Traders

Paper-only 的多代理交易研究、風險控制與執行韌性框架。

Traders 將市場資料、研究分析師、辯論流程、結構化交易意圖、風險/安全規則、持久化執行、券商對帳與稽核記錄串成可恢復、可重播的 Python 系統。

本專案不是投資建議、不支援實盤交易、不保證盈利，也不宣稱已證明具有持續 alpha。所有券商寫入都必須通過 Paper-only hard lock 與 ExecutionService 的安全邊界。

2026-09-27 深度審查：修復 19 類問題，新增 107 項反例／回歸案例；乾淨 Python 3.11／3.12 環境各通過 1,919 項測試與 335 個子測試。依賴已升級並重新鎖定；Chroma 尚無修補版的公告與 Docker 建置的網路限制，詳見完整審查與修復報告。

項目用途

Traders 的用途是研究、驗證與記錄一套交易決策流程，而不是讓語言模型直接下單。

它把下列工作放在同一個可稽核流程中：

取得行情、新聞、社群、基本面、SEC/IR 與總經濟資料。
由不同分析角色研究同一批證據。
透過 Bull/Bear 研究與 Risky/Safe/Neutral 風險辯論整理方案。
將結論轉成受 schema 約束的 TradeIntent。
經過 deterministic risk、safety、market-clock、報價與曝險檢查。
寫入 durable execution ledger，再透過 Alpaca Paper API 建立訂單。
保存 broker snapshot、reconciliation、事件、結果與反思記錄。
支援中斷後恢復、30 日曆天 observation，以及 Traders × AI-Berkshire A/B 研究。

LLM 的輸出不是訂單。 未通過結構化與 deterministic 檢查的內容，不會被猜測、轉換或直接送往券商。

目前狀態

狀態基準：main 分支，文件整理基準為 2026-09-25。

項目	狀態	說明
Python 執行環境	✅	Python 3.11+；CI 驗證 Python 3.11 與 3.12
Paper-only 安全邊界	✅	不接受 live endpoint 或無法證明為 Paper 的設定
多代理研究與辯論	✅	角色化 LLM、typed intent、prompt/audit 記錄
全市場 screening	✅	61-session 資料完整性、Top40/Top20、cache seal、entry gate
Durable execution	✅	SQLite outbox、deterministic ID、UNKNOWN recovery、reconciliation
Long-run observation	✅	互動設定、preflight、journal、resume、stop code、final report
Full-market A/B	✅	shared frozen evidence、兩 backend runtime、雙 Paper account 隔離
離線與 shadow 驗證	✅	CI、mock、fault injection、shadow A/B 已覆蓋
真實 Alpaca Paper crash/restart recovery gate	⏳ PENDING	仍需在正常交易時段以 production path 驗證

驗證快照

2026-09-25 的 GitHub Actions 快照為 Python 3.11/3.12：

1751 passed, 2 warnings, 335 subtests passed

這是日期化的 CI 快照，不是永久測試數字。測試通過代表目前程式契約與離線回歸通過，不等於真實 Paper recovery、實盤安全或策略盈利已被證明。

項目目標

1. 將研究與執行分層

模型負責提出研究與決策；程式負責驗證資料新鮮度、結構、帳戶狀態、風險限制與執行權限。這樣可以區分「模型不確定」與「系統可以安全停止」。

2. 讓每次決策可追溯

每個 observation、symbol/date pair、prompt、tool call、LLM usage、intent、order、fill、對帳與停止原因，都應有可重播的 evidence。

3. 以失效安全為預設

遇到資料缺漏、狀態損壞、帳戶不一致、market clock 不允許、reconciliation 不乾淨或 provider 結果無法證明時，系統應停止或拒絕新增風險，而不是猜測或默默繼續。

4. 研究可比較的 A/B policy

將 Traders 與 AI-Berkshire 的研究政策放在相同 frozen evidence、相同下游流程與隔離 execution state 下比較，同時承認延遲、成交時間、持倉與記憶差異對結果的影響。

