🎉 版本: 当前版本为 cn-0.1.4 版，已具备完整的Web界面、A股数据支持、数据库集成等核心功能。
📝 版本说明: 为避免与源项目版本冲突，中文增强版使用
cn-前缀的独立版本体系。
基于多智能体大语言模型的中文金融交易决策框架。本项目基于 TauricResearch/TradingAgents 开发，专为中文用户提供完整的文档体系和本地化支持。
我们向 Tauric Research 团队及 TradingAgents 项目的所有贡献者致以最诚挚的敬意和感谢！
- 🎯 创新理念: 感谢您们创造了这个革命性的多智能体交易框架
- 💎 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
- 🏗️ 优秀架构: 感谢您们设计了如此优雅和可扩展的系统架构
- 🔬 前沿技术: 感谢您们将最新的AI技术应用到金融交易领域
- 🔄 持续贡献: 感谢您们持续的维护、更新和改进工作
- 🌍 开源精神: 感谢您们选择Apache 2.0协议，给予开发者最大的自由
💝 特别说明: 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。我们将永远铭记并感谢您们的无私贡献。
本项目的创建初衷是为了更好地在中国推广TradingAgents，让更多中文用户能够：
- 🇨🇳 无障碍使用: 提供完整的中文文档和界面，降低使用门槛
- 🧠 本土化适配: 集成国产大模型，适应国内网络环境
- 📊 市场对接: 支持A股、港股等中国金融市场
- 🎓 学习交流: 为中文社区提供学习和交流平台
- 🚀 技术推广: 推动AI在中国金融科技领域的应用
我们始终尊重源项目的知识产权，遵循开源协议，并致力于将改进和创新反馈给开源社区。
TradingAgents 是由杰出的 Tauric Research 团队开发的革命性多智能体交易框架。这个项目的创新之处在于：
- 🤖 智能体协作: 模拟真实交易公司的专业分工和协作决策流程
- 🧠 AI驱动: 通过多个专业化AI智能体协作评估市场条件
- 📈 实战导向: 专注于实际的交易决策和风险管理
- 🔬 前沿技术: 将最新的大语言模型技术应用到金融领域
为了更好地在中国推广这个优秀的TradingAgents框架，我们创建了这个中文增强版本，目标是：
- 语言无障碍: 提供完整的中文文档和用户界面
- 技术本土化: 集成国产大模型，适应国内技术环境
- 社区建设: 为中文开发者社区提供学习和交流平台
- 市场对接: 支持A股、港股、新三板等中国金融市场
- 数据源集成: 整合Tushare、AkShare、Wind等中文金融数据
- 合规适配: 符合国内金融监管和数据安全要求
- 教育资源: 为高校和研究机构提供AI金融教学工具
- 人才培养: 帮助培养更多AI金融复合型人才
- 创新应用: 推动AI技术在中国金融科技领域的创新应用
我们深信，通过这些努力，能够让更多中国用户体验到TradingAgents的强大功能，并为全球开源社区贡献中国智慧。
| 功能模块 | 状态 | 说明 |
|---|---|---|
| 🌐Web管理界面 | ✅ 完整支持 | Streamlit现代化界面，配置管理，Token统计 |
| 🇨🇳A股数据支持 | ✅ 完整支持 | 通达信API，实时行情，历史数据，技术指标 |
| 🧠国产LLM集成 | ✅ 完整支持 | 阿里百炼全系列模型，Google AI Gemini |
| 🗄️数据库支持 | ✅ 完整支持 | MongoDB持久化，Redis缓存，智能降级 |
| ⚙️配置管理 | ✅ 完整支持 | 统一.env配置，启用开关，Web界面管理 |
| 🏗️架构优化 | ✅ 完整支持 | 统一管理器，错误修复，性能优化 |
| 📚中文文档 | ✅ 完整支持 | 详细架构文档，使用指南，故障排除 |
- 🎛️ 开箱即用: 完整的Web界面，无需命令行操作
- 🇨🇳 中国优化: A股数据 + 国产LLM + 中文界面
- 🔧 智能配置: 自动检测，智能降级，零配置启动
- 📊 实时监控: Token使用统计，缓存状态，系统监控
- 🛡️ 稳定可靠: 多层数据源，错误恢复，生产就绪
| 技术领域 | 使用技术 | 版本要求 |
|---|---|---|
| 🐍 核心语言 | Python | 3.10+ |
| 🧠 AI框架 | LangChain, LangGraph | 最新版 |
| 🌐 Web界面 | Streamlit | 1.28+ |
| 🗄️ 数据库 | MongoDB, Redis | 4.4+, 6.0+ |
| 📊 数据处理 | Pandas, NumPy | 最新版 |
| 🔌 API集成 | 通达信API, FinnHub, Google News | - |
| 🧠 LLM支持 | 阿里百炼, Google AI, OpenAI, Anthropic | - |
| 📦 包管理 | pip, requirements.txt | - |
- 分析师团队: 基本面、技术面、新闻面、社交媒体四大专业分析师
