TradingAgents-CN 模型更新实战指南：Google AI（Gemini）六模型验证、定价配置与按研究深度智能选型

TradingAgents-CN 模型更新实战指南Google AIGemini六模型验证、定价配置与按研究深度智能选型【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本文是 TradingAgents-CN 中文金融多智能体交易框架的模型更新总结报告详解。它记录了项目将 LLM 配置正式切换为 6 个经实测验证的 Google AIGemini模型、替换临时修复方案的完整过程覆盖验证模型清单、定价与默认模型配置、Google OpenAI 兼容适配器实现、以及按研究深度自动选择最优模型组合的智能选型策略。读完本文你将掌握在 TradingAgents-CN 中配置与切换 Gemini 模型、理解深度联动选型逻辑、以及完成升级后测试与监控的完整实战方法。更新概述从临时修复到 6 个验证模型本次更新将项目配置从临时修复方案调整为使用6 个经过实际测试验证的 Google AI 模型。更新范围横跨配置管理器、LLM 适配器、分析运行器、前端侧边栏与测试用例核心目标是用实测可用的 Gemini 模型替换临时方案保证模型可用性与性能表现为所有验证模型补充定价配置支持成本核算与展示保持与现有配置结构、既有 API 及其他 LLM 提供商配置的完全兼容。更新的最终状态标记为v2.0已完成✅执行时间记录为 2024 年 1 月仓库当前版本以实际文件为准详见各源码链接。经过验证的 6 个 Google AI 模型清单基于实际测试结果以下 6 个模型已验证可用响应时间为实测平均值来自更新记录与适配器元数据实际表现会随网络与负载波动#模型名称平均响应时间定位推荐使用场景1gemini-2.5-flash-lite-preview-06-171.45s超快响应实时交互、高频调用、快速分析2gemini-2.0-flash1.87s快速响应日常分析、快速决策3gemini-1.5-pro2.25s平衡性能标准分析、专业任务4gemini-2.5-flash2.73s通用快速通用分析、高频使用5gemini-1.5-flash2.87s备用快速简单分析、备用选择6gemini-2.5-pro16.68s功能强大深度分析、复杂推理、高质量输出从 1.45 秒的极速轻量模型到 16.68 秒的旗舰推理模型这条模型梯队覆盖了从实时问答到深度研报的完整延迟-能力光谱是后文智能选型策略的数据基础。更新的核心文件与源码佐证本次更新涉及配置管理器、适配器、分析运行器、侧边栏与测试文档五大类文件下面逐一结合当前仓库源码展开。1. 配置管理器默认模型与定价配置文件tradingagents/config/config_manager.py默认 Google 模型更新为gemini-2.5-pro在默认ModelConfig列表中Google 提供商对应的model_name已设为gemini-2.5-promax_tokens4000、temperature0.7、enabledFalse见 config_manager.py#L232-L239添加全部 6 个验证模型的定价配置以PricingConfig(google, ...)形式注册了gemini-2.5-pro、gemini-2.5-flash、gemini-2.0-flash、gemini-1.5-pro、gemini-1.5-flash、gemini-2.5-flash-lite-preview-06-17以及经典gemini-pro、gemini-pro-vision的美元计价USD配置输入输出单价统一记为0.00025 / 0.0005见 config_manager.py#L268-L276保持兼容性环境变量键映射google: GOOGLE_API_KEY见 config_manager.py#L103与提供商启用探测逻辑保持不变因此旧配置文件无需改动即可继续工作。2. Google 适配器模型元数据字典与 OpenAI 兼容实现文件tradingagents/llm_adapters/google_openai_adapter.py适配器内的GOOGLE_OPENAI_MODELS字典见 google_openai_adapter.py#L295-L348是本次更新的核心元数据源每个模型均包含description模型描述与实测响应时间如Gemini 2.5 Pro - 最新旗舰模型功能强大 (16.68s)context_length上下文长度统一为 32768supports_function_calling是否支持函数调用6 个验证模型均为True这直接决定了多智能体框架的工具调用链路是否可用recommended_for推荐用途标签如复杂推理、实时分析、超快响应avg_response_time实测平均响应时间1.45 ~ 16.68 秒。除元数据外本次更新还修复了该文件的语法错误与重复定义并调整了默认模型参数。文件还提供了两个可独立运行的测试入口test_google_openai_connection()连接测试与test_google_openai_function_calling()函数调用测试运行python tradingagents/llm_adapters/google_openai_adapter.py即可依次验证。