5. 先建立工程證據，再談策略有效性

本專案優先建立可重現的資料、決策、執行與 recovery 證據；30 日 observation 是流程觀察窗口，不是長期 alpha 的統計保證。

系統架構

flowchart TD
    A[市場行情、新聞、社群、基本面、SEC/IR、總經濟] --> B[資料介面與交易日曆]
    B --> C[Deterministic Screening]
    C --> D[風險門檻 → 存活池公式排序 → 最多20隻]
    D --> E[Analysis Roles]
    E --> F[Bull / Bear / Research Manager]
    F --> G[Trader Proposal]
    G --> H[Risky / Safe / Neutral Debate]
    H --> I[Risk Manager]
    I --> J[Typed TradeIntent]
    J --> K[Risk / Safety / Exposure Guards]
    K --> L[ExecutionService]
    L --> M[Durable SQLite Outbox]
    M --> N[Alpaca Paper]
    N --> O[Broker Snapshot & Reconciliation]
    O --> P[Audit / Journal / Final Report]
    P --> Q[Memory / Reflection]
    Q -.下一輪研究.-> E

目錄責任

路徑	責任
`cli/`	Typer CLI、互動設定、single long-run 與 full-market A/B 入口
`tradingagents/graph/`	LangGraph 編排、節點連線、signal extraction、reflection
`tradingagents/agents/`	analysts、researchers、managers、trader、risk roles 與 schemas
`tradingagents/dataflows/`	行情、新聞、財報、總經、SEC/IR 與資料 fallback
`tradingagents/screening/`	Universe、確定性因子、Top40/Top20、cache 與 entry gate
`tradingagents/risk/`	部位大小、曝險、corporate actions 與風險限制
`tradingagents/safety/`	kill switch、daily loss、drawdown、concentration 與 token budget
`tradingagents/execution/`	durable outbox、broker authority、recovery、保護單與 exit
`tradingagents/long_run.py`	observation lifecycle 的協調入口
`tradingagents/long_run_support/`	state、config、sessions、preflight、symbols 與 reporting
`tradingagents/analysis_backends/berkshire/`	AI-Berkshire frozen-evidence analysis backend
`scripts/run_analysis_ab.py`	單一 symbol/date 的 frozen-evidence A/B pair runner
`tests/`	離線 mock、故障注入、schema 與回歸測試

主要功能

研究與多代理決策

Market、Social、News、Fundamentals、Macro 五類研究角色。
Bull/Bear researchers 與 Research Manager。
Trader proposal 與 Risky、Safe、Neutral 風險辯論。
Risk Manager 產生 strict typed TradeIntent。
Analysis、Decision、Screening 可使用不同 provider、model 與 endpoint。
支援 OpenAI、OpenAI-compatible local endpoint、Google、Anthropic、xAI、MiniMax、DeepSeek、Qwen、GLM、OpenRouter、Ollama 與 Azure。
記憶、反思、prompt capture 與完整 run audit。

資料與 screening

Alpaca、Finnhub、Google News、Reddit、FRED、SEC/IR 與加密資產資料介面。
可使用 yfinance 作為部分資料 fallback。
手動 watchlist 或全市場 US equity auto-screening。
以完整交易日、價格、成交額、報酬、波動、量能與市值做確定性 gate。
做多預設使用報告的剔除門檻與公式，直接產生最多 20 隻；可切回 Top40 → Screening LLM 的舊模式。
當日 selection cache 以日期、設定 fingerprint 與 SHA-256 seal 驗證完整性。

Durable execution 與 recovery

SQLite durable outbox：先 commit 本地 intent/order，才可進行 broker POST。
decision_id 與 deterministic client_order_id 支援冪等與 recovery。
timeout、5xx 或不確定回應進入 UNKNOWN，先 lookup/adopt，不盲目重送。
BrokerSnapshot 與 reconciliation 是帳戶與持倉的權威來源。
送出前重新檢查 market clock、帳戶、報價、entry policy、部位與曝險。
具備 account lock、global runner lock、session journal、stop code 與 terminal finalization。

