Public

WeChat Login

Code Issues Pull requests Events Packages Insights

main

TradingAgents-CN/README.md

hsliuping<107213551@qq.com>

docs: 发布v0.1.10版本文档更新

f6051aeb

PreviewCode viewBlame

TradingAgents 中文增强版

🚀 最新版本 cn-0.1.10: 全新实时进度显示、智能会话管理、异步进度跟踪，Web界面体验全面升级！

🎯 核心功能: Docker容器化部署 | 专业报告导出 | DeepSeek V3集成 | 完整A股支持 | 中文本地化

基于多智能体大语言模型的中文金融交易决策框架。专为中文用户优化，提供完整的A股/港股/美股分析能力。

🙏 致敬源项目

感谢 Tauric Research 团队创造的革命性多智能体交易框架 TradingAgents！

🎯 我们的使命: 为中国用户提供完整的中文化体验，支持A股/港股市场，集成国产大模型，推动AI金融技术在中文社区的普及应用。

🆕 v0.1.10 重大更新

🚀 实时进度显示系统

异步进度跟踪: 全新AsyncProgressTracker，实时显示分析进度和步骤
智能时间计算: 修复时间显示问题，准确反映真实分析耗时
多种显示模式: 支持Streamlit、静态、统一等多种进度显示方式

📊 智能会话管理

状态持久化: 支持页面刷新后恢复分析状态和历史报告
自动降级机制: Redis不可用时自动切换到文件存储
一键查看报告: 分析完成后显示"📊 查看分析报告"按钮

🎨 用户体验优化

界面简化: 移除重复按钮，功能集中化，视觉层次更清晰
响应式设计: 改进移动端适配和不同屏幕尺寸支持
错误处理: 增强异常处理和用户友好的错误提示

🎯 核心特性

🤖 多智能体协作架构

专业分工: 基本面、技术面、新闻面、社交媒体四大分析师
结构化辩论: 看涨/看跌研究员进行深度分析
智能决策: 交易员基于所有输入做出最终投资建议
风险管理: 多层次风险评估和管理机制

🎯 功能特性

🚀 Web界面体验 ✨ v0.1.10全新升级

功能特性	状态	详细说明
📊 实时进度显示	🆕 v0.1.10	异步进度跟踪，智能步骤识别，准确时间计算
💾 智能会话管理	🆕 v0.1.10	状态持久化，自动降级，跨页面恢复
🎯 一键查看报告	🆕 v0.1.10	分析完成后一键查看，智能结果恢复
🎨 界面优化	🆕 v0.1.10	移除重复按钮，响应式设计，视觉层次优化
🖥️ Streamlit界面	✅ 完整支持	现代化响应式界面，实时交互和数据可视化
⚙️ 配置管理	✅ 完整支持	Web端API密钥管理，模型选择，参数配置

🎨 CLI用户体验 ✨ v0.1.9优化

功能特性	状态	详细说明
🖥️ 界面与日志分离	✅ 完整支持	用户界面清爽美观，技术日志独立管理
🔄 智能进度显示	✅ 完整支持	多阶段进度跟踪，防止重复提示
⏱️ 时间预估功能	✅ 完整支持	智能分析阶段显示预计耗时
🌈 Rich彩色输出	✅ 完整支持	彩色进度指示，状态图标，视觉效果提升

🧠 LLM模型支持

模型提供商	支持模型	特色功能
🇨🇳 阿里百炼	qwen-turbo/plus/max	中文优化，成本效益高
🇨🇳 DeepSeek	deepseek-chat	工具调用，性价比极高
🌍 Google AI	gemini-2.0-flash/1.5-pro	多模态支持，推理能力强
🤖 OpenAI	GPT-4o/4o-mini/3.5-turbo	通用能力强，生态完善

📊 数据源与市场

市场类型	数据源	覆盖范围
🇨🇳 A股	Tushare, AkShare, 通达信	沪深两市，实时行情，财报数据
🇭🇰 港股	AkShare, Yahoo Finance	港交所，实时行情，基本面
🇺🇸 美股	FinnHub, Yahoo Finance	NYSE, NASDAQ，实时数据
📰 新闻	Google News	实时新闻，多语言支持

