[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-TreborNamor--TradingView-Machine-Learning-GUI":3,"similar-TreborNamor--TradingView-Machine-Learning-GUI":93},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":18,"owner_website":18,"owner_url":21,"languages":22,"stars":27,"forks":28,"last_commit_at":29,"license":30,"difficulty_score":31,"env_os":32,"env_gpu":33,"env_ram":33,"env_deps":34,"category_tags":41,"github_topics":45,"view_count":57,"oss_zip_url":18,"oss_zip_packed_at":18,"status":58,"created_at":59,"updated_at":60,"faqs":61,"releases":92},814,"TreborNamor\u002FTradingView-Machine-Learning-GUI","TradingView-Machine-Learning-GUI","HyperView is a terminal-first TradingView strategy lab for downloading market data, backtesting Python strategies with Pine-like behavior, and optimizing SL\u002FTP parameters.","TradingView-Machine-Learning-GUI（核心项目 HyperView）是一款面向量化交易者的终端策略实验室。它将 TradingView 上的图表想法转化为可验证的 Python 交易系统，有效解决了 Pine 脚本难以深度开发与本地回测的痛点。\n\n传统模式下，开发者往往需要在 Pine 脚本、CSV 导出和自定义笔记本间反复切换，导致效率低下。它提供了一个流畅闭环：直接从 TradingView WebSocket 拉取历史数据，利用 TA-Lib 计算指标，并以接近 Pine 脚本的执行行为进行回测。这意味着在本地调优的参数，应用到 TradingView 时依然保持一致。\n\n它特别适合希望像工程师一样构建策略的交易员和量化研究人员。无需复杂的 API 配置或浏览器自动化，付费账户甚至能下载 4 万根 K 线。内置的贝叶斯优化功能可自动搜索最佳止损止盈参数，配合 Rich 库生成的清晰终端报表，让策略验证更高效、更精准，真正实现快速迭代与严谨验证。","# HyperView\n\n**Turn TradingView ideas into testable, terminal-speed trading systems.**\n\nHyperView is for the moment a TradingView strategy stops being a chart experiment and starts needing hard evidence. It pulls historical candles straight from TradingView's websocket, runs your strategy logic in Python, and backtests with fill behavior designed to closely mirror Pine Script, so the results you tune locally in python still match the results you'll see on TradingView's strategy tester.\n\nInstead of bouncing between Pine scripts, CSV exports, and improvised notebooks, HyperView gives you one clean loop: pull up to 40K bars, build on [TA-Lib](https:\u002F\u002Fgithub.com\u002FTA-Lib\u002Fta-lib-python)'s 150+ indicators, simulate realistic SL\u002FTP execution, and let Bayesian optimization (Optuna TPE) hunt for better parameter ranges. No API keys. No browser automation. No spreadsheet cleanup. Just faster iteration, sharper validation, and a workflow built for traders who want to develop strategies like engineers.\n\n## Prerequisites\n\n- **Python 3.11+**\n- **TA-Lib** — installed automatically by `pip install`. Pre-built wheels ship for Python 3.9–3.14 on Windows, macOS, and Linux.\n- **rich** — installed automatically. Powers the styled terminal output (colored tables, progress indicators, panels).\n- **Firefox** *(optional)* — If you have a TradingView paid plan, HyperView can read your Firefox session cookies to download up to **40K candles**. Without it, the websocket still downloads up to **5K candles** anonymously. To use this, just log in to [tradingview.com](https:\u002F\u002Fwww.tradingview.com) in Firefox before downloading data.\n\n## Quick Start\n\n```bash\n# Install in editable mode (creates the `hyperview` CLI command, installs all dependencies including TA-Lib)\npip install -e .