Nhét cả phòng môi giới vào AI: Cách bóc tiền từ framework đa tác nhân TradingAgents

Nỗi đau: Trần kính khi một Agent gánh quyết định phức tạp

Ai từng bắt GPT hay Claude chạy phân tích đầu tư một mình đều hiểu: bảo một model vừa làm cơ bản, vừa đọc tâm lý, vừa xem kỹ thuật, nó sẽ “pha loãng”. Lúc thì trả lời mờ nhạt “nắm giữ”, lúc thì logic đứt khúc — vừa nói báo cáo vượt kỳ vọng, đã quay sang bảo tâm lý đang yếu.

Nói thẳng, không phải model ngu, mà là vấn đề kiến trúc. Phòng môi giới thật vốn chia nhau: chuyên viên mỗi người một mảng, researcher tranh luận, trader đọc tín hiệu, risk đặt cắt lỗ. Bắt một AI đóng mọi vai thì tất yếu méo.

TradingAgents phá vỡ điểm này bằng cách tách dây chuyền thành 7 Agent độc lập — chuyên viên cơ bản, chuyên viên tâm lý, chuyên viên tin tức, chuyên viên kỹ thuật, researcher (tranh luận bò/gấu), trader, quản lý rủi ro — mỗi bên làm việc riêng, đấu với nhau, rồi tổng hợp.

Cơ hội: Đây không phải đồ chơi chứng khoán, mà là “hộp cát chuẩn” cho AI cộng tác

Nhiều người thấy là nghĩ “lấy nó đi đánh chứng khoán”. Sai. Coi TradingAgents như bùa hộ mệnh là hỏng.

Mấu chốt ở đây: nó là một bộ template hệ thống quyết định phức tạp, mã nguồn mở, sửa được, chạy được.

Người nhận việc AI có thể lấy kiến trúc đa tác nhân; người làm nội dung có nguyên liệu tri thức “AI quyết định kiểu gì”; người làm sản phẩm thì fork thẳng ra làm trợ lý quyết định cho ngành dọc.

Trên GitHub dự án này thuộc hàng bàn luận nhiều nhất trong các framework đa tác nhân (số star dao động theo thời gian, bài gốc nói tầm 56k–98.9k, chưa xác minh độc lập). Code rõ ràng, docs đầy đủ, cộng đồng sôi nổi — với ai muốn nghiên cứu AI cộng tác, đây là bàn mổ xẻ có sẵn.

Lộ trình: Ba đường kiếm tiền

Bước 1: Nhận việc — Làm “bộ Agent quyết định” cho ngành khác

Kiến trúc code TradingAgents dạng module: tầng chuyên viên, tầng researcher (tranh luận bò/gấu), tầng trader, tầng risk, mỗi tầng là một Agent độc lập.

Logic nhận việc cực đơn giản: thay “nghiên cứu tài chính” bằng kịch bản quyết định của ngành khác.

• Quyết định chọn sản phẩm e-commerce: một Agent chạy dữ liệu bán hàng, một chạy giá đối thủ, một chạy rủi ro chuỗi cung ứng, cuối cùng tranh luận “có nên lên sản phẩm này không”. Điểm sửa: viết lại system prompt trong analyst.py, thay nguồn báo cáo tài chính bằng API ChanMama, thay MACD bằng xu hướng doanh số.
• Quyết định chọn đề tài nội dung: Agent phân tích thuật toán nền tảng, tâm lý người dùng, quy luật đề tài hot, tranh luận “có làm đề tài này không”. Điểm sửa: thay nguồn tin tức bằng ChanMama/XinBang, thay biến “báo cáo tài chính” bằng “tỷ lệ xem hết/tương tác”.
• Quyết định tuyển dụng: Agent đánh giá độ khớp CV, phỏng vấn, rủi ro cộng tác nhóm, tranh luận “có gửi offer không”. Điểm sửa: thay API dữ liệu thị trường bằng API phân tích CV, đổi logic risk từ “cắt lỗ” sang “dự đoán tỷ lệ qua thử việc”.

Bản thân tôi chạy Claude ổn nhất, GPT-4o thỉnh thoảng giật; n8n dễ hơn Make nhưng đắt hơn, tùy ví tiền. Khách nghe “7 AI cãi nhau giúp bạn chốt” là báo giá nhân đôi ngay.

Mỏ neo giá tham khảo (cuối cùng tùy ngân sách khách): bản定制 một kịch bản 8-20 triệu VND (đối chiếu báo giá báo cáo ngành của hãng tư vấn AI đầu ngành), bản ngành tổng quát từ 30 triệu VND (đối chiếu dự án BI dashboard定制).

Bước 2: Làm nội dung — Mổ xẻ “AI nghĩ kiểu gì” thành sản phẩm tri thức

Khi TradingAgents chạy xong, nó xuất ra đầy đủ biên bản tranh luận: researcher bò nói gì, researcher gấu phản bác ra sao, trader cuối cùng nghe theo logic ai.

Bản thân mấy biên bản này đã là nguyên liệu hiếm.

Lập tài khoản “Nhật ký đầu tư AI” trên Lemon8 hoặc TikTok, mỗi ngày chạy một mã, chụp màn hình quá trình tranh luận cắt clip ngắn. Tiêu đề đánh thẳng vào điểm xung đột: “GPT bò vs Claude gấu, Tesla có nên mua không?” — dạng này tỷ lệ xem hết cực cao.

⚠️ Lưu ý tuân thủ: Nội dung khuyến nghị cổ phiếu cụ thể dễ dính vi phạm chứng khoán trên nền tảng, tài khoản gần như chắc chắn bị hạn chế hoặc khóa. Chỉ nên trình bày quá trình tranh luận, không đưa lời khuyên mua/bán, tiêu đề dùng “AI cãi nhau kiểu gì” thay vì “có nên mua không”.

