🚀 最新版本 cn-0.1.13-preview: 原生OpenAI支持与Google AI全面集成预览版！新增自定义OpenAI端点、9个Google AI模型、LLM适配器架构优化！

🎯 核心功能: 原生OpenAI支持 | Google AI全面集成 | 自定义端点配置 | 智能模型选择 | 多LLM提供商支持 | 模型选择持久化 | Docker容器化部署 | 专业报告导出 | 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。

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。

• 自定义OpenAI端点: 支持配置任意OpenAI兼容的API端点
• 灵活模型选择: 可以使用任何OpenAI格式的模型，不限于官方模型
• 智能适配器: 新增原生OpenAI适配器，提供更好的兼容性和性能
• 配置管理: 统一的端点和模型配置管理系统

• 三大Google AI包支持: langchain-google-genai、google-generativeai、google-genai
• 9个验证模型: gemini-2.5-pro, gemini-2.5-flash, gemini-2.0-flash等最新模型
• Google工具处理器: 专门的Google AI工具调用处理器
• 智能降级机制: 高级功能失败时自动降级到基础功能

• GoogleOpenAIAdapter: 新增Google AI的OpenAI兼容适配器
• 统一接口: 所有LLM提供商使用统一的调用接口
• 错误处理增强: 改进的异常处理和自动重试机制
• 性能监控: 添加LLM调用性能监控和统计

• 智能模型选择: 根据可用性自动选择最佳模型
• KeyError修复: 彻底解决模型选择中的KeyError问题
• UI响应优化: 改进模型切换的响应速度和用户体验
• 错误提示: 更友好的错误提示和解决建议

• 智能新闻过滤器: 基于AI的新闻相关性评分和质量评估
• 多层次过滤机制: 基础过滤、增强过滤、集成过滤三级处理
• 新闻质量评估: 自动识别和过滤低质量、重复、无关新闻
• 统一新闻工具: 整合多个新闻源，提供统一的新闻获取接口

• DashScope适配器修复: 解决工具调用兼容性问题
• DeepSeek死循环修复: 修复新闻分析师的无限循环问题
• LLM工具调用增强: 提升工具调用的可靠性和稳定性
• 新闻检索器优化: 增强新闻数据获取和处理能力

• 全面测试覆盖: 新增15+个测试文件，覆盖所有新功能
• 详细技术文档: 新增8个技术分析报告和修复文档
• 用户指南完善: 新增新闻过滤使用指南和最佳实践
• 演示脚本: 提供完整的新闻过滤功能演示

• 文档分类整理: 按功能将文档分类到docs子目录
• 示例代码归位: 演示脚本统一到examples目录
• 根目录整洁: 保持根目录简洁，提升项目专业度

• 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

🎨 现代化Web界面: 基于Streamlit构建的响应式Web应用，提供直观的股票分析体验

智能配置面板，支持多市场股票分析，5级研究深度选择

实时进度跟踪，可视化分析过程，智能时间预估

专业投资报告，多维度分析结果，一键导出功能

• 🌍 多市场支持: 美股、A股、港股一站式分析
• 🎯 5级研究深度: 从2分钟快速分析到25分钟全面研究
• 🤖 智能体选择: 市场技术、基本面、新闻、社交媒体分析师
• 📅 灵活时间设置: 支持历史任意时间点分析

• 📊 可视化进度: 实时显示分析进展和剩余时间
• 🔄 智能步骤识别: 自动识别当前分析阶段
• ⏱️ 准确时间预估: 基于历史数据的智能时间计算
• 💾 状态持久化: 页面刷新不丢失分析进度

• 🎯 投资决策: 明确的买入/持有/卖出建议
• 📊 多维分析: 技术面、基本面、新闻面综合评估
• 🔢 量化指标: 置信度、风险评分、目标价位
• 📄 专业报告: 支持Markdown/Word/PDF格式导出