\n\n# Download data for specific pairs\nhyperview download-data --pairs NASDAQ:NFLX NASDAQ:AAPL --timeframe 1h --session extended\n\n# Or define your pairs in config.json and download multiple timeframes at once:\nhyperview download-data --timeframe 1h 15m\n\n# Run a single backtest (uses config pairlist)\nhyperview backtest --sl 3.23 --tp 13.06 --mode long\n\n# Or target a specific symbol using values from a hyperopt preset file\nhyperview backtest --symbol NASDAQ:NFLX --preset-file results\u002Fadx_stochastic_presets.json\n\n# Hyper-optimize SL\u002FTP across all pairs in config\nhyperview hyperopt --mode long\n\n# List cached data and registered strategies\nhyperview list-data\nhyperview list-strategies\n```\n\nYou can also run via `python -m hyperview` instead of the `hyperview` command.\n\nPython bytecode is redirected into the project-level `.pycache\u002F` directory, so runtime imports do not create scattered `__pycache__` folders under `hyperview\u002F` or `strategy\u002F`.\n\n## How It Works\n\n1. **Download** — Connects to TradingView's websocket using your existing Firefox session cookies. Supports up to 40K historical bars on paid plans with automatic backfill.\n2. **Signal** — Runs a pluggable strategy (e.g. the included MACD+RSI or ADX+Stochastic) in pure Python with TA-Lib indicator parity.\n3. **Backtest** — Simulates trades bar-by-bar using TradingView-parity fill assumptions (next-bar-open entry, intrabar SL\u002FTP exit ordering). Multi-pair runs produce a true **PORTFOLIO** aggregate row with combined equity-curve statistics.\n4. **Hyper-Optimize** — Runs Bayesian optimization (Optuna TPE) across SL\u002FTP combinations, then updates a strategy preset file with the best result for each pair\u002Fcontext.\n\n## Terminal Output\n\nBoth the backtest and hyperopt commands produce styled terminal output using [rich](https:\u002F\u002Fgithub.com\u002FTextualize\u002Frich):\n\n- **Backtest summary** — A bordered table with colored directional arrows (▲ green for gains, ▼ red for losses) on Return, Drawdown, Expectancy, and Worst Trade, using readable short labels that fit a normal terminal width. When multiple pairs are run, a **PORTFOLIO** row is appended with mathematically correct aggregate statistics computed from a combined equity curve (not simple averages).\n- **Hyperopt results** — A panel header showing strategy\u002Fmode\u002Ftimeframe, bullet-point data and signal summaries per pair, and a top-N results table with cyan-highlighted parameter columns (SL\u002FTP) visually separated from metric columns.\n\n## Repository Layout\n\n```\npyproject.toml              Package metadata & CLI entry point\nconfig.json                 Default configuration (timeframe, pairlist, opt ranges)\nconfig.schema.json          JSON Schema for editor validation & autocompletion\ndata\u002F                       Cached candle CSVs (auto-generated)\nresults\u002F                    Optimization presets & reports (auto-generated)\n```\n\n### `strategy\u002F` — Pluggable Strategy Framework\n\n```\nstrategy\u002F\n├── __init__.py             Plugin registry & auto-discovery\n├── base.py                 BaseStrategy ABC & prepare_candles()\n├── indicators.py           TA-Lib wrappers, conversion helpers & signal toolkit\n├── adx_stochastic.py       ADX+Stochastic strategy\n└── macd_rsi.py             MACD+RSI strategy\n```\n\n### `hyperview\u002F` — Core Engine\n\n```\nhyperview\u002F\n├── __main__.py             Module entry point (python -m hyperview)\n├── config.py               Config loader (JSON + CLI overrides + env vars)\n├── models.py               Shared dataclasses (CandleRequest, Trade, BacktestMetrics, …)\n├── presets.py              Preset load\u002Fsave for optimized SL\u002FTP parameters\n├── validators.py           Configuration & preset validation rules\n├── runtime.py              Bytecode cache