Long-run 與 A/B

Single long-run 可設定任意正整數日曆天或 continuous observation。
Full-market A/B 共享每日 frozen evidence，並隔離兩 backend runtime、memory、execution DB、Safety state 與 Paper account。
支援 crash/resume、calendar authority、daily reports 與 final report。
最終權益以 broker account snapshot 為權威，不以 local signal 或 DB 自行推算。

安裝

系統需求

Python 3.11 或以上；建議使用 Python 3.11/3.12。鎖定依賴中的 pandas 等套件不再支援 3.10。
macOS 或 Linux；長跑、執行與安全帳本使用 POSIX fcntl 檔案鎖，Windows 請使用 WSL2 或 Linux 容器。
git。
若要進行 Paper 或 A/B 執行，需要可用的 Alpaca Paper 帳戶。
若要使用雲端 LLM 或外部資料，需要相應 API key；也可用 OpenAI-compatible local endpoint。
本專案只支援 Paper 券商操作，不提供 live trading path。

可重現安裝（建議）

git clone https://github.com/ihsieh31/traders.git
cd traders

python -m venv .venv
source .venv/bin/activate

python -m pip install --upgrade pip
pip install --no-deps -r requirements.lock
pip check

requirements.lock 是 CI 與 Docker 使用的完整 pinned closure，不應手動修改。需要更新依賴時，應先修改 requirements.txt 或 requirements-dev.txt，再重新產生 lock。

一般開發安裝

若不需要完全重現的 dependency closure，可以使用：

pip install -r requirements.txt
pip install -r requirements-dev.txt

Docker

專案提供以 Python 3.11、lock 安裝、pip check 與非 root user 為基礎的 Dockerfile。容器預設 entrypoint 是：

tradingagents --help

容器執行時仍須由外部提供正確的 Paper/LLM 設定；不要把 .env 或 API key 建入 image。

設定

先複製範本：

cp env.sample .env

.env 不得 commit。最小 Paper analysis/probe 設定如下：

TRADINGBUFFETT_ALPACA_API_KEY=your_paper_key
TRADINGBUFFETT_ALPACA_SECRET_KEY=your_paper_secret
TRADINGBUFFETT_ALPACA_USE_PAPER=True
TRADINGBUFFETT_ALPACA_READ_ONLY=True

TRADINGBUFFETT_LLM_PROVIDER=openai
TRADINGBUFFETT_OPENAI_API_KEY=your_openai_key

設定原則

保留 TRADINGBUFFETT_ALPACA_READ_ONLY=True 可進行分析與唯讀 probe。
只有在明確授權的 Paper observation 或 A/B Paper execution 前，才可設為 False。
不可將 live endpoint 或 TRADINGBUFFETT_ALPACA_USE_PAPER=False 當作備援路徑。
完整 API keys、role-specific keys 與 secrets 留在本機 .env 或安全的 secret manager。
不在 issue、log、screenshot 或 evidence note 中保存 credentials。

Local / OpenAI-compatible LLM

可使用 LM Studio、Ollama、vLLM 或其他 OpenAI-compatible endpoint：

TRADINGBUFFETT_LLM_PROVIDER=openai
TRADINGBUFFETT_OPENAI_USE_LOCAL=true
TRADINGBUFFETT_OPENAI_BASE_URL=http://localhost:3000/v1
TRADINGBUFFETT_DEEP_THINK_LLM=your-model
TRADINGBUFFETT_QUICK_THINK_LLM=your-model

若 local endpoint 不支援 OpenAI web-search cloud tools，請將相關工具設為不使用 cloud search；embedding provider 不支援時，memory 會採 graceful degradation，而不是偷偷改用未驗證的模型。詳細設定見 LOCAL_LLM_GUIDE.md。