🤖 智能体团队

🚀 快速开始

🐳 Docker部署 (推荐)


# 1. 克隆项目
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env 文件，填入API密钥

# 3. 启动服务
docker-compose up -d --build

# 4. 访问应用
# Web界面: http://localhost:8501

💻 本地部署


# 1. 安装依赖
pip install -r requirements.txt

# 2. 启动应用
python start_web.py

# 3. 访问 http://localhost:8501

📊 开始分析

选择模型: DeepSeek V3 / 通义千问 / Gemini
输入股票: 000001 (A股) / AAPL (美股) / 0700.HK (港股)
开始分析: 点击"🚀 开始分析"按钮
实时跟踪: 观察实时进度和分析步骤
查看报告: 点击"📊 查看分析报告"按钮
导出报告: 支持Word/PDF/Markdown格式

🎯 核心优势

🆕 实时进度: v0.1.10新增异步进度跟踪，告别黑盒等待
💾 智能会话: 状态持久化，页面刷新不丢失分析结果
🇨🇳 中国优化: A股/港股数据 + 国产LLM + 中文界面
🐳 容器化: Docker一键部署，环境隔离，快速扩展
📄 专业报告: 多格式导出，自动生成投资建议
🛡️ 稳定可靠: 多层数据源，智能降级，错误恢复

🔧 技术架构

📚 文档和支持

📖 完整文档: docs/ - 安装指南、使用教程、API文档
🚨 故障排除: troubleshooting/ - 常见问题解决方案
🔄 更新日志: CHANGELOG.md - 详细版本历史
🚀 快速开始: QUICKSTART.md - 5分钟快速部署指南

🆚 中文增强特色

Docker部署包含的服务:

🌐 Web应用: TradingAgents-CN主程序
🗄️ MongoDB: 数据持久化存储
⚡ Redis: 高速缓存
📊 MongoDB Express: 数据库管理界面
🎛️ Redis Commander: 缓存管理界面

💻 方式二：本地部署

适用场景: 开发环境、自定义配置、离线使用

环境要求

Python 3.10+ (推荐 3.11)
4GB+ RAM (推荐 8GB+)
稳定的网络连接

安装步骤


# 1. 克隆项目
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

# 2. 创建虚拟环境
python -m venv env
# Windows
env\Scripts\activate
# Linux/macOS
source env/bin/activate

# 3. 安装所有依赖
pip install -r requirements.txt

# 注意：requirements.txt已包含所有必需依赖：
# - 数据库支持 (MongoDB + Redis)
# - 多市场数据源 (Tushare, AKShare, FinnHub等)
# - Web界面和报告导出功能

配置API密钥

🇨🇳 推荐：使用阿里百炼（国产大模型）


# 复制配置模板
cp .env.example .env

# 编辑 .env 文件，配置以下必需的API密钥：
DASHSCOPE_API_KEY=your_dashscope_api_key_here
FINNHUB_API_KEY=your_finnhub_api_key_here

# 推荐：Tushare API（专业A股数据）
TUSHARE_TOKEN=your_tushare_token_here
TUSHARE_ENABLED=true

# 可选：其他AI模型API
GOOGLE_API_KEY=your_google_api_key_here
DEEPSEEK_API_KEY=your_deepseek_api_key_here

# 数据库配置（可选，提升性能）
# 本地部署使用标准端口
MONGODB_ENABLED=false  # 设为true启用MongoDB
REDIS_ENABLED=false    # 设为true启用Redis
MONGODB_HOST=localhost
MONGODB_PORT=27017     # 标准MongoDB端口
REDIS_HOST=localhost
REDIS_PORT=6379        # 标准Redis端口