redirection\n│\n├── cli\u002F                    CLI router & subcommand handlers\n│   ├── __init__.py         Argument parser & main() dispatcher\n│   ├── formatting.py       Shared formatting helpers (rich tables, arrow decorators)\n│   ├── backtest.py         backtest command\n│   ├── download.py         download-data command\n│   ├── hyperopt.py         hyperopt command\n│   └── list.py             list-data & list-strategies commands\n│\n├── backtest\u002F\n│   └── engine.py           TradingView-parity OHLC simulator\n│\n├── downloader\u002F\n│   ├── client.py           TradingView websocket downloader & cache orchestration\n│   ├── cache.py            CSV-backed local candle cache\n│   ├── credentials.py      Firefox credential extraction\n│   ├── session.py          WebSocket chart session manager\n│   └── timeframes.py       Timeframe constants & utilities\n│\n└── hyperopt\u002F\n    └── optimizer.py        Bayesian optimizer (Optuna TPE)\n```\n\n## Configuration\n\nHyperView loads defaults from `config.json` at the project root. CLI flags always override config values.\n\nThe sample below shows a customized setup; if a key is omitted, HyperView falls back to runtime defaults.\n\n```json\n{\n    \"timeframe\": \"1h\",\n    \"session\": \"regular\",\n    \"mode\": \"long\",\n    \"strategy\": \"adx_stochastic\",\n    \"initial_capital\": 100000,\n    \"data_dir\": \"data\",\n    \"output_dir\": \"results\",\n    \"pairlist\": [\n        \"NASDAQ:NFLX\",\n        \"NASDAQ:TSLA\",\n        \"COINBASE:BTCUSD\",\n        \"COINBASE:ETHUSD\"\n    ],\n    \"optimization\": {\n        \"n_trials\": 200,\n        \"objective\": \"net_profit_pct\",\n        \"top_n\": 10,\n        \"sl_range\": { \"min\": 1.0, \"max\": 15.0 },\n        \"tp_range\": { \"min\": 1.0, \"max\": 15.0 }\n    }\n}\n```\n\nUse `--config \u002Fpath\u002Fto\u002Fcustom.json` to load a different file.\n\n### Pairlist\n\nThe `pairlist` array defines the symbols you want to work with. Every entry must use the `EXCHANGE:SYMBOL` format — this lets you mix pairs from different exchanges in a single config:\n\n```json\n\"pairlist\": [\n    \"NASDAQ:NFLX\",\n    \"NASDAQ:TSLA\",\n    \"NASDAQ:AAPL\",\n    \"COINBASE:BTCUSD\"\n]\n```\n\nWhen you run a command without `--pairs` or `--symbol`, HyperView automatically uses the config pairlist — downloading, backtesting, or optimizing every pair in sequence. If you pass `--pairs` or `--symbol` on the CLI, the config pairlist is ignored for that run.\n\nYou can maintain separate config files for different asset classes:\n\n```bash\nhyperview --config stocks.json download-data\nhyperview --config crypto.json hyperopt --mode long\n```\n\n## CLI Reference\n\n### `download-data` — Fetch Candle Data\n\n```bash\n# Download all pairs from config pairlist\nhyperview download-data\n\n# Or specify pairs directly, including multiple timeframes\nhyperview download-data --pairs NASDAQ:NFLX NASDAQ:AAPL NASDAQ:TSLA --timeframe 1h 15m --start 2023-01-03\n```\n\n| Flag | Required | Default | Description |\n|------|----------|---------|-------------|\n| `--pairs` | No | config pairlist | One or more `EXCHANGE:SYMBOL` pairs (overrides pairlist) |\n| `--timeframe` | No | config | One or more bar intervals: `1m` `5m` `15m` `1h` `4h` `1d` etc. |\n| `--start` \u002F `--end` | No | — | Date range (ISO format) |\n| `--session` | No | config | `regular` or `extended` |\n| `--adjustment` | No | `splits` | Price adjustment (`splits`, `dividends`, `none`) |\n\n### `backtest` — Single