3. 分析运行器基于研究深度的 Google 模型优化文件web/utils/analysis_runner.py在run_stock_analysis的模型配置段见 analysis_runner.py#L333-L355新增了 Google 提供商的深度联动逻辑当llm_provider google时根据research_depth1~5 级自动写入quick_think_llm快速思考模型与deep_think_llm深度思考模型并输出详细的模型选择日志 [Google AI] 快速模型: ... / 深度模型: ...便于排查实际生效的模型组合。4. 侧边栏组件恢复 6 个验证模型选项文件web/components/sidebar.py在 AI 模型配置区域Google 提供商分支llm_provider google恢复了完整模型下拉选项并移除了之前的临时注释见 sidebar.py#L342-L375。选项包含gemini-2.5-pro、gemini-2.5-flash、gemini-2.5-flash-lite-preview-06-17、gemini-2.0-flash、gemini-1.5-pro、gemini-1.5-flash等每个选项附带响应时间与用途提示如Gemini 2.0 Flash - 推荐使用 (1.87s)保持用户界面一致性。5. 测试文件与文档更新同步覆盖了以下测试与文档测试用例tests/test_gemini_25_pro.py验证gemini-2.5-pro的深度模型配置、tests/test_gemini_final.py 与 tests/test_gemini_simple.py以gemini-2.5-flash-lite-preview-06-17为主模型验证快速链路、tests/test_google_memory_fix.pyGoogle 模型与记忆功能联动等使用指南docs/llm/google_models_guide.md包含逐模型的使用建议、按深度/场景选型表与 Python 配置示例验证结果配置文件verified_models.json原更新记录提及已创建但当前仓库中未检索到该文件如需查看验证结果元数据可直接以适配器内 GOOGLE_OPENAI_MODELS 字典为准。智能模型选择策略研究深度与模型组合的映射更新文档给出了完整的 5 级深度映射表与 analysis_runner.py#L337-L352 的实现一一对应研究深度级别快速模型quick_think_llm深度模型deep_think_llm设计意图快速分析1gemini-2.5-flash-lite-preview-06-17(1.45s)gemini-2.0-flash(1.87s)全程极速适合实时问答基础分析2gemini-2.0-flash(1.87s)gemini-1.5-pro(2.25s)快慢搭配兼顾速度与质量标准分析3gemini-1.5-pro(2.25s)gemini-2.5-flash(2.73s)默认档位平衡性能深度分析4gemini-2.5-flash(2.73s)gemini-2.5-pro(16.68s)深度思考模型介入全面分析5gemini-2.5-pro(16.68s)gemini-2.5-pro(16.68s)全流程旗舰模型从源码结构看该策略的配套逻辑还包括深度 1 关闭记忆memory_enabled False、深度 1~2 将辩论轮次压缩为 1 轮、深度 5 提升到 3 轮见 analysis_runner.py#L237-L310说明模型选型与多智能体图结构的轮次参数是协同调整的——选快模型配少轮次选强模型配多轮次整体控制时延与成本。性能优化响应时间排序与推荐使用场景响应时间排序升序gemini-2.5-flash-lite-preview-06-17— 1.45s超快gemini-2.0-flash— 1.87s快速gemini-1.5-pro— 2.25s平衡gemini-2.5-flash— 2.73s通用快速gemini-1.5-flash— 2.87s备用快速gemini-2.5-pro— 16.68s功能强大推荐使用场景速查实时交互gemini-2.5-flash-lite-preview-06-17快速决策gemini-2.0-flash平衡分析gemini-1.5-pro深度思考gemini-2.5-pro从源码看延迟与成本的取舍quick_think_llm与deep_think_llm的分离设计本质上是在多智能体框架里做分级推理轻量任务如数据整理、消息路由交给 1~3 秒的快速模型重量任务如最终投资决策、风险综合研判交给 2.5-Pro 级别的旗舰模型。对成本敏感的场景更新文档与使用指南均建议优先采用快速模型档位。