- 研究员团队: 看涨/看跌研究员进行结构化辩论
- 交易员智能体: 基于所有输入做出最终交易决策
- 风险管理: 多层次风险评估和管理机制
- 管理层: 协调各团队工作，确保决策质量
- 🇨🇳 阿里百炼: qwen-turbo, qwen-plus-latest, qwen-max ✅ 已完整支持
- Google AI: gemini-2.0-flash, gemini-1.5-pro, gemini-1.5-flash ✅ 已完整支持
- OpenAI: GPT-4o, GPT-4o-mini, GPT-3.5-turbo ⚙️ 配置即用
- Anthropic: Claude-3-Opus, Claude-3-Sonnet, Claude-3-Haiku ⚙️ 配置即用
- 智能混合: Google AI推理 + 阿里百炼嵌入 ✅ 已优化
- 🇨🇳 A股数据: 通达信API 实时行情和历史数据 ✅ 已完整支持
- 美股数据: FinnHub、Yahoo Finance 实时行情 ✅ 已完整支持
- 新闻数据: Google News、财经新闻、实时新闻API ✅ 已完整支持
- 社交数据: Reddit情绪分析 ✅ 已完整支持
- 🗄️ 数据库支持: MongoDB 数据持久化 + Redis 高速缓存 ✅ 已完整支持
- 🔄 智能降级: MongoDB → 通达信API → 本地缓存的多层数据源 ✅ 已完整支持
- ⚙️ 统一配置: .env文件统一管理，启用开关完全生效 ✅ v0.1.4新增
- 并行处理: 多智能体并行分析，提高效率
- 智能缓存: 多层缓存策略，减少API调用成本
- 实时分析: 支持实时市场数据分析
- 灵活配置: 高度可定制的智能体行为和模型选择
- 📁 数据目录配置: 灵活的数据存储路径配置，支持CLI、环境变量等多种方式
- ⚡ 数据库加速: Redis毫秒级缓存 + MongoDB持久化存储
- 🔄 高可用架构: 多层数据源降级，确保服务稳定性
- 直观操作: 基于Streamlit的现代化Web界面
- 实时进度: 分析过程可视化，实时显示进度
- 智能配置: 5级研究深度，从快速分析(2-4分钟)到全面分析(15-25分钟)
- 结果展示: 结构化显示投资建议、目标价位、风险评估等
- 中文界面: 完全中文化的用户界面和分析结果
- 🎛️ 配置管理: API密钥管理、模型选择、系统配置 ✅ v0.1.2新增
- 💰 Token统计: 实时Token使用统计和成本追踪 ✅ v0.1.2新增
- 💾 缓存管理: 数据缓存状态监控和管理 ✅ v0.1.3新增
| 功能分类 | 原版状态 | 中文增强版状态 | 完成度 |
|---|---|---|---|
| 📚 文档体系 | 英文基础文档 | 完整中文文档体系 + 架构设计文档 | ✅ 100% |
| 🌐 Web界面 | 无 | Streamlit现代化界面 + 配置管理 | ✅ 100% |
| 🇨🇳 A股支持 | 无 | 通达信API + 实时行情 + 历史数据 | ✅ 100% |
| 🧠 国产LLM | 无 | 阿里百炼完整集成 + Google AI | ✅ 100% |
| 🗄️ 数据库 | 无 | MongoDB + Redis + 智能降级 | ✅ 100% |
| ⚙️ 配置管理 | 基础配置 | 统一.env配置 + Web管理界面 | ✅ 100% |
| 💰 成本控制 | 无 | Token统计 + 成本追踪 | ✅ 100% |
| 🏗️ 架构优化 | 基础架构 | 统一管理器 + 错误修复 | ✅ 100% |
- 🏗️ 架构统一: 移除重复组件，统一数据库管理器
- ⚙️ 配置简化: 只需编辑.env文件，启用开关完全生效
- 🐛 错误修复: 修复MongoDB布尔值判断等关键问题
- 📚 文档完善: 新增架构优化指南和详细操作文档
⚠️ API密钥安全警告:
- 绝对不要将包含真实API密钥的
.env文件提交到Git仓库- 使用
.env.example作为模板，创建您自己的.env文件- 详细安全指南请参考: API密钥安全指南
- 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. 安装基础依赖
pip install -r requirements.txt
# 4. 安装A股数据支持（可选）
pip install pytdx # 通达信API，用于A股实时数据
# 5. 安装数据库支持（可选，推荐）
pip install -r requirements_db.txt # MongoDB + Redis 支持# 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
# 可选：Google AI API（支持Gemini模型）
GOOGLE_API_KEY=your_google_api_key_here
# 可选：数据库配置（提升性能，默认禁用）
MONGODB_ENABLED=false # 设为true启用MongoDB