Strategy Evaluation\n\n```bash\n# Backtest all pairs from config pairlist\nhyperview backtest --sl 5.0 --tp 5.0 --mode long --start 2023-01-03\n\n# Or target a specific symbol using a preset file created by hyperopt\nhyperview backtest --symbol NASDAQ:NFLX --preset-file results\u002Fadx_stochastic_presets.json --start 2023-01-03\n```\n\nIf `--sl` and `--tp` are omitted, HyperView looks for a matching entry in the provided `--preset-file` using `pair + timeframe + session + adjustment + mode`. CLI values still override preset-file values.\n\n| Flag | Required | Default | Description |\n|------|----------|---------|-------------|\n| `--symbol` | No | config pairlist | `EXCHANGE:SYMBOL` pair (overrides pairlist) |\n| `--sl` | No* | — | Stop-loss % (*required unless a matching `--preset-file` entry exists) |\n| `--tp` | No* | — | Take-profit % (*required unless a matching `--preset-file` entry exists) |\n| `--preset-file` | No | auto-detected | Path to a strategy preset JSON (auto-detects `\u003Cstrategy>_presets.json` in output dir) |\n| `--strategy` | No | config | Strategy name (e.g. `macd_rsi`, `adx_stochastic`) |\n| `--mode` | No | `long` | `long`, `short`, or `both` |\n| `--timeframe`, `--session`, `--adjustment`, `--start`, `--end` | No | config \u002F defaults | Standard filters |\n\n### `hyperopt` — Hyper-Optimize SL\u002FTP\n\n```bash\n# Optimize all pairs from config pairlist (runs one optimization per pair)\nhyperview hyperopt --n-trials 300\n\n# Or target a specific symbol\nhyperview hyperopt --symbol NASDAQ:NFLX --n-trials 300\n```\n\n| Flag | Required | Default | Description |\n|------|----------|---------|-------------|\n| `--symbol` | No | config pairlist | `EXCHANGE:SYMBOL` pair (overrides pairlist) |\n| `--sl-min`, `--sl-max` | No | config | Stop-loss % search range |\n| `--tp-min`, `--tp-max` | No | config | Take-profit % search range |\n| `--n-trials` | No | config | Number of Bayesian optimization trials (default: 200) |\n| `--objective` | No | config | `net_profit_pct` `profit_factor` `win_rate_pct` `max_drawdown_pct` `trade_count` |\n| `--top-n` | No | config | Number of top candidates to keep |\n| `--strategy`, `--mode`, `--timeframe`, `--adjustment`, etc. | No | config \u002F defaults | Standard filters |\n\n### `list-data` — Show Cached Datasets\n\n```bash\nhyperview list-data\n```\n\n### `list-strategies` — Show Available Strategies\n\n```bash\nhyperview list-strategies\n```\n\n## Indicators\n\nHyperView ships with **20 wrapped indicators** backed by TA-Lib, plus **4 signal helpers**. You also have direct access to all **150+ TA-Lib functions** via the `to_numpy` \u002F `wrap` conversion helpers.\n\n### Wrapped Indicators\n\n| Category | Functions |\n|----------|-----------|\n| **Moving Averages** | `ema`, `sma`, `wma` |\n| **Momentum** | `rsi`, `macd`, `stochastic`, `stochastic_rsi`, `cci`, `williams_r`, `momentum`, `roc` |\n| **Trend** | `adx` (returns ADX, +DI, −DI), `aroon` (returns down, up), `psar` |\n| **Volatility** | `atr`, `bollinger_bands` (returns upper, middle, lower) |\n| **Volume** | `obv`, `mfi`, `ad`, `vwap` |\n\n### Signal Helpers\n\n| Function | Description |\n|----------|-------------|\n| `crossed_above(a, b)` | True on bars where `a` crosses above `b` |\n| `crossed_below(a, b)` | True on bars where `a` crosses below `b` |\n| `barssince(cond)` | Bars since condition was last True |\n| `to_unix_timestamp(dt)` | Convert ISO date string to UTC unix timestamp |\n\n### Using TA-Lib Directly\n\nFor