使用方式

單次分析

python -m cli.main --help
python -m cli.main analyze

analyze 會在終端機互動式詢問 symbol、日期、研究深度、角色模型與策略設定，並輸出研究與 execution audit 結果。

Single long-run Paper observation

# 互動設定，預設建立 observation
python -m cli.main long-run

# 任意正整數日曆天
python -m cli.main long-run --duration-days 90

# 每完成一個 chunk 後延伸同一個 continuous observation
python -m cli.main long-run --continuous

# 選擇單一分析 backend
python -m cli.main long-run --backend traders
python -m cli.main long-run --backend berkshire

Long-run 流程包含：

互動式收集非機密設定與 credentials。
唯讀 preflight：設定、safety、role routes、LLM probe、Alpaca account、positions 與 calendar。
明確 Paper authorization。
依交易日曆建立 session journal。
每個 session 執行 screening、研究、execution 或安全跳過。
以 stop code 或 final report 結束 observation。

Long-run 不是 daemon，不會自動安裝 OS autostart。程序中斷後，使用同一 observation state 與 CLI resume；不要刪除 execution ledger 或 active state 來「恢復」。

正式 full-market A/B

目前正式 full-market A/B 入口是：

python -m cli.main long-run --mode ab

可設定 results root、Paper notional，或使用 continuous：

python -m cli.main long-run --mode ab \
  --paper-notional-usd 500

python -m cli.main long-run --mode ab \
  --results-root ~/.tradingbuffett/long_run_ab/my-observation \
  --continuous

A/B 模式不接受 single-symbol campaign 的 --symbol 或 --start-date；--duration-days 也不適用於 full-market A/B。它以全市場 shared screening 與 symbol/date pairing 運作，預設結果父目錄為 ~/.tradingbuffett/long_run_ab。

Shadow A/B pair

若只想比較單一 symbol/date，且不進行 broker mutation：

python scripts/run_analysis_ab.py \
  --symbol NVDA \
  --date 2026-09-21 \
  --results-root ~/.tradingbuffett/results/ab

若明確要做 Paper pair execution，需要使用 A/B 專用帳戶、明確的 Paper 授權與最小 notional：

python scripts/run_analysis_ab.py \
  --symbol NVDA \
  --date 2026-09-21 \
  --results-root ~/.tradingbuffett/results/ab-paper \
  --execute-paper \
  --paper-notional-usd 500

Deprecated entry points

以下舊 single-symbol campaign 腳本保留作歷史相容性，但目前會 fail closed，不是正式操作入口：

scripts/run_analysis_ab_campaign.py
scripts/run_analysis_ab_campaign_auto.py

請勿把它們的 --symbol、--start-date、--days 或 auto-launcher 說法當作現行 full-market A/B API。

輸出與資料位置

產物	預設位置	用途
單次 run audit	`~/.tradingbuffett/results/<symbol>/TradingAgentsStrategy_logs/runs/`	Prompt、tool call、LLM usage、state、錯誤與 final state
決策記憶	`~/.tradingbuffett/memory/trading_memory.md`	歷史決策與後續 outcome
Agent memory	`~/.tradingbuffett/memory/agent_memory/`	Reflection 與相似情況記憶
Execution ledger	`~/.tradingbuffett/execution/execution.sqlite3`	Intent、order、fill、protective child 與 reconciliation
Long-run state	`~/.tradingbuffett/long_run/`	Config、active state、journals、snapshots 與 final report
Full-market A/B	`~/.tradingbuffett/long_run_ab/`	Campaign、frozen evidence、backend 與 account state
Screening results	`~/.tradingbuffett/results/` 或 backend isolated path	Selection、Top20 與 execution entry gate

不要刪除 execution ledger、active state 或 journal 來處理問題；先依 audit、run ID 與 operator 流程確認狀態。