• 🌐 4大提供商: DashScope、DeepSeek、Google AI、OpenRouter
• 🎯 60+模型选择: 从经济型到旗舰级模型全覆盖
• 💾 配置持久化: URL参数存储，刷新保持设置
• ⚡ 快速切换: 5个热门模型一键选择按钮

1. 启动应用: python start_web.py 或 docker-compose up -d
2. 访问界面: 浏览器打开 http://localhost:8501
3. 配置模型: 侧边栏选择LLM提供商和模型
4. 输入股票: 输入股票代码（如 AAPL、000001、0700.HK）
5. 选择深度: 根据需求选择1-5级研究深度
6. 开始分析: 点击"🚀 开始分析"按钮
7. 查看结果: 实时跟踪进度，查看分析报告
8. 导出报告: 一键导出专业格式报告

• 🇺🇸 美股: AAPL, TSLA, MSFT, NVDA, GOOGL
• 🇨🇳 A股: 000001, 600519, 300750, 002415
• 🇭🇰 港股: 0700.HK, 9988.HK, 3690.HK, 1810.HK

• 1级 (2-4分钟): 快速概览，基础技术指标
• 2级 (4-6分钟): 标准分析，技术+基本面
• 3级 (6-10分钟): 深度分析，加入新闻情绪 ⭐ 推荐
• 4级 (10-15分钟): 全面分析，多轮智能体辩论
• 5级 (15-25分钟): 最深度分析，完整研究报告

• 🔄 实时刷新: 分析过程中可随时刷新页面，进度不丢失
• 📱 移动适配: 支持手机和平板设备访问
• 🎨 深色模式: 自动适配系统主题设置
• ⌨️ 快捷键: 支持Enter键快速提交分析
• 📋 历史记录: 自动保存最近的分析配置

📖 详细指南: 完整的Web界面使用说明请参考 🖥️ Web界面详细使用指南

🎯 快速选择: 5个热门模型快速按钮 | 💾 持久化: URL参数存储，刷新保持 | 🔄 智能切换: 一键切换不同提供商

分析师团队: 📈市场分析 | 💰基本面分析 | 📰新闻分析 | 💬情绪分析 研究团队: 🐂看涨研究员 | 🐻看跌研究员 | 🎯交易决策员 管理层: 🛡️风险管理员 | 👔研究主管

# 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
# 首次启动或代码变更时（需要构建镜像）
docker-compose up -d --build

# 日常启动（镜像已存在，无代码变更）
docker-compose up -d

# 智能启动（自动判断是否需要构建）
# Windows环境
powershell -ExecutionPolicy Bypass -File scripts\smart_start.ps1

# Linux/Mac环境
chmod +x scripts/smart_start.sh && ./scripts/smart_start.sh

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

# 1. 升级pip (重要！避免安装错误)
python -m pip install --upgrade pip

# 2. 安装依赖
pip install -e .

# 3. 启动应用
python start_web.py

# 4. 访问 http://localhost:8501

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

• 🧠 智能新闻分析: v0.1.12新增AI驱动的新闻过滤和质量评估系统
• 🔧 多层次过滤: 基础、增强、集成三级新闻过滤机制
• 📰 统一新闻工具: 整合多源新闻，提供统一的智能检索接口
• 🆕 多LLM集成: v0.1.11新增4大提供商，60+模型，一站式AI体验
• 💾 配置持久化: 模型选择真正持久化，URL参数存储，刷新保持
• 🎯 快速切换: 5个热门模型快速按钮，一键切换不同AI
• 🆕 实时进度: v0.1.10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

核心技术: Python 3.10+ | LangChain | Streamlit | MongoDB | Redis AI模型: DeepSeek V3 | 阿里百炼 | Google AI | OpenRouter(60+模型) | OpenAI 数据源: Tushare | AkShare | FinnHub | Yahoo Finance 部署: Docker | Docker Compose | 本地部署