any of TA-Lib's 150+ functions not wrapped above, call `talib` directly and use the conversion helpers:\n\n```python\nimport talib\nfrom strategy.indicators import to_numpy, wrap\n\ndf[\"cci\"] = wrap(talib.CCI(to_numpy(df[\"high\"]),\n                            to_numpy(df[\"low\"]),\n                            to_numpy(df[\"close\"]), timeperiod=20), df.index)\n```\n\n## Adding Custom Strategies\n\n1. Create a new file in `strategy\u002F` (e.g. `my_strategy.py`)\n2. Subclass `BaseStrategy` and implement `generate_signals()`, `default_settings()`, `required_columns()`\n3. Decorate the class with `@register_strategy`\n\nStrategies are auto-discovered at startup — no manual imports needed.\n\n```python\nfrom strategy import register_strategy\nfrom strategy.base import BaseStrategy\nfrom strategy.indicators import ema, crossed_above\n\n@register_strategy\nclass MyStrategy(BaseStrategy):\n    strategy_name = \"my_strategy\"\n\n    def default_settings(self):\n        return {\"fast_period\": 10, \"slow_period\": 20}\n\n    def required_columns(self):\n        return [\"time\", \"open\", \"high\", \"low\", \"close\"]\n\n    def generate_signals(self, candles, settings):\n        df = self.prepare_candles(candles)\n\n        fast = ema(df[\"close\"], settings[\"fast_period\"])\n        slow = ema(df[\"close\"], settings[\"slow_period\"])\n\n        df[\"buy_signal\"] = crossed_above(fast, slow)\n        df[\"sell_signal\"] = crossed_above(slow, fast)\n        df[\"in_date_range\"] = True\n        df[\"enable_long\"] = True\n        df[\"enable_short\"] = False\n\n        return df\n```\n\nThen use it: `hyperview backtest --symbol NASDAQ:NFLX --strategy my_strategy --sl 5 --tp 5`\n\n## Output Files\n\nHyperopt updates a strategy preset file in `results\u002F`:\n\n```\nresults\u002Fmacd_rsi_presets.json\n```\n\nEach file stores one best preset per exact `pair + timeframe + session + adjustment + mode`\ncombination for that strategy. Re-running hyperopt replaces only the matching entry\nand preserves other contexts already saved in the file.\n\n## Backtest Assumptions\n\nThe simulator approximates TradingView's intrabar fill behavior:\n\n- **Entry**: Signal-generated market orders fill on the **next bar open**\n- **Intrabar path**: If a bar opens closer to its high, path is `open → high → low → close`; closer to its low, path is `open → low → high → close`\n- **Position sizing**: 100% of equity per trade, no pyramiding\n- **SL\u002FTP exits**: Checked against the intrabar price path within the same bar\n","# HyperView\n\n**将 TradingView 的想法转化为可测试、终端级速度的交易系统。**\n\nHyperView 旨在解决这样一个时刻：当 TradingView 策略不再仅仅是图表实验，而是需要确凿证据时。它直接从 TradingView 的 websocket (Web 套接字) 获取历史 K 线，在 Python 中运行你的策略逻辑，并以紧密模仿 Pine Script (TradingView 脚本语言) 的成交行为进行回测，这样你在本地 Python 中调优的结果将与你在 TradingView 策略测试器中看到的结果一致。\n\n无需在 Pine 脚本、CSV 导出和临时笔记本之间来回切换，HyperView 提供了一个简洁的流程：获取多达 40K 根 K 线，基于 [TA-Lib](https:\u002F\u002Fgithub.com\u002FTA-Lib\u002Fta-lib-python) (技术分析库) 的 150+ 指标构建，模拟真实的止损\u002F止盈 (SL\u002FTP) 执行，并让贝叶斯优化 (Bayesian optimization) (Optuna TPE) 搜索更好的参数范围。无需 API 密钥。无需浏览器自动化。无需清理电子表格。只需更快的迭代、更精准的验证，以及专为希望像工程师一样开发策略的交易者打造的流程。\n\n## 前置要求\n\n- **Python 3.11+**\n- **TA-Lib** — 由 `pip install` 自动安装。Windows、macOS 和 Linux 上提供 Python 3.9–3.14 的预编译 wheel (Python 包格式) 包。\n- **rich** — 自动安装。用于驱动样式化的终端输出（彩色表格、进度指示器、面板）。\n- **Firefox** *(可选)* — 如果你有 TradingView 付费计划，HyperView 可以读取你的 Firefox 会话 cookie (会话凭证) 以下载多达 **40K 根 K 线**。如果没有，websocket 仍匿名下载多达 **5K 根 K 线**。