# Docker部署时需要修改主机名
# MONGODB_HOST=mongodb
# REDIS_HOST=redis

📋 部署模式配置说明

本地部署模式：


# 数据库配置（本地部署）
MONGODB_ENABLED=true
REDIS_ENABLED=true
MONGODB_HOST=localhost      # 本地主机
MONGODB_PORT=27017         # 标准端口
REDIS_HOST=localhost       # 本地主机
REDIS_PORT=6379           # 标准端口

Docker部署模式：


# 数据库配置（Docker部署）
MONGODB_ENABLED=true
REDIS_ENABLED=true
MONGODB_HOST=mongodb       # Docker容器服务名
MONGODB_PORT=27017        # 标准端口
REDIS_HOST=redis          # Docker容器服务名
REDIS_PORT=6379          # 标准端口

💡 配置提示：

本地部署：需要手动启动MongoDB和Redis服务

Docker部署：数据库服务通过docker-compose自动启动

端口冲突：如果本地已有数据库服务，可修改docker-compose.yml中的端口映射

🌍 可选：使用国外模型


# OpenAI (需要科学上网)
OPENAI_API_KEY=your_openai_api_key

# Anthropic (需要科学上网)
ANTHROPIC_API_KEY=your_anthropic_api_key

🗄️ 数据库配置（MongoDB + Redis）

高性能数据存储支持

本项目支持 MongoDB 和 Redis 数据库，提供：

📊 股票数据缓存: 减少API调用，提升响应速度
🔄 智能降级机制: MongoDB → API → 本地缓存的多层数据源
⚡ 高性能缓存: Redis缓存热点数据，毫秒级响应
🛡️ 数据持久化: MongoDB存储历史数据，支持离线分析

数据库部署方式

🐳 Docker部署（推荐）

如果您使用Docker部署，数据库已自动包含在内：


# Docker部署会自动启动所有服务，包括：
docker-compose up -d --build
# - Web应用 (端口8501)
# - MongoDB (端口27017)
# - Redis (端口6379)
# - 数据库管理界面 (端口8081, 8082)

💻 本地部署 - 数据库配置

如果您使用本地部署，可以选择以下方式：

方式一：仅启动数据库服务


# 仅启动 MongoDB + Redis 服务（不启动Web应用）
docker-compose up -d mongodb redis mongo-express redis-commander

# 查看服务状态
docker-compose ps

# 停止服务
docker-compose down

方式二：完全本地安装


# 数据库依赖已包含在requirements.txt中，无需额外安装

# 启动 MongoDB (默认端口 27017)
mongod --dbpath ./data/mongodb

# 启动 Redis (默认端口 6379)
redis-server

⚠️ 重要说明:

🐳 Docker部署: 数据库自动包含，无需额外配置

💻 本地部署: 可选择仅启动数据库服务或完全本地安装

📋 推荐: 使用Docker部署以获得最佳体验和一致性

数据库配置选项

环境变量配置（推荐）：


# MongoDB 配置
MONGODB_HOST=localhost
MONGODB_PORT=27017
MONGODB_DATABASE=trading_agents
MONGODB_USERNAME=admin
MONGODB_PASSWORD=your_password

# Redis 配置
REDIS_HOST=localhost
REDIS_PORT=6379
REDIS_PASSWORD=your_redis_password
REDIS_DB=0

配置文件方式：


# config/database_config.py
DATABASE_CONFIG = {
    'mongodb': {
        'host': 'localhost',
        'port': 27017,
        'database': 'trading_agents',
        'username': 'admin',
        'password': 'your_password'
    },
    'redis': {
        'host': 'localhost',
        'port': 6379,
        'password': 'your_redis_password',
        'db': 0
    }
}

数据库功能特性

MongoDB 功能：

✅ 股票基础信息存储
✅ 历史价格数据缓存
✅ 分析结果持久化
✅ 用户配置管理
✅ 自动数据同步

Redis 功能：

⚡ 实时价格数据缓存
⚡ API响应结果缓存
⚡ 会话状态管理
⚡ 热点数据预加载
⚡ 分布式锁支持

智能降级机制

系统采用多层数据源降级策略，确保高可用性：


📊 数据获取流程：
1. 🔍 检查 Redis 缓存 (毫秒级)
2. 📚 查询 MongoDB 存储 (秒级)
3. 🌐 调用通达信API (秒级)
4. 💾 本地文件缓存 (备用)
5. ❌ 返回错误信息

