把投資銀行研究團隊塞進 AI：TradingAgents 多 Agent 協作框架的賺錢實戰

痛點：單 Agent 做複雜決策的天花板

用過 GPT 或 Claude 單獨跑投資分析的人都知道痛點：讓一個模型同時做基本面、情緒面、技術面判斷，它會「和稀泥」。要么給個模糊的「持有」，要么邏輯鏈斷裂——上一秒說財報超預期，下一秒又扯到情緒轉弱。

說白了，這不是模型智商問題，是架構問題。真實投行的決策流程本來就是分工制：分析師各管一塊，研究員互相辯論，交易員看信號，風險設停損。一個 AI 扮演所有角色，必然失真。

TradingAgents 的核心突破，就是把這條流水線拆成了七個獨立 Agent——基本面分析師、情緒分析師、新聞分析師、技術分析師、研究員（多頭/空頭辯論）、交易員、風險經理——讓它們各自工作、互相博弈、最後彙總。

機會：這不是炒股神器，是 AI 協作的「標準沙盒」

很多人第一反應是「拿它炒股」。錯。這是把 TradingAgents 當玄學。

關鍵在：它是一套開源的、可改的、能跑通的複雜決策系統模板。

做 AI 接單的人，能從這裡學到多 Agent 協作架構；做內容的人，能拆解出「AI 如何做決策」的認知素材；做產品的人，能直接 fork 出來做垂直行業的決策助手。

GitHub 上這個專案屬於多 Agent 框架裡討論度最高的那一檔（具體星號數隨時間波動，據源帖稱在 56k–98.9k 之間，未獨立核實）。程式結構清晰、文件完整、社群活躍，對想研究 AI 協作的人來說，是現成的解剖台。

路徑：三條變現路線

Step 1：接單方向——給產業做「決策 Agent 套件」

TradingAgents 的程式架構是模組化的：分析師層、研究員層（多頭/空頭辯論）、交易員層、風險層，每層都是獨立 Agent。

接單邏輯很簡單：把「金融投研」換成其他產業的決策場景。

• 電商選品決策：讓一個 Agent 跑銷量資料、一個跑競品價格、一個跑供應鏈風險，最後辯論出「上不上這件商品」。具體改點：重寫 analyst.py 裡的 system prompt，把財報資料源換成蝦皮 API，把技術指標的 MACD 換成銷量趨勢。
• 內容選題決策：讓 Agent 分別分析平台演算法、使用者情緒、爆款規律，辯論出「做不做這個選題」。改點：把新聞資料源換成新榜/蝦皮，把「財報」變數換成「完播率/互動率」。
• 招聘篩選決策：讓 Agent 分別評估簡歷匹配度、面試表現、團隊協作風險，辯論出「發不發 offer」。改點：把行情資料介面換成履歷解析 API，風險 Agent 的邏輯從「停損」改成「試用期通過率預測」。

我自己用 Claude 跑推理最穩，GPT-4o 偶爾抖動；n8n 比 Make 上手快但貴，看預算。客戶一聽「7 個 AI 吵架幫你拍板」，報價直接翻倍。

定價錨點參考（最終看客戶預算）：單場景客製版 NT$34,400‑86,000（對標某頭部 AI 諮詢商的產業報告報價），產業通用版 NT$129,000 起（對標客製化 BI 儀表板專案）。

Step 2：內容方向——拆解「AI 如何思考」做成認知產品

TradingAgents 跑起來後，會輸出完整的辯論記錄：多頭研究員怎麼說、空頭研究員怎麼反駁、交易員最終採納了誰的邏輯。

這些記錄本身就是稀缺內容素材。

在 Lemon8 或 TikTok 做「AI 投資日記」帳號，每天跑一檔股票，把辯論過程截圖做成短影片。標題直接用衝突點：「GPT 看多 vs Claude 看空，特斯拉到底買不買？」——這類內容完播率極高。

⚠️ 合規提醒：涉及具體股票推薦的內容極易觸發平台證券類違規，帳號大概率被限流或封號。建議只展示辯論過程、不給買賣建議，標題用「AI 怎麼吵」代替「該不該買」。

進階玩法：把多輪辯論整理成《AI 決策週報》，掛 Mercari 或知識星球賣 NT$425‑1,285/年。目標用戶是想學投資決策框架的新手和散戶，他們買不起投行研報，但買得起「AI 模擬投行」的副產品。

還有一個隱藏價值：這些辯論資料可以反向訓練你自己的 Second Brain（個人知識庫）。把「AI 在什麼情況下會改變判斷」做成知識庫，未來做任何決策都能調用。

Step 3：產品方向——垂直行業的「AI 投研 SaaS」

TradingAgents 是開源的，但垂直行業的資料源和提示詞是壁壘。

以電商為例：把它的架構改成「選品 Agent 套件」，資料源接蝦皮、拼多多後台、TikTok 電商 API，提示詞針對選品場景重寫。一個 Shopify 賣家或 Temu 商家願意「每天自動跑出 10 個潛力爆品」付 NT$2,150‑8,600/月（對標蝦皮基礎會員 999/年的 6 倍溢價）。

技術堆疊分階段清單：

• MVP 最小可跑版本：Streamlit + TradingAgents 核心模組 + 一個 API key，三天能上線。
• 進階版：前端換 Next.js，後端用 FastAPI，Agent 編排上 LangGraph（類似工作流引擎）或 CrewAI。
• 規模化部署：Railway 或 Vercel，按產業接 API 資料源。

冷啟動靠 SEO 和 Lemon8 投流，關鍵字打「AI 選品工具」「AI 投研助手」。第一批種子用戶從電商社群和投資類 Telegram 群裡撈。

成本測算：別讓 API 費吃掉你的毛利

7 個 Agent 串行跑一輪，按 GPT-4o 定價單次決策約消耗 15k‑30k tokens，成本約 NT$20‑60/次。如果客戶每天跑一次，月 API 成本 NT$645‑1,935，定價 NT$2,150‑8,600/月，毛利 60‑70%，站得住。

降本方案：非核心 Agent（情緒、新聞）用 GPT-4o-mini 或本地 Llama 替代，單次成本能壓到 NT$4‑13；研究員辯論環節是核心，別省。

案例：TradingAgents 跑出來的真實決策長什麼樣？

源帖提到專案支援回測和 paper trading 功能（據源帖稱，未獨立核實）。假設你拿它跑特斯拉：

1. 基本面分析師：拉最