要使用此功能，只需在下载数据前在 Firefox 中登录 [tradingview.com](https:\u002F\u002Fwww.tradingview.com)。\n\n## 快速开始\n\n```bash\n# Install in editable mode (creates the `hyperview` CLI command, installs all dependencies including TA-Lib)\npip install -e .\n\n# Download data for specific pairs\nhyperview download-data --pairs NASDAQ:NFLX NASDAQ:AAPL --timeframe 1h --session extended\n\n# Or define your pairs in config.json and download multiple timeframes at once:\nhyperview download-data --timeframe 1h 15m\n\n# Run a single backtest (uses config pairlist)\nhyperview backtest --sl 3.23 --tp 13.06 --mode long\n\n# Or target a specific symbol using values from a hyperopt preset file\nhyperview backtest --symbol NASDAQ:NFLX --preset-file results\u002Fadx_stochastic_presets.json\n\n# Hyper-optimize SL\u002FTP across all pairs in config\nhyperview hyperopt --mode long\n\n# List cached data and registered strategies\nhyperview list-data\nhyperview list-strategies\n```\n\n你也可以通过 `python -m hyperview` 运行，而不是使用 `hyperview` 命令。\n\nPython 字节码 (bytecode) 被重定向到项目级别的 `.pycache\u002F` 目录，因此运行时导入不会在 `hyperview\u002F` 或 `strategy\u002F` 下创建分散的 `__pycache__` 文件夹。\n\n## 工作原理\n\n1. **下载** — 使用现有的 Firefox 会话 cookie 连接到 TradingView 的 websocket。付费计划支持多达 40K 根历史 K 线，并支持自动回填。\n2. **信号** — 在纯 Python 中运行可插拔策略（例如包含的 MACD+RSI 或 ADX+Stochastic），并与 TA-Lib 指标保持对等。\n3. **回测** — 使用 TradingView 对等的成交假设逐根 K 线模拟交易（次根 K 线开盘入场，根内止损\u002F止盈出场顺序）。多对交易会产生真正的 **PORTFOLIO** 聚合行，包含合并后的权益曲线统计信息。\n4. **超优化** — 在 SL\u002FTP 组合上运行贝叶斯优化 (Optuna TPE)，然后更新策略预设文件，为每对\u002F上下文保存最佳结果。\n\n## 终端输出\n\n回测和超优化命令均使用 [rich](https:\u002F\u002Fgithub.com\u002FTextualize\u002Frich) 生成样式化的终端输出：\n\n- **回测摘要** — 带有边框的表格，在收益率、回撤、期望值和最大单笔亏损上使用彩色方向箭头（▲ 绿色代表盈利，▼ 红色代表亏损），使用适合正常终端宽度的易读简短标签。当运行多个交易对时，会追加一个 **PORTFOLIO** 行，其中包含从合并权益曲线计算出的数学正确的聚合统计信息（而非简单平均值）。\n- **超优化结果** — 面板标题显示策略\u002F模式\u002F时间框架，每个交易对的要点数据和信号摘要，以及一个顶部 N 结果表，其中参数列（SL\u002FTP）用青色高亮显示，并在视觉上与指标列分开。\n\n## 仓库布局\n\n```\npyproject.toml              Package metadata & CLI entry point\nconfig.json                 Default configuration (timeframe, pairlist, opt ranges)\nconfig.schema.json          JSON Schema for editor validation & autocompletion\ndata\u002F                       Cached candle CSVs (auto-generated)\nresults\u002F                    Optimization presets & reports (auto-generated)\n```\n\n### `strategy\u002F` — 可插拔策略框架\n\n```\nstrategy\u002F\n├── __init__.py             Plugin registry & auto-discovery\n├── base.py                 BaseStrategy ABC & prepare_candles()\n├── indicators.py           TA-Lib wrappers, conversion helpers & signal toolkit\n├── adx_stochastic.py       ADX+Stochastic strategy\n└── macd_rsi.py             MACD+RSI strategy\n```\n\n### `hyperview\u002F` — 核心引擎\n\n```\nhyperview\u002F\n├── __main__.py             Module entry point (python -m hyperview)\n├── config.py               Config loader (JSON + CLI overrides + env vars)\n├── models.py               Shared dataclasses (CandleRequest, Trade, BacktestMetrics, …)\n├── presets.py              Preset load\u002Fsave for optimized SL\u002FTP parameters\n├── validators.py           Configuration & preset validation rules\n├── runtime.py              Bytecode cache redirection\n│\n├── cli\u002F                    CLI router & subcommand handlers\n│   ├── __init__.py         Argument parser & main() dispatcher\n│   ├── formatting.py       Shared formatting helpers (rich tables, arrow decorators)\n│   ├── backtest.py         backtest command\n│   ├── download.py         download-data command\n│   ├── hyperopt.py         