配置降级策略：


# 在 .env 文件中配置
ENABLE_MONGODB=true
ENABLE_REDIS=true
ENABLE_FALLBACK=true

# 缓存过期时间（秒）
REDIS_CACHE_TTL=300
MONGODB_CACHE_TTL=3600

性能优化建议

生产环境配置：


# MongoDB 优化
MONGODB_MAX_POOL_SIZE=50
MONGODB_MIN_POOL_SIZE=5
MONGODB_MAX_IDLE_TIME=30000

# Redis 优化
REDIS_MAX_CONNECTIONS=20
REDIS_CONNECTION_POOL_SIZE=10
REDIS_SOCKET_TIMEOUT=5

数据库管理工具


# 初始化数据库
python scripts/setup/init_database.py

# 系统状态检查
python scripts/validation/check_system_status.py

# 清理缓存工具
python scripts/maintenance/cleanup_cache.py --days 7

故障排除

常见问题解决：

MongoDB连接失败

Docker部署：


# 检查服务状态
docker-compose logs mongodb

# 重启服务
docker-compose restart mongodb

本地部署：


# 检查MongoDB进程
ps aux | grep mongod

# 重启MongoDB
sudo systemctl restart mongod  # Linux
brew services restart mongodb  # macOS

Redis连接超时


# 检查Redis状态
redis-cli ping

# 清理Redis缓存
redis-cli flushdb

缓存问题


# 检查系统状态和缓存
python scripts/validation/check_system_status.py

# 清理过期缓存
python scripts/maintenance/cleanup_cache.py --days 7

💡 提示: 即使不配置数据库，系统仍可正常运行，会自动降级到API直接调用模式。数据库配置是可选的性能优化功能。

📚 详细文档: 更多数据库配置信息请参考数据库架构文档

📤 报告导出功能

新增功能：专业分析报告导出

本项目现已支持将股票分析结果导出为多种专业格式：

支持的导出格式：

📄 Markdown (.md) - 轻量级标记语言，适合技术用户和版本控制
📝 Word (.docx) - Microsoft Word文档，适合商务报告和进一步编辑
📊 PDF (.pdf) - 便携式文档格式，适合正式分享和打印

报告内容结构：

🎯 投资决策摘要 - 买入/持有/卖出建议，置信度，风险评分
📊 详细分析报告 - 技术分析，基本面分析，市场情绪，新闻事件
⚠️ 风险提示 - 完整的投资风险声明和免责条款
📋 配置信息 - 分析参数，模型信息，生成时间

使用方法：

完成股票分析后，在结果页面底部找到"📤 导出报告"部分
选择需要的格式：Markdown、Word或PDF
点击导出按钮，系统自动生成并提供下载

安装导出依赖：


# 安装Python依赖
pip install markdown pypandoc

# 安装系统工具（用于PDF导出）
# Windows: choco install pandoc wkhtmltopdf
# macOS: brew install pandoc wkhtmltopdf
# Linux: sudo apt-get install pandoc wkhtmltopdf

📚 详细文档: 完整的导出功能使用指南请参考导出功能指南

🚀 启动应用

🐳 Docker启动（推荐）

如果您使用Docker部署，应用已经自动启动：


# 应用已在Docker中运行，直接访问：
# Web界面: http://localhost:8501
# 数据库管理: http://localhost:8081
# 缓存管理: http://localhost:8082

# 查看运行状态
docker-compose ps

# 查看日志
docker-compose logs -f web

💻 本地启动

如果您使用本地部署：


# 1. 激活虚拟环境
# Windows
.\env\Scripts\activate
# Linux/macOS
source env/bin/activate

# 2. 安装项目到虚拟环境（重要！）
pip install -e .

# 3. 启动Web管理界面
# 方法1：使用项目启动脚本（推荐）
python start_web.py

# 方法2：使用原始启动脚本
python web/run_web.py

# 方法3：直接使用streamlit（需要先安装项目）
streamlit run web/app.py

然后在浏览器中访问 http://localhost:8501

Web界面特色功能:

🇺🇸 美股分析: 支持 AAPL, TSLA, NVDA 等美股代码
🇨🇳 A股分析: 支持 000001, 600519, 300750 等A股代码
📊 实时数据: 通达信API提供A股实时行情数据
🤖 智能体选择: 可选择不同的分析师组合
📤 报告导出: 一键导出Markdown/Word/PDF格式专业分析报告
🎯 5级研究深度: 从快速分析(2-4分钟)到全面分析(15-25分钟)
📊 智能分析师选择: 市场技术、基本面、新闻、社交媒体分析师
🔄 实时进度显示: 可视化分析过程，避免等待焦虑
📈 结构化结果: 投资建议、目标价位、置信度、风险评估
🇨🇳 完全中文化: 界面和分析结果全中文显示

研究深度级别说明:

1级 - 快速分析 (2-4分钟): 日常监控，基础决策
2级 - 基础分析 (4-6分钟): 常规投资，平衡速度
3级 - 标准分析 (6-10分钟): 重要决策，推荐默认
4级 - 深度分析 (10-15分钟): 重大投资，详细研究
5级 - 全面分析 (15-25分钟): 最重要决策，最全面分析

💻 代码调用（适合开发者）


from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

# 配置阿里百炼
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "dashscope"
config["deep_think_llm"] = "qwen-plus"      # 深度分析
config["quick_think_llm"] = "qwen-turbo"    # 快速任务

# 创建交易智能体
ta = TradingAgentsGraph(debug=True, config=config)

# 分析股票 (以苹果公司为例)
state, decision = ta.propagate("AAPL", "2024-01-15")

# 输出分析结果
print(f"推荐动作: {decision['action']}")
print(f"置信度: {decision['confidence']:.1%}")
print(f"风险评分: {decision['risk_score']:.1%}")
print(f"推理过程: {decision['reasoning']}")

快速启动脚本


# 阿里百炼演示（推荐中文用户）
python examples/dashscope/demo_dashscope_chinese.py

# 阿里百炼完整演示
python examples/dashscope/demo_dashscope.py

# 阿里百炼简化测试
python examples/dashscope/demo_dashscope_simple.py

# OpenAI演示（需要国外API）
python examples/openai/demo_openai.py

# 集成测试
python tests/integration/test_dashscope_integration.py

📁 数据目录配置

新功能: 灵活配置数据存储路径，支持多种配置方式：


# 查看当前数据目录配置
python -m cli.main data-config --show

# 设置自定义数据目录
python -m cli.main data-config --set /path/to/your/data

# 重置为默认配置
python -m cli.main data-config --reset

环境变量配置:


# Windows
set TRADING_AGENTS_DATA_DIR=C:\MyTradingData

# Linux/macOS
export TRADING_AGENTS_DATA_DIR=/home/user/trading_data

程序化配置:


from tradingagents.config_manager import ConfigManager

# 设置数据目录
config_manager = ConfigManager()
config_manager.set_data_directory("/path/to/data")

# 获取配置
data_dir = config_manager.get_data_directory()
print(f"数据目录: {data_dir}")

配置优先级: 程序设置 > 环境变量 > 配置文件 > 默认值

详细说明请参考: 📁 数据目录配置指南

交互式分析


# 启动交互式命令行界面
python -m cli.main

🎯 快速导航 - 找到您需要的内容

🎯我想要...	📖推荐文档	⏱️阅读时间
快速上手	🚀 快速开始	10分钟
了解架构	🏛️ 系统架构	15分钟
看代码示例	📚 基础示例	20分钟
解决问题	🆘 常见问题	5分钟
深度学习	📁 完整文档目录	2小时+

