我用AI流程图框架，造了一个能自我思考的交易系统

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：今天我来分享一个我用LangGraph和ChatGPT搭建的实战项目：一个有记忆、能自动分析股票的AI机器人。它能自己思考、自己行动、自己回测，彻底解放你的双手。我会用大白话讲透技术原理，并给出完整的代码和手把手搭建教程，让你也能拥有自己的智能财富助手。

一、告别“拍脑袋”🔥 

有没有觉得炒股越来越难？不是你不够努力，而是市场变化太快，信息量太大。我们普通人的大脑，根本处理不过来。更别说，你白天还要上班，晚上还要睡觉，根本做不到24小时盯盘，对吧？

所以，我们需要一个有记忆、能思考、不知疲倦的“超脑”助手。这个助手不仅要能执行指令，更关键的是，它得像个老道的基金经理一样，自己决定下一步该做什么。

以前的量化程序是“死”的，你让它算什么它就算什么。但是，今天老余要分享的这个系统是“活”的，它能像搭积木一样，自己完成复杂的金融分析流程。咱们今天用的核心武器，就是AI领域的流程图框架——LangGraph。

二、AI的“流程图大脑”🧠 

大家把这个AI机器人想象成一个高智商的CEO。一个CEO怎么工作？

他不会一口气把所有事情都做了，而是先“思考”——制定计划；再“行动”——让下属去执行；最后根据下属的汇报，决定是继续下一步，还是结束工作去喝茶。

这个AI交易系统就是基于这样一个“思考-行动-决策”的闭环搭建的，我们称之为“状态机”或“决策循环”。

状态机的“三大件”：内存、思考、行动

在这个流程中，有三个核心组件在打配合，这是AI能够保持“有状态”和“有记忆”的关键：

组件名称（通俗版）	技术术语（原版）	作用描述
AI的记事本	AgentState (状态)	记录AI的目标、历史执行步骤和最新结果。这是AI的“长期记忆”，确保它不会忘记自己做到哪一步了。
思考模块	Executor Node (执行器)	负责决策。它阅读“记事本”中的历史记录，然后调用大模型（比如GPT-4o）来生成下一步的具体指令。
行动模块	Tool Node (工具)	负责执行。它接收“思考模块”的指令，并调用封装好的金融工具（如获取股票数据、计算指标）去执行，把执行结果写回“记事本”。

所以，整个过程就是一个闭环：思考（下一步做什么） → 行动（去做了） → 决策（是继续思考，还是结束）。只要目标没达成，这个循环就不会停。

图1：AI交易机器人的“思考-行动”流程图，清晰的循环结构是它自我驱动的核心。

三、机器人的思维和工具箱🛠️ 

我们用代码实现AI的思维和工具箱。main.py是思维，tools.py是工具箱。

3.1 思考模块：像CEO一样下命令（`main.py`）

在 `main.py` 中，我们给AI设定了明确的“目标”和“可用命令”，让它根据历史步骤来发号施令。这个指令是精确的文本命令，比如：FETCH "TSLA" 或 INDICATOR "TSLA" "SMA"。

关键点：优雅地收尾！

在“行动模块”完成后，系统会启动一个“条件判断”函数。如果发现AI执行了最后一个步骤——回测（BACKTEST），那么系统就会自动生成一个 `FINISH` 命令，强行终止循环。这样，AI不会陷入无限循环，而是有始有终。

3.2 行动模块：强大的金融分析工具箱（`tools.py`）

这是AI的“手脚”，它负责连接真实世界的金融数据。老余在这个项目中集成了以下三个核心功能，都使用了Python社区最强大的库：

1. 数据获取 (`fetch_data`)：使用业界常用的 `yfinance` 库，轻松获取全球主要市场的历史股票价格数据。
2. 指标计算 (`calculate_indicator`)：计算常用的技术指标，比如移动平均线（SMA）、相对强弱指标（RSI）等。
3. 策略回测 (`backtest_strategy`)：这是最激动人心的部分。AI不仅能计算回报率，还能自动生成可视化图表！

