitazione o ban account. Meglio mostrare solo il processo decisionale, senza dare indicazioni di acquisto/vendita. Titolo “come litigano le IA” invece di “comprare o no”.

Livello avanzato: impacchetta i dibattiti settimanali in un “Weekly Report Decisionale IA”, vendilo su Substack o una newsletter a pagamento a €9–29/anno. Target: piccoli risparmiatori e retail che vogliono imparare un framework decisionale, non possono pagare una research bank ma possono pagarsi il “sottoprodotto di una banca simulata”.

Valore nascosto: quei dati di dibattito alimentano al contrario il tuo Second Brain (knowledge base personale). Metti in archivio “in quali condizioni l’IA cambia idea” e lo richiami per qualsiasi decisione futura.

Strada 3: prodotto — SaaS verticale di “ricerca IA” per nicchia

TradingAgents è open source, ma le fonti dati verticali e i prompt sono il vero recinto.

Esempio e-commerce: prendi l’architettura, trasformala in “kit agenti per selezione prodotto”, aggancia API蝉妈妈, backend Temu/Shopee, TikTok Shop, riscrivi i prompt per il caso d’uso. Un seller Shopify o Shopee paga volentieri €60–250/mese per “10 potenziali bestseller al giorno in automatico” (contro i €120/anno del piano base蝉妈妈, premio 6x).

Stack tecnico per fasi:

• MVP minimo funzionante: Streamlit + moduli core TradingAgents + una API key, online in tre giorni.
• Versione avanzata: Next.js davanti, FastAPI dietro, orchestrazione agenti con LangGraph (motore workflow) o CrewAI.
• Deploy scalato: Railway o Vercel, fonti dati API per settore.

Cold start via SEO e advertising su Lemon8, keyword tipo “strumento IA selezione prodotto”, “assistente ricerca IA”. Primi seed user dai gruppi e-commerce e dalle community Telegram di investitori.

Calcolo costi: non farti mangiare il margine dalle API

Sette agenti in serie per un ciclo, con tariffe GPT-4o, consumano circa 15k–30k token a decisione, costo €0,60–1,80 a run. Se il cliente gira una volta al giorno, costo API mensile €18–55, prezzo di vendita €60–250/mese, margine 60–70%, regge.

Taglio costi: agenti non core (sentiment, news) sostituiscili con GPT-4o-mini o Llama in locale, costo a run scende a €0,12–0,35; il dibattito tra ricercatori è il core, non tagliarlo.

Caso reale: come esce una decisione vera da TradingAgents?

Il post originale cita funzioni di backtesting e paper trading (non verificate indipendentemente). Mettiamo che giri Tesla:

1. Analista fondamentali: tira giù l’ultimo report, output “ricavi +15% YoY, margini in ripresa”.
2. Analista sentiment: scansiona Twitter e Reddit, output “retail bullish, ma discussioni istituzionali in calo”.
3. Analista news: pesca Bloomberg e Reuters, output “notizia positiva su espansione fabbrica Shanghai”.
4. Analista tecnico: gira MACD e RSI, output “ipercomprato su timeframe settimanale”.
5. Dibattito ricercatori: toro dice “fondamentali + espansione sostengono il lungo”, orso dice “tecnica ipercomprata + sentiment al top”.
6. Trader: sintesi, output “posizione piccola di prova, stop -5%”.
7. Risk manager: controlla correlazione portafoglio, output “esposizione tech già alta, tagliare 20%”.

Quel flusso ti dà più densità cognitiva di un giorno intero su StockTwits.

Call to action: stasera al lavoro

Basta con i bookmark. Apri GitHub, cerca TradingAgents, clona, segui questi tre step:

1. Fai girare il caso default: con una API key OpenAI o Anthropic, lancia l’analisi su Apple, guarda tutto il dibattito.
2. Cambia una variabile: sostituisci il ticker con una categoria e-commerce che conosci (es. “quale modello女装 vale la pena lanciare”), guarda come dibattono gli agenti.
3. Registra un contenuto: screen record del dibattito, posta su Lemon8 o TikTok, titolo “7 IA che litigano per decidere se comprare Tesla”.

Torna tra tre giorni e dimmi quanto hai guadagnato.

Non sai scrivere codice?

• Usa i template multi-agente drag-and-drop di Coze o Dify, niente Python.
• Oppure cerca se l’autore ha deployato una Web Demo di TradingAgents, inserisci il ticker e guardi il dibattito, screen record e hai già materiale.
• Il trucco più pigro: fai girare il caso default, screenshot del dibattito su Lemon8 con caption “7 IA mi hanno analizzato Apple”, funziona uguale per fare follower.