Cách chơi nâng cao: gom nhiều vòng tranh luận thành “Báo cáo tuần AI quyết định”, treo Carousell hoặc nhóm tri thức bán 49-149k VND/năm. Đối tượng là người mới và nhà đầu tư nhỏ muốn học khung quyết định đầu tư — họ không mua nổi báo cáo phòng môi giới, nhưng mua được sản phẩm phụ “AI mô phỏng phòng môi giới”.

Còn một giá trị ẩn: dữ liệu tranh luận này có thể huấn luyện ngược cho Second Brain (kho tri thức cá nhân) của bạn. Gom “AI đổi ý khi nào” thành knowledge base, sau này quyết định gì cũng gọi ra được.

Bước 3: Làm sản phẩm — “SaaS nghiên cứu AI” cho ngành dọc

TradingAgents mã nguồn mở, nhưng nguồn dữ liệu và prompt ngành dọc mới là hào luỹ.

Lấy e-commerce làm ví dụ: sửa kiến trúc thành “bộ Agent chọn sản phẩm”, nguồn dữ liệu nối ChanMama, Shopee Seller Centre, TikTok Shop API, prompt viết lại cho kịch bản chọn sản phẩm. Một seller Shopify hoặc Shopee sẵn sàng trả 1.2-5 triệu VND/tháng cho “mỗi ngày tự động chạy ra 10 sản phẩm tiềm năng” (đối chiếu gói ChanMama cơ bản 999/năm, bán premium gấp 6 lần).

Tech stack chia giai đoạn:

• MVP chạy được ngay: Streamlit + module lõi TradingAgents + 1 API key, ba ngày lên sàn.
• Bản nâng cao: frontend đổi Next.js, backend FastAPI, orchestration Agent lên LangGraph (engine workflow kiểu tương tự) hoặc CrewAI.
• Triển khai scale: Railway hoặc Vercel, nối API dữ liệu theo ngành.

Cold start dựa SEO và quảng cáo Lemon8, đánh từ khóa “công cụ chọn sản phẩm AI”, “trợ lý nghiên cứu AI”. User đầu tiên vớt từ cộng đồng e-commerce và nhóm Telegram về đầu tư.

Tính chi phí: Đừng để phí API ăn mòn biên lợi nhuận

7 Agent chạy nối tiếp một vòng, theo giá GPT-4o mỗi lần quyết định ngốn khoảng 15k-30k tokens, chi phí tầm 2-5k VND/lần. Khách chạy mỗi ngày một lần, phí API tháng 60-150k VND, giá bán 1.2-5 triệu VND/tháng, biên lợi nhuận 60-70%, chèo được.

Cách giảm chi phí: Agent không cốt lõi (tâm lý, tin tức) thay bằng GPT-4o-mini hoặc Llama local, chi phí mỗi lần nén xuống 300-1k VND; vòng tranh luận researcher là cốt lõi, đừng tiếc.

Case study: Quyết định thật TradingAgents chạy ra trông thế nào?

Bài gốc nói dự án hỗ trợ backtest và paper trading (theo bài gốc, chưa xác minh độc lập). Giả sử bạn cho nó chạy Tesla:

1. Chuyên viên cơ bản: kéo báo cáo mới nhất, ra “doanh thu tăng 15% YoY, biên lợi nhuận gộp hồi phục”.
2. Chuyên viên tâm lý: quét Twitter và Reddit, ra “tâm lý retail lệch bò, nhưng độ bàn luận của tổ chức giảm”.
3. Chuyên viên tin tức: bắt Bloomberg và Reuters, ra “tin nhà máy Thượng Hải mở rộng công suất tích cực”.
4. Chuyên viên kỹ thuật: chạy MACD và RSI, ra “quá mua khung tuần”.
5. Tranh luận researcher: bò nói “cơ bản + mở rộng công suất hỗ trợ dài hạn”, gấu nói “kỹ thuật quá mua + tâm lý đỉnh”.
6. Trader: tổng hợp, ra “vị thế nhỏ thăm dò, cắt lỗ -5%”.
7. Quản lý rủi ro: kiểm tra tương quan danh mục, ra “tech stock đã cao, đề xuất giảm 20%”.

Cả quy trình chạy xong, mật độ tri thức cao gấp mấy lần so với lướt雪ball cả ngày.

Kêu gọi hành động: Tối nay làm luôn

Đừng lưu lại nữa. Mở GitHub gõ TradingAgents, clone về, làm theo ba bước:

1. Chạy case mặc định: dùng API key OpenAI hoặc Anthropic, cho nó phân tích Apple một lần, xem toàn bộ quy trình tranh luận.
2. Đổi một biến: thay mã cổ phiếu bằng ngành bạn rành (ví dụ “mẫu nữ nào đáng lên kệ”), xem Agent tranh luận ra sao.
3. Quay một clip: quay màn hình quá trình tranh luận, đăng Lemon8 hoặc TikTok, tiêu đề “7 AI cãi nhau quyết định có nên mua Tesla”.

Ba ngày sau quay lại kể tôi kiếm được bao nhiêu.

Không biết code thì sao?

• Dùng thẳng template đa tác nhân kéo thả của Coze hoặc Dify, không cần đụng Python.
• Hoặc dùng TradingAgents Web Demo có sẵn (nếu tác giả deploy), nhập mã cổ phiếu xem kết quả tranh luận, quay màn hình làm nguyên liệu nội dung.
• Cách lười nhất: chạy một case mặc định, chụp ảnh tranh luận đăng Lemon8, kèm câu “7 AI giúp tôi phân tích Apple”, vẫn tăng follow được.