💡 提示: 我们的 docs/ 目录包含了 50,000+字 的详细中文文档，这是与原版最大的区别！

📚 完整文档体系 - 核心亮点

🌟 这是本项目与原版最大的区别！ 我们构建了业界最完整的中文金融AI框架文档体系，包含超过 50,000字 的详细技术文档，20+ 个专业文档文件，100+ 个代码示例。

🎯 为什么选择我们的文档？

对比维度	原版 TradingAgents	🚀中文增强版
文档语言	英文基础说明	完整中文体系
文档深度	简单介绍	深度技术剖析
架构说明	概念性描述	详细设计文档 + 架构图
使用指南	基础示例	从入门到专家的完整路径
故障排除	无	详细FAQ + 解决方案
代码示例	少量示例	100+ 实用示例

📖 文档导航 - 按学习路径组织

🚀 新手入门路径 (推荐从这里开始)

📋 项目概述 - 了解项目背景和核心价值
⚙️ 详细安装 - 各平台详细安装指南
🚀 快速开始 - 10分钟上手指南
📚 基础示例 - 8个实用的入门示例

🏗️ 架构理解路径 (深入了解系统设计)

🏛️ 系统架构 - 完整的系统架构设计
🤖 智能体架构 - 多智能体协作机制
📊 数据流架构 - 数据处理全流程
🔄 图结构设计 - LangGraph工作流程

🤖 智能体深度解析 (了解每个智能体的设计)

📈 分析师团队 - 四类专业分析师详解
🔬 研究员团队 - 看涨/看跌辩论机制
💼 交易员智能体 - 交易决策制定流程
🛡️ 风险管理 - 多层次风险评估
👔 管理层智能体 - 协调和决策管理

📊 数据处理专题 (掌握数据处理技术)

🔌 数据源集成 - 多数据源API集成
⚙️ 数据处理流程 - 数据清洗和转换
💾 缓存策略 - 多层缓存优化性能

⚙️ 配置和优化 (性能调优和定制)

📝 配置指南 - 详细配置选项说明
🧠 LLM配置 - 大语言模型优化

💡 高级应用 (扩展开发和实战)

📚 基础示例 - 8个实用基础示例
🚀 高级示例 - 复杂场景和扩展开发

❓ 问题解决 (遇到问题时查看)

🆘 常见问题 - 详细FAQ和解决方案

📊 文档统计数据

📄 文档文件数: 20+ 个专业文档
📝 总字数: 50,000+ 字详细内容
💻 代码示例: 100+ 个实用示例
📈 架构图表: 10+ 个专业图表
🎯 覆盖范围: 从入门到专家的完整路径

🎨 文档特色

🇨🇳 完全中文化: 专为中文用户优化的表达方式
📊 图文并茂: 丰富的架构图和流程图
💻 代码丰富: 每个概念都有对应的代码示例
🔍 深度剖析: 不仅告诉你怎么做，还告诉你为什么这样做
🛠️ 实用导向: 所有文档都面向实际应用场景

📚 详细文档目录

📁 docs/ 目录结构 - 完整的知识体系


docs/
├── 📖 overview/              # 项目概览 - 新手必读
│   ├── project-overview.md   # 📋 项目详细介绍
│   ├── quick-start.md        # 🚀 10分钟快速上手
│   └── installation.md       # ⚙️ 详细安装指南
│
├── 🏗️ architecture/          # 系统架构 - 深度理解
│   ├── system-architecture.md    # 🏛️ 整体架构设计
│   ├── agent-architecture.md     # 🤖 智能体协作机制
│   ├── data-flow-architecture.md # 📊 数据流处理架构
│   └── graph-structure.md        # 🔄 LangGraph工作流
│
├── 🤖 agents/               # 智能体详解 - 核心组件
│   ├── analysts.md          # 📈 四类专业分析师
│   ├── researchers.md       # 🔬 看涨/看跌辩论机制
│   ├── trader.md           # 💼 交易决策制定
│   ├── risk-management.md  # 🛡️ 多层风险评估
│   └── managers.md         # 👔 管理层协调
│
├── 📊 data/                 # 数据处理 - 技术核心
│   ├── data-sources.md      # 🔌 多数据源集成
│   ├── data-processing.md   # ⚙️ 数据处理流程
│   └── caching.md          # 💾 缓存优化策略
│
├── ⚙️ configuration/        # 配置优化 - 性能调优
│   ├── config-guide.md      # 📝 详细配置说明
│   └── llm-config.md       # 🧠 LLM模型优化
│
├── 💡 examples/             # 示例教程 - 实战应用
│   ├── basic-examples.md    # 📚 8个基础示例
│   └── advanced-examples.md # 🚀 高级开发示例
│
└── ❓ faq/                  # 问题解决 - 疑难解答
    └── faq.md              # 🆘 常见问题FAQ