它能画出：

• 价格走势图，并用绿三角和红三角标记出交易点位。
• 收益曲线图，直观对比策略表现和“买入并持有”策略的收益差异。

图表会自动保存在本地文件夹中，为你提供最直观的分析结果，方便你进行二次研究。

图2：AI自动生成的回测结果图示例，包含了价格、交易点位和收益曲线。TSLA交易准确率26.67% 。

四、手把手教学🚀 

这个项目部署起来非常简单，即使你是Python小白也没关系，因为我们使用Docker技术，一键解决了环境配置的烦恼。

准备工作：OpenAI API Key 和 Docker

1. 准备密钥： 由于AI需要调用大模型（ChatGPT）进行“思考”，你需要一个 OpenAI API Key。这是项目的“燃油”。

2. 安装工具： 在你的电脑上安装好 Git 和 Docker。

实战步骤（Clone → Build → Run）

第一步：克隆代码（把代码拿到手）

打开你的命令行工具（Terminal或CMD），输入以下命令：

git clone https://github.com/rejith77/SMA-Trading-Agent         cd SMA-Trading-Agent

第二步：构建镜像（把工具打包）

在项目目录下，执行以下命令构建Docker镜像：

docker build -t 老余ai-agent .

第三步：运行AI（让它开始工作）

现在，我们运行这个AI，同时把你的API Key传给它，并告诉它把生成的图表放在你本地的 `charts` 文件夹里。

# 请把 YOUR_OPENAI_KEY 替换成你真实的密钥         docker run --rm -it \             -e OPENAI_API_KEY="YOUR_OPENAI_KEY" \             -v $(pwd)/charts:/app/charts \             老余ai-agent

运行后，你会在命令行看到AI“思考”和“行动”的实时过程。最终，你本地的 `charts` 文件夹就会自动生成带交易标记的分析图！

五、总结与忠告💰 

我们用 LangGraph 成功搭建了一个有状态、可自驱的金融分析AI。这套系统最强大的地方在于，它将复杂的金融分析过程变成了一个个模块化的积木，让AI能够自己规划、自己执行。

⚠️ 【老余的严肃忠告】：这个项目是一个顶级的AI架构演示，旨在教会大家如何构建复杂代理。但其内置的回测策略是故意简化的，请勿将此代码直接用于真实资金交易！金融市场复杂多变，任何实盘交易都需要经过严谨的专业级验证和风险管理。请将它作为你的AI学习工具，而非投资决策的基础。

文章总结

本文详细介绍了如何使用AI流程图框架LangGraph和ChatGPT，搭建一个能自主思考和行动的智能金融分析代理。该系统通过“思考-行动”的闭环决策，实现了自动化获取数据、计算指标及策略回测，为构建更复杂的AI交易系统奠定了坚实的基础。

🔥 精华回顾：

• 核心框架： 使用 LangGraph 构建 AI 的“流程图大脑”，实现“有记忆”的自驱式决策。
• 关键机制： 采用“状态机”设计，将任务拆分为“思考模块”和“行动模块”，实现动态循环。
• 功能实现： 结合 Python 金融库（如 yfinance），实现了数据获取、指标计算、和自动图表生成的回测功能。
• 小白友好： 提供完整的 Docker 部署教程，三步即可运行，极大地降低了环境配置门槛。
• 风险警示： 本项目仅为技术演示和学习之用，严禁直接用于实盘交易。

GitHub地址：

https://github.com/rejith77/SMA-Trading-Agent

如果你觉得这篇文章对你有帮助，记得分享给更多的朋友。有什么问题可以在评论区留言，老余会一一解答。让我们一起在量化交易的道路上越走越远！

 #AI炒股 #量化交易 #LangGraph #ChatGPT #智能代理 #自动化分析 #财富自由 #Python编程

---

风险提示：投资有风险，入市需谨慎。本文仅供学习参考，不构成投资建议。