安全與執行模型

本專案使用多層防護限制風險，但任何防護都不能保證絕對安全或獲利。

Paper-only hard lock：無法證明 endpoint 為 Alpaca Paper 時拒絕券商寫入。
Typed intent：TradeIntent 必須符合 strict schema；模型自由文字不會直接成為訂單。
Durable outbox：本地 ledger commit 先於外部 POST。
冪等身份：decision_id 與 deterministic client_order_id 讓 recovery 可辨識同一決策。
UNKNOWN recovery：不確定結果先查詢與認領，不能直接重送造成重複下單。
Broker authority：fresh BrokerSnapshot、account binding 與 CLEAN reconciliation 才能增加曝險。
Market clock：交易時段與 entry policy 在送出前重新檢查。
Locks：account lock、global runner lock 與 mode-specific lock 防止並行競爭。
Risk controls：單筆風險、名目曝險、產業/集中度、daily loss、drawdown、連續拒單與 LLM token budget。
Short/crypto：SHORT 逐 observation opt-in；crypto 不允許 SHORT。
Fail closed：缺資料、損壞 state、未知 provider 結果或不乾淨對帳時停止新增風險。

Screening 與研究方法

Auto-screening 不是「自動買入清單」，而是決定研究資源優先序的確定性前置流程。

目前主要規則包括：

需要足夠且完整的 61 個交易日資料。
使用 SIP consolidated daily bars。
價格至少 US$5。
20 日平均成交額至少 US$20M。
市值門檻預設 US$300M；缺少或無效市值時 fail closed。
做多預設再要求 vol20 <= 0.28、trend > 0、r60 >= -0.25。
對存活股票計算 100 * (0.50*p(trend) + 0.30*p(r60) + 0.20*(1-p(vol20)))，由高到低選最多 20 隻。百分位只在存活池內計算；同值平均排名，同分按 ticker 排列。
合格候選或產業容量不足時允許少於 20 隻，不放寬門檻補數；零候選時只審查持倉。
既有可安全分析的美股持倉優先占用 20 隻的分析預算，再用候選補滿。超過 20 隻持倉則明確停止，不靜默遺漏持倉；被擠出的候選記為 deferred。
做多公式的篩選階段不呼叫 LLM。每輪保存的分析集合在重啟時凍結恢復，波動等數值隨 as-of 日期送入 Risk Manager。
screening_method="legacy" 保留舊價格公式與 Screening LLM；auto 在 allow_shorts=True 時使用雙向候選。兩者都先為持倉預留名額，篩選 LLM 與深度分析每帳戶每輪共用最多 20 檔；候選不足允許少選。明確指定 exclusion 加做空會拒絕啟動。
詳細設定、快取相容性與驗證見公式接入說明。
當日 selection cache 會綁定日期、設定 fingerprint、資料 feed 與完整性 seal；不合法或過期時拒絕沿用。

這些規則可以降低資料與流程風險，但不能自動證明某個標的具有未來報酬。

A/B 實驗設計

A/B 的控制變數是 analysis_backend：

Traders：原生五 analyst 研究流程。
AI-Berkshire：business analyst、financial analyst、industry researcher、risk assessor 與非執行式 Team Lead synthesis。

兩臂共享：

frozen EvidencePacket。
Report Context 與主要下游決策鏈。
screening cutoff、calendar 與 observation schedule。

兩臂隔離：

analysis backend runtime。
memory 與 agent memory。
cache 與 screening state。
execution DB 與 safety state。
broker lock 與 Paper account。

如何解讀 A/B

A/B 可以比較兩套完整研究政策，但不能直接宣稱是純模型能力比較：

兩臂依序執行，價格、延遲與成交時間可能不同。
各自持倉、可用額度與記憶會造成後續路徑差異。
兩臂都 HOLD 可能是合理結果，不等於沒有研究價值。
訊號一致率不等於 alpha。
最終 P&L 應讀取 broker account equity，並理解未調整入出金、Paper 限制與策略歸因限制。