hyperopt command\n│   └── list.py             list-data & list-strategies commands\n│\n├── backtest\u002F\n│   └── engine.py           TradingView-parity OHLC simulator\n│\n├── downloader\u002F\n│   ├── client.py           TradingView websocket downloader & cache orchestration\n│   ├── cache.py            CSV-backed local candle cache\n│   ├── credentials.py      Firefox credential extraction\n│   ├── session.py          WebSocket chart session manager\n│   └── timeframes.py       Timeframe constants & utilities\n│\n└── hyperopt\u002F\n    └── optimizer.py        Bayesian optimizer (Optuna TPE)\n```\n\n## 配置\n\nHyperView 从项目根目录的 `config.json` 加载默认值。CLI（命令行界面）标志位始终覆盖配置值。\n\n下方示例展示了自定义设置；如果省略某个键，HyperView 将回退到运行时默认值。\n\n```json\n{\n    \"timeframe\": \"1h\",\n    \"session\": \"regular\",\n    \"mode\": \"long\",\n    \"strategy\": \"adx_stochastic\",\n    \"initial_capital\": 100000,\n    \"data_dir\": \"data\",\n    \"output_dir\": \"results\",\n    \"pairlist\": [\n        \"NASDAQ:NFLX\",\n        \"NASDAQ:TSLA\",\n        \"COINBASE:BTCUSD\",\n        \"COINBASE:ETHUSD\"\n    ],\n    \"optimization\": {\n        \"n_trials\": 200,\n        \"objective\": \"net_profit_pct\",\n        \"top_n\": 10,\n        \"sl_range\": { \"min\": 1.0, \"max\": 15.0 },\n        \"tp_range\": { \"min\": 1.0, \"max\": 15.0 }\n    }\n}\n```\n\n使用 `--config \u002Fpath\u002Fto\u002Fcustom.json` 加载不同的文件。\n\n### 交易对列表 (Pairlist)\n\n`pairlist`（交易对列表）数组定义了你想要处理的目标符号。每个条目必须使用 `EXCHANGE:SYMBOL` 格式——这允许你在单个配置中混合来自不同交易所的交易对：\n\n```json\n\"pairlist\": [\n    \"NASDAQ:NFLX\",\n    \"NASDAQ:TSLA\",\n    \"NASDAQ:AAPL\",\n    \"COINBASE:BTCUSD\"\n]\n```\n\n当你运行命令时未指定 `--pairs` 或 `--symbol`，HyperView 会自动使用配置中的 pairlist（交易对列表）——按顺序下载、回测 (backtesting) 或优化每个交易对。如果你在 CLI 上传递了 `--pairs` 或 `--symbol`，则本次运行将忽略配置中的 pairlist。\n\n你可以为不同的资产类别维护单独的配置文件：\n\n```bash\nhyperview --config stocks.json download-data\nhyperview --config crypto.json hyperopt --mode long\n```\n\n## CLI 参考\n\n### `download-data` — 获取 K 线数据\n\n```bash\n# 下载配置 pairlist 中的所有交易对\nhyperview download-data\n\n# 或直接指定交易对，包括多个时间周期\nhyperview download-data --pairs NASDAQ:NFLX NASDAQ:AAPL NASDAQ:TSLA --timeframe 1h 15m --start 2023-01-03\n```\n\n| 标志位 | 必填 | 默认值 | 描述 |\n|------|----------|---------|-------------|\n| `--pairs` | 否 | 配置中的交易对列表 | 一个或多个 `EXCHANGE:SYMBOL` 交易对（覆盖 pairlist） |\n| `--timeframe` | 否 | 配置 | 一个或多个 K 线间隔 (timeframe)：`1m` `5m` `15m` `1h` `4h` `1d` 等 |\n| `--start` \u002F `--end` | 否 | — | 日期范围（ISO 格式） |\n| `--session` | 否 | 配置 | 常规或盘后 (session) |\n| `--adjustment` | 否 | `splits` | 价格调整 (adjustment)（拆股、股息、无） |\n\n### `backtest` — 单一策略评估\n\n```bash\n# 回测配置 pairlist 中的所有交易对\nhyperview backtest --sl 5.0 --tp 5.0 --mode long --start 2023-01-03\n\n# 或使用 hyperopt 创建的预设文件针对特定符号\nhyperview backtest --symbol NASDAQ:NFLX --preset-file results\u002Fadx_stochastic_presets.json --start 2023-01-03\n```\n\n如果省略了 `--sl` 和 `--tp`，HyperView 会使用 `pair + timeframe + session + adjustment + mode` 在提供的 `--preset-file`（预设文件）中查找匹配的条目。CLI 值仍然优先于 preset-file 的值。