🎉 版本: 当前版本为 cn-0.1.7 版，已具备Docker容器化部署、专业报告导出、DeepSeek V3集成、完整的A股数据支持等核心功能。

📝 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Docker容器化部署、专业报告导出、DeepSeek V3成本优化、完整的A股支持和本地化体验。

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。

• 🎛️ 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
• 🐳 容器化: Docker部署，环境隔离，快速扩展
• 📄 专业报告: 多格式导出，商业级质量，自动生成

• 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 ✅ 已完整支持

• 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 ✅ 已完整支持
• 💰 Token统计: 实时Token使用统计和成本追踪 ✅ 已完整支持
• 💾 缓存管理: 数据缓存状态监控和管理 ✅ 已完整支持

• 🐳 容器化部署: Docker Compose一键部署完整环境
• 📄 专业报告导出: Word/PDF/Markdown多格式专业报告
• 🧠 DeepSeek V3集成: 成本优化90%的中文AI模型
• 🔄 智能模型路由: 根据任务自动选择最优模型
• 🛡️ 系统稳定性: 全面错误修复和性能优化
• 📚 文档体系完善: 新增10+专门功能文档

⚠️ 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

适用场景: 生产环境、快速体验、零配置启动

# 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. 构建并启动所有服务
docker-compose up -d --build
# 注意：首次运行会构建Docker镜像，需要5-10分钟

# 4. 访问应用
# Web界面: http://localhost:8501
# 数据库管理: http://localhost:8081
# 缓存管理: http://localhost:8082

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. 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

# 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

⚠️ 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/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：

1. 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

2. Redis连接超时

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

3. 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

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. 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
• 📤 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

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

感谢以下社区贡献者为TradingAgents-CN项目做出的重要贡献：

• @breeze303: 提供完整的Docker Compose配置和容器化部署方案，大大简化了项目的部署和开发环境配置

• @baiyuxiong ([email protected]): 设计并实现了完整的多格式报告导出系统，包括Word、PDF、Markdown格式支持

• 所有提交Issue的用户: 感谢您们的问题反馈和功能建议
• 测试用户: 感谢您们在开发过程中的测试和反馈
• 文档贡献者: 感谢您们对项目文档的完善和改进
• 🌍 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

• v0.1.7 (2025-07-13): 🐳 容器化部署与专业报告导出 ✨ 最新版本
• 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: [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