REDIS_ENABLED=false # 设为true启用Redis
MONGODB_HOST=localhost
MONGODB_PORT=27018 # 使用非标准端口避免冲突
REDIS_HOST=localhost
REDIS_PORT=6380 # 使用非标准端口避免冲突# 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本项目现已支持 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 → 通达信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
方式一：Docker Compose（推荐）
# 启动 MongoDB + Redis 服务
docker-compose up -d
# 查看服务状态
docker-compose ps
# 停止服务
docker-compose down方式二：手动安装
# 安装数据库依赖
pip install -r requirements_db.txt
# 启动 MongoDB (默认端口 27017)
mongod --dbpath ./data/mongodb
# 启动 Redis (默认端口 6379)
redis-server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/init_database.py
# 数据库状态检查
python scripts/check_database_status.py
# 数据同步工具
python scripts/sync_stock_data.py
# 清理过期缓存
python scripts/cleanup_cache.py常见问题解决：
-
MongoDB连接失败
# 检查服务状态 docker-compose logs mongodb # 重启服务 docker-compose restart mongodb
-
Redis连接超时
# 检查Redis状态 redis-cli ping # 清理Redis缓存 redis-cli flushdb
-
数据同步问题
# 手动触发数据同步 python scripts/manual_sync.py
💡 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
# 1. 激活虚拟环境
# Windows
.\env\Scripts\activate
# Linux/macOS
source env/bin/activate
# 2. 启动Web管理界面
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
- 🎯 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| 🎯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！
🌟 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。
| 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 |
- 🆘 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
-
📋 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
-
🌐 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
-
从基础到高级的完整投资分析教程
-
多LLM模型配置和成本优化策略
-
多层缓存设计，显著降低API调用成本
-
详细的FAQ和故障排除指南
🏗️ 架构文档 - 深度理解系统设计
🤖 智能体文档 - 核心组件详解
❓ 帮助文档 - 问题解决方案
- 🆘 常见问题 - 详细的FAQ和解决方案
- 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
- Fork 本仓库
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 创建 Pull Request
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
- 🌍 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
- v0.1.4 (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: [email protected]
- 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
🌟 如果这个项目对您有帮助，请给我们一个 Star！