🎯 重点推荐文档 (必读精选)

🔥 最受欢迎的文档

📋 项目概述 - ⭐⭐⭐⭐⭐

了解项目的核心价值和技术特色，5分钟读懂整个框架
🏛️ 系统架构 - ⭐⭐⭐⭐⭐

深度解析多智能体协作机制，包含详细架构图
📚 基础示例 - ⭐⭐⭐⭐⭐

8个实用示例，从股票分析到投资组合优化

🚀 技术深度文档

🤖 智能体架构

多智能体设计模式和协作机制详解
📊 数据流架构

数据获取、处理、缓存的完整流程
🔬 研究员团队

看涨/看跌研究员辩论机制的创新设计

💼 实用工具文档

🌐 Web界面指南 - ⭐⭐⭐⭐⭐

完整的Web界面使用教程，包含5级研究深度详细说明
💰 投资分析指南

从基础到高级的完整投资分析教程
🧠 LLM配置

多LLM模型配置和成本优化策略
💾 缓存策略

多层缓存设计，显著降低API调用成本
🆘 常见问题

详细的FAQ和故障排除指南

📖 按模块浏览文档

📖 概览文档 - 项目入门必读

📋 项目概述 - 详细的项目背景和特性介绍
🚀 快速开始 - 从安装到第一次运行的完整指南
⚙️ 详细安装 - 各平台详细安装说明

🏗️ 架构文档 - 深度理解系统设计

🏛️ 系统架构 - 完整的系统架构设计
🤖 智能体架构 - 智能体设计模式和协作机制
📊 数据流架构 - 数据获取、处理和分发流程
🔄 图结构设计 - LangGraph工作流程设计

🤖 智能体文档 - 核心组件详解

📈 分析师团队 - 四类专业分析师详解
🔬 研究员团队 - 看涨/看跌研究员和辩论机制
💼 交易员智能体 - 交易决策制定流程
🛡️ 风险管理 - 多层次风险评估体系
👔 管理层智能体 - 协调和决策管理

📊 数据处理 - 技术核心实现

🔌 数据源集成 - 支持的数据源和API集成
⚙️ 数据处理流程 - 数据清洗、转换和验证
💾 缓存策略 - 多层缓存优化性能

⚙️ 配置与部署 - 性能调优指南

📝 配置指南 - 详细的配置选项说明
🧠 LLM配置 - 大语言模型配置优化

💡 示例和教程 - 实战应用指南

📚 基础示例 - 8个实用的基础示例
🚀 高级示例 - 复杂场景和扩展开发

❓ 帮助文档 - 问题解决方案

🆘 常见问题 - 详细的FAQ和解决方案

💰 成本控制

典型使用成本

经济模式: $0.01-0.05/次分析 (使用 gpt-4o-mini)
标准模式: $0.05-0.15/次分析 (使用 gpt-4o)
高精度模式: $0.10-0.30/次分析 (使用 gpt-4o + 多轮辩论)

成本优化建议


# 低成本配置示例
cost_optimized_config = {
    "deep_think_llm": "gpt-4o-mini",
    "quick_think_llm": "gpt-4o-mini", 
    "max_debate_rounds": 1,
    "online_tools": False  # 使用缓存数据
}