驗證與證據

離線驗證

python -m compileall -q tradingagents cli scripts
python -m pytest -q

CI 使用 Python 3.11 與 3.12 matrix：

python -m pytest tests/ -v --tb=short

CI 測試使用隔離狀態、fake broker 與 fake provider，不依賴 live keys，也不應進行真實券商 mutation。

證據等級

等級	可以證明	不可以證明
Unit / contract	schema、函式、ID、錯誤分類、fail-closed 與狀態契約	真實券商或 provider 可用性
Mock / fault injection	restart、recovery、重複 POST 防護、持久化與故障順序	物理斷電、硬體 flush 保證
Shadow A/B	frozen evidence、流程隔離、零 broker mutation	交易收益、純分析因果
Paper account	Paper API、market clock、訂單與 reconciliation	真實資金、完整滑價與市場衝擊
Long-run observation	有限 session、journal、resume 與報告覆蓋	長期 alpha、統計顯著性與所有市場狀態

目前真實 Paper 驗證狀態

Real Alpaca Paper crash/restart recovery gate 目前為 PENDING。在它完成前，不應把 30 日 observation 宣稱為已完成全部啟動前驗收。

Paper Recovery Gate

這個 gate 必須由 operator 在正常美國交易時段、專用且沒有無關部位/訂單的 Alpaca Paper 帳戶上執行。它不是單元測試，也不是可以透過 mock 代替的步驟。

完整程序見 docs/DOCUMENTATION.md 的 Paper recovery gate 章節。摘要如下：

使用正常 long-run production entry point、正常 screening、正常 READY intent、正常 account binding、market clock、safety guard 與 reconciliation。
在正常 READY 分支的 broker.submit_order(...) 返回後設 breakpoint，記錄 decision_id、client_order_id、broker order ID/status 與本地 SUBMITTING 狀態。
從第二終端 kill -9 <pid>，保留 run directory 與 execution database。
使用正常 CLI resume，讓 startup_recover() 與 reconciliation 完成。
證明同一 decision_id/client_order_id 對應恰好一個 broker primary order 與一個 local primary row，沒有第二次 POST，且帳戶為 CLEAN。

不得：

強制 symbol 或 signal。
關閉 guardrail。
修改 market clock。
直接繞過 production path 呼叫 broker SDK。
刪除或重建訂單來讓 evidence 通過。

若 order、lookup、account state 或數量有任何不確定，應記錄為 FAILED/PENDING 並保留 durable state 給 operator reconciliation。

限制與風險

30 個日曆天或有限 Paper observation 不足以證明長期 alpha。
Paper 環境不等於實盤，未完整模擬延遲、滑點、市場衝擊、股息、費用與所有成交深度。
Screening、規則化風控與模型對話可以降低流程風險，但不能保證未來收益。
多代理辯論可能放大同一份資訊，而不是增加獨立證據。
企業品質研究與 5–15 日波段交易是不同問題；AI-Berkshire 不應被誤述為完整長期巴菲特式策略。
Fixed outcome reflection 可能把事後資產漲跌誤當成決策因果；應分開記錄規則遵守、實現 R、最大不利/有利變動與退出原因。
某些舊日誌、prompt 或復現腳本屬歷史證據，不能當作現行操作指令。
真實 provider、Python 3.11 的完整本地依賴、長時間真實市場與所有可能輸入仍需分級驗證。

開發與貢獻

開發檢查

python -m compileall -q tradingagents cli scripts
python -m pytest -q
git diff --check

開發原則：

不要把 API keys、Paper credentials 或完整環境輸出寫入測試、log、issue 或 evidence。
不要用真實 broker mutation 作為一般測試 fixture。
不要直接修改 requirements.lock；先更新來源 manifest，再重新產生 lock。
不要刪除 execution ledger、active state 或 journal 來繞過 recovery。
新增 provider/角色/資料來源時，維持 Paper-only、typed intent 與 deterministic authority。
修改 screening 或 A/B 契約時，應同步更新測試、文件與 evidence 解讀。