适配器源码级原理兼容性如何保证本次更新强调兼容性保证其底层由 google_openai_adapter.py 中的ChatGoogleOpenAI类继承ChatGoogleGenerativeAI支撑几个关键机制值得关注API Key 三级解析优先使用调用方传入的google_api_key来自数据库/Web 配置否则读取GOOGLE_API_KEY环境变量并通过is_valid_api_key过滤占位符与空值均缺失时抛出明确指引的异常见 google_openai_adapter.py#L51-L97base_url 智能处理官方域名generativelanguage.googleapis.com自动剥离/v1beta、/v1版本后缀交给 SDK 补全非官方中转地址则保留完整 URL避免 SDK 二次拼接路径见 google_openai_adapter.py#L100-L134错误降级_generate捕获异常后不直接抛出而是返回带中文排查建议的AIMessage区分 API Key 无效、网络连接失败等场景保证多智能体流程不因单次调用中断见 google_openai_adapter.py#L185-L202Token 用量追踪通过token_tracker.track_usage(providergoogle, ...)记录输入/输出 token为后续成本统计提供数据见 google_openai_adapter.py#L261-L291默认采样参数temperature0.1、max_tokens2000作为默认值兼顾金融分析的稳定输出与回复长度见 google_openai_adapter.py#L48-L49。配置示例三档快速落地方案参考 docs/llm/google_models_guide.md 中的配置示例可快速将 Google 模型接入分析流程# 快速配置实时交互优先 config { llm_provider: google, quick_think_llm: gemini-2.5-flash-lite-preview-06-17, deep_think_llm: gemini-2.0-flash } # 平衡配置标准分析默认档 config { llm_provider: google, quick_think_llm: gemini-1.5-pro, deep_think_llm: gemini-2.5-flash } # 强力配置深度推理场景 config { llm_provider: google, quick_think_llm: gemini-2.5-flash, deep_think_llm: gemini-2.5-pro }配置方式说明Web 界面在设置页的 LLM 提供商中选择Google AI再从模型下拉框中选择目标模型见 web/components/sidebar.py 中google_options列表环境变量设置GOOGLE_API_KEY适配器会自动读取并校验编程调用也可直接使用适配器提供的create_google_openai_llm(model..., google_api_key..., base_url...)便捷工厂函数见 google_openai_adapter.py#L356-L386。测试验证如何确认更新生效更新已同步到以下测试用例可作为验证参考tests/test_gemini_25_pro.py验证gemini-2.5-pro作为深度模型与默认配置的正确性tests/test_gemini_simple.py 与 tests/test_gemini_final.py以gemini-2.5-flash-lite-preview-06-17验证快速模型链路tests/test_google_memory_fix.py验证 Google 模型与金融记忆FinancialSituationMemory功能的联动tests/test_google_tool_handler_improvements.py验证 Google 工具调用处理器改进。除此之外google_openai_adapter.py 自带的test_google_openai_connection与test_google_openai_function_calling可直接对任意已配置模型做连通性与函数调用冒烟测试。兼容性保证与注意事项本次更新承诺并实现了以下兼容性✅ 保持与现有 API 的完全兼容OpenAI 兼容适配层不变✅ 不影响其他 LLM 提供商dashscope / deepseek / openai / openrouter / siliconflow / qianfan / custom_openai的配置✅ 向后兼容旧的配置文件配置管理器采用缺省值回填策略✅ 平滑的用户体验过渡侧边栏模型选项与提示信息同步恢复。注意事项来自使用指南与更新记录6 个验证模型均支持 Function Callingsupports_function_calling: True这是多智能体工具调用链路的前提响应时间基于实际测试会随网络与负载波动建议在目标环境中重新测量对成本敏感的应用优先使用快速模型深度 4~5 档的gemini-2.5-pro单次调用耗时可达 16 秒级需在任务时延预算内使用所有更新均基于实际测试结果在生产环境正式上线前建议按重启应用 → 测试验证 → 性能监控 → 用户反馈四步流程完成验收见原文档下一步操作。结语本次模型更新将 TradingAgents-CN 的 Google AI 接入从临时修复推进到验证可用、按需选型、成本可计量的工程化状态6 个实测模型构成了完整的延迟-能力梯度quick_think_llm/deep_think_llm双轨配置与 5 级研究深度联动让多智能体框架可以在秒级交互与深度推理之间自由伸缩。升级后的配置、适配器、定价与测试体系均已落地在仓库对应文件中可直接参照本文路径进行核查与二次开发。【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