• 📖 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

相比原版新增: 智能新闻分析 | 多层次新闻过滤 | 新闻质量评估 | 统一新闻工具 | 多LLM提供商集成 | 模型选择持久化 | 快速切换按钮 | | 实时进度显示 | 智能会话管理 | 中文界面 | A股数据 | 国产LLM | Docker部署 | 专业报告导出 | 统一日志管理 | Web配置界面 | 成本优化

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

适用场景: 开发环境、自定义配置、离线使用

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

# 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. 升级pip
python -m pip install --upgrade pip

# 4. 安装所有依赖
pip install -r requirements.txt
#或者使用pip install -e .
pip install -e .

# 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

# 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

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

# 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

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

🐳 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

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
    }
}

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

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

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

# 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

常见问题解决：

1. 🪟 Windows 10 ChromaDB兼容性问题

   问题现象：在Windows 10上出现 Configuration error: An instance of Chroma already exists for ephemeral with different settings 错误，而Windows 11正常。

   快速解决方案：

   # 方案1：禁用内存功能（推荐）
   # 在 .env 文件中添加：
   MEMORY_ENABLED=false
   
   # 方案2：使用专用修复脚本
   powershell -ExecutionPolicy Bypass -File scripts\fix_chromadb_win10.ps1
   
   # 方案3：管理员权限运行
   # 右键PowerShell -> "以管理员身份运行"

   详细解决方案：参考 Windows 10兼容性指南

2. 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

3. Redis连接超时

   # 检查Redis状态
   redis-cli ping
   
   # 清理Redis缓存
   redis-cli flushdb

4. 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

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：

1. 完成股票分析后，在结果页面底部找到"📤 导出报告"部分
2. 选择需要的格式：Markdown、Word或PDF
3. 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

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

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

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']}")

# 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

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

# 启动交互式命令行界面
python -m cli.main

💡 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！

🌟 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。

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

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

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

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

1. 📝 配置指南 - 详细配置选项说明
2. 🧠 LLM配置 - 大语言模型优化

1. 📚 基础示例 - 8个实用基础示例
2. 🚀 高级示例 - 复杂场景和扩展开发

1. 🆘 常见问题 - 详细FAQ和解决方案

• 📄 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

• 🇨🇳 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

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

1. 📋 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

2. 🏛️ 系统架构 - ⭐⭐⭐⭐⭐

   深度解析多智能体协作机制，包含详细架构图

3. 📚 基础示例 - ⭐⭐⭐⭐⭐

   8个实用示例，从股票分析到投资组合优化

1. 🤖 智能体架构

   多智能体设计模式和协作机制详解

2. 📊 数据流架构

   数据获取、处理、缓存的完整流程

3. 🔬 研究员团队

   看涨/看跌研究员辩论机制的创新设计

1. 🌐 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

2. 💰 投资分析指南

   从基础到高级的完整投资分析教程

3. 🧠 LLM配置

   多LLM模型配置和成本优化策略

4. 💾 缓存策略

   多层缓存设计，显著降低API调用成本

5. 🆘 常见问题

   详细的FAQ和故障排除指南

• 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)

# 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
}

我们欢迎各种形式的贡献：

• 🐛 Bug修复 - 发现并修复问题
• ✨ 新功能 - 添加新的功能特性
• 📚 文档改进 - 完善文档和教程
• 🌐 本地化 - 翻译和本地化工作
• 🎨 代码优化 - 性能优化和代码重构

1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 创建 Pull Request

查看所有贡献者和详细贡献内容：🤝 贡献者名单

本项目基于 Apache 2.0 许可证开源。详见 LICENSE 文件。

• ✅ 商业使用
• ✅ 修改和分发
• ✅ 私人使用
• ✅ 专利使用
• ❗ 需要保留版权声明
• ❗ 需要包含许可证副本

我们向 Tauric Research 团队表达最深的敬意和感谢：

• 🎯 愿景领导者: 感谢您们在AI金融领域的前瞻性思考和创新实践
• 💎 珍贵源码: 感谢您们开源的每一行代码，它们凝聚着无数的智慧和心血
• 🏗️ 架构大师: 感谢您们设计了如此优雅、可扩展的多智能体框架
• 💡 技术先驱: 感谢您们将前沿AI技术与金融实务完美结合
• 🔄 持续贡献: 感谢您们持续的维护、更新和改进工作