主要文件

QUICKSTART.md：精簡安裝、互動設定與疑難排解。
ARCHITECTURE.md：架構、模組責任、execution authority 與 lifecycle 細節。
LOCAL_LLM_GUIDE.md：local/OpenAI-compatible LLM 設定。
docs/DOCUMENTATION.md：現行投資方法評估、A/B 設計、Paper gate、歷史摘要與 provenance。
PROJECT_GOALS_AND_STATUS.md：階段歷史與驗收紀錄；其中的數字與結論是日期化歷史，不應覆蓋現行 README 與程式狀態。

引用的專案與研究

本專案保留並重新整理下列來源與概念的 provenance：

AlpacaTradingAgent

專案：huygiatrng/AlpacaTradingAgent
本專案在 Paper execution、safety、long-run observation、screening、memory 與 A/B 邊界上重構。

TradingAgents

專案：TauricResearch/TradingAgents
本專案使用並改造其多代理研究與 backtest 相關概念。
相關研究：arXiv:2412.20138，用於 cumulative return、annualized return、Sharpe ratio、maximum drawdown 與 win rate 等指標語境。

AI-Berkshire

專案：xbtlin/ai-berkshire
來源 commit：1cc1e362378cd3fea99a4f4c3b50676bce9aa4c6
改寫範圍限於 frozen-evidence 的 business analyst、financial analyst、industry researcher、risk assessor 與非執行式 Team Lead synthesis。
保留 business essence、moat、inversion、management quality、industry/civilization trend、valuation/margin of safety、uncertainty、missing-data discipline 與 cross-validation。
刻意排除 portfolio review、industry funnel、quality screen、thesis tracker、news pulse、earnings team、portfolio sizing、trade execution 與 final buy/sell recommendation，以維持 A/B 控制變數。

若後續 substantial copied code，必須保留 source、commit、license 與 attribution。第三方資料服務與 Python dependencies 依各自服務條款與授權使用。

文件地圖

README.md
├── 使用者入口、目前狀態、安裝與命令
├── ARCHITECTURE.md
│   └── 模組責任、資料流與 execution authority
├── docs/DOCUMENTATION.md
│   └── 現行投資方法、A/B、Paper gate、歷史摘要與來源索引
├── QUICKSTART.md
│   └── 精簡安裝與疑難排解
├── LOCAL_LLM_GUIDE.md
│   └── Local/OpenAI-compatible provider 設定
└── PROJECT_GOALS_AND_STATUS.md
    └── 階段歷史與驗收紀錄

License

本專案採用 Apache License 2.0。

本專案是研究與工程驗證工具。使用者應自行確認資料供應商條款、模型服務條款、Paper API 條款與所在地法律；README、程式或文件不構成投資、法律或稅務建議。

Name		Name	Last commit message	Last commit date
.github/workflows		.github/workflows
.idea		.idea
assets		assets
cli		cli
docs		docs
research		research
scripts		scripts
tests		tests
tradingagents		tradingagents
.dockerignore		.dockerignore
.gitignore		.gitignore
ARCHITECTURE.md		ARCHITECTURE.md
Dockerfile		Dockerfile
LICENSE		LICENSE
LOCAL_LLM_GUIDE.md		LOCAL_LLM_GUIDE.md
MANIFEST.in		MANIFEST.in
PROJECT_GOALS_AND_STATUS.md		PROJECT_GOALS_AND_STATUS.md
QUICKSTART.md		QUICKSTART.md
README.md		README.md
env.sample		env.sample
pytest.ini		pytest.ini
requirements-dev.txt		requirements-dev.txt
requirements.lock		requirements.lock
requirements.txt		requirements.txt
setup.py		setup.py

Latest commit

History

Folders and files

Repository files navigation