感谢所有为TradingAgents-CN项目做出贡献的开发者和用户！

详细的贡献者名单和贡献内容请查看：📋 贡献者名单

包括但不限于：

• 🐳 Docker容器化 - 部署方案优化
• 📄 报告导出功能 - 多格式输出支持
• 🐛 Bug修复 - 系统稳定性提升
• 🔧 代码优化 - 用户体验改进
• 📝 文档完善 - 使用指南和教程
• 🌍 社区建设 - 问题反馈和推广
• 🌍 开源贡献: 感谢您们选择Apache 2.0协议，给予开发者最大的自由
• 📚 知识分享: 感谢您们提供的详细文档和最佳实践指导

特别感谢：TradingAgents 项目为我们提供了坚实的技术基础。虽然Apache 2.0协议赋予了我们使用源码的权利，但我们深知每一行代码的珍贵价值，将永远铭记并感谢您们的无私贡献。

创建这个中文增强版本，我们怀着以下初心：

• 🌉 技术传播: 让优秀的TradingAgents技术在中国得到更广泛的应用
• 🎓 教育普及: 为中国的AI金融教育提供更好的工具和资源
• 🤝 文化桥梁: 在中西方技术社区之间搭建交流合作的桥梁
• 🚀 创新推动: 推动中国金融科技领域的AI技术创新和应用

感谢所有为本项目贡献代码、文档、建议和反馈的开发者和用户。正是因为有了大家的支持，我们才能更好地服务中文用户社区。

我们承诺：

• 尊重原创: 始终尊重源项目的知识产权和开源协议
• 反馈贡献: 将有价值的改进和创新反馈给源项目和开源社区
• 持续改进: 不断完善中文增强版本，提供更好的用户体验
• 开放合作: 欢迎与源项目团队和全球开发者进行技术交流与合作

• v0.1.13 (2025-08-02): 🤖 原生OpenAI支持与Google AI生态系统全面集成 ✨ 最新版本
• v0.1.12 (2025-07-29): 🧠 智能新闻分析模块与项目结构优化
• v0.1.11 (2025-07-27): 🤖 多LLM提供商集成与模型选择持久化
• v0.1.10 (2025-07-18): 🚀 Web界面实时进度显示与智能会话管理
• v0.1.9 (2025-07-16): 🎯 CLI用户体验重大优化与统一日志管理
• v0.1.8 (2025-07-15): 🎨 Web界面全面优化与用户体验提升
• v0.1.7 (2025-07-13): 🐳 容器化部署与专业报告导出
• v0.1.6 (2025-07-11): 🔧 阿里百炼修复与数据源升级
• v0.1.5 (2025-07-08): 📊 添加Deepseek模型支持
• v0.1.4 (2025-07-05): 🏗️ 架构优化与配置管理重构
• v0.1.3 (2025-06-28): 🇨🇳 A股市场完整支持
• v0.1.2 (2025-06-15): 🌐 Web界面和配置管理
• v0.1.1 (2025-06-01): 🧠 国产LLM集成

📋 详细更新日志: CHANGELOG.md

• GitHub Issues: 提交问题和建议
• 邮箱: hsliup@163.com
• 项目ＱＱ群：782124367
• 原项目: TauricResearch/TradingAgents
• 文档: 完整文档目录

重要声明: 本框架仅用于研究和教育目的，不构成投资建议。

• 📊 交易表现可能因多种因素而异
• 🤖 AI模型的预测存在不确定性
• 💰 投资有风险，决策需谨慎
• 👨‍💼 建议咨询专业财务顾问