\n\n| 标志位 | 必填 | 默认值 | 描述 |\n|------|----------|---------|-------------|\n| `--symbol` | 否 | 配置中的交易对列表 | `EXCHANGE:SYMBOL` 交易对（覆盖 pairlist） |\n| `--sl` | 否* | — | 止损百分比 (%) (*除非存在匹配的 `--preset-file` 条目，否则必填) |\n| `--tp` | 否* | — | 止盈百分比 (%) (*除非存在匹配的 `--preset-file` 条目，否则必填) |\n| `--preset-file` | 否 | 自动检测 | 策略预设 JSON 路径（自动检测输出目录中的 `\u003Cstrategy>_presets.json`） |\n| `--strategy` | 否 | 配置 | 策略名称（例如 `macd_rsi`, `adx_stochastic`） |\n| `--mode` | 否 | `long` | 做多、做空或双向 (`long`, `short`, or `both`) |\n| `--timeframe`, `--session`, `--adjustment`, `--start`, `--end` | 否 | 配置 \u002F 默认值 | 标准过滤器 |\n\n### `hyperopt` — 超参数优化 (hyperopt) SL\u002FTP\n\n```bash\n# 优化配置 pairlist 中的所有交易对（每个交易对运行一次优化）\nhyperview hyperopt --n-trials 300\n\n# 或针对特定符号\nhyperview hyperopt --symbol NASDAQ:NFLX --n-trials 300\n```\n\n| 标志位 | 必填 | 默认值 | 描述 |\n|------|----------|---------|-------------|\n| `--symbol` | 否 | 配置中的交易对列表 | `EXCHANGE:SYMBOL` 交易对（覆盖 pairlist） |\n| `--sl-min`, `--sl-max` | 否 | 配置 | 止损百分比 (%) 搜索范围 |\n| `--tp-min`, `--tp-max` | 否 | 配置 | 止盈百分比 (%) 搜索范围 |\n| `--n-trials` | 否 | 配置 | 贝叶斯优化 (Bayesian optimization) 试验次数（默认：200） |\n| `--objective` | 否 | 配置 | `net_profit_pct` `profit_factor` `win_rate_pct` `max_drawdown_pct` `trade_count` |\n| `--top-n` | 否 | 配置 | 保留的前 N 个候选数量 |\n| `--strategy`, `--mode`, `--timeframe`, `--adjustment`, 等 | 否 | 配置 \u002F 默认值 | 标准过滤器 |\n\n### `list-data` — 显示缓存数据集\n\n```bash\nhyperview list-data\n```\n\n### `list-strategies` — 显示可用策略\n\n```bash\nhyperview list-strategies\n```\n\n## 指标\n\nHyperView 附带了 **20 个由 TA-Lib（技术分析库）支持的封装指标**，以及 **4 个信号辅助函数**。你还可以通过 `to_numpy` \u002F `wrap` 转换辅助函数直接访问所有 **150+ 个 TA-Lib 函数**。\n\n### 封装指标\n\n| 类别 | 函数 |\n|----------|-----------|\n| **移动平均线** | `ema`, `sma`, `wma` |\n| **动量** | `rsi`, `macd`, `stochastic`, `stochastic_rsi`, `cci`, `williams_r`, `momentum`, `roc` |\n| **趋势** | `adx` (返回 ADX, +DI, −DI), `aroon` (返回 down, up), `psar` |\n| **波动率** | `atr`, `bollinger_bands` (返回 upper, middle, lower) |\n| **成交量** | `obv`, `mfi`, `ad`, `vwap` |\n\n### 信号辅助函数\n\n| 函数 | 描述 |\n|----------|-------------|\n| `crossed_above(a, b)` | 当 `a` 上穿 `b` 的 K 线上返回 True |\n| `crossed_below(a, b)` | 当 `a` 下穿 `b` 的 K 线上返回 True |\n| `barssince(cond)` | 条件上次为 True 以来的 K 线数 |\n| `to_unix_timestamp(dt)` | 将 ISO 日期字符串转换为 UTC Unix 时间戳 |\n\n### 直接使用 TA-Lib\n\n对于上述未封装的 TA-Lib 150+ 函数中的任何一个，直接调用 `talib` 并使用转换辅助函数：\n\n```python\nimport talib\nfrom strategy.indicators import to_numpy, wrap\n\ndf[\"cci\"] = wrap(talib.CCI(to_numpy(df[\"high\"]),\n                            to_numpy(df[\"low\"]),\n                            to_numpy(df[\"close\"]), timeperiod=20), df.index)\n```\n\n## 添加自定义策略\n\n1. 在 `strategy\u002F` 目录下创建一个新文件（例如 `my_strategy.py`）\n2. 继承 `BaseStrategy`（基础策略）类并实现 `generate_signals()`、`default_settings()` 以及 `required_columns()` 方法\n3. 使用 `@register_strategy` 装饰器装饰该类\n\n策略会在启动时自动发现——无需手动导入。\n\n```python\nfrom strategy import register_strategy\nfrom strategy.base import BaseStrategy\nfrom strategy.indicators import ema, crossed_above\n\n@register_strategy\nclass MyStrategy(BaseStrategy):\n    strategy_name = \"my_strategy\"\n\n    def default_settings(self):\n        return {\"fast_period\": 10, \"slow_period\": 20}\n\n    def required_columns(self):\n        return [\"time\", \"open\", \"high\", \"low\", \"close\"]\n\n    def generate_signals(self, candles, settings):\n        df = self.prepare_candles(candles)\n\n        fast = ema(df[\"close\"], settings[\"fast_period\"])\n        slow = ema(df[\"close\"], settings[\"slow_period\"])\n\n        df[\"buy_signal\"] = crossed_above(fast, slow)\n        df[\"sell_signal\"] = crossed_above(slow, fast)\n        df[\"in_date_range\"] = True\n        df[\"enable_long\"] = True\n        df[\"enable_short\"] = False\n\n        return df\n```\n\n然后使用它：`hyperview backtest --symbol NASDAQ:NFLX --strategy my_strategy --sl 5 --tp 5`\n\n## 输出文件\n\n`Hyperopt`（超参数优化）会更新 `results\u002F` 目录下的策略预设文件：\n\n```\nresults\u002Fmacd_rsi_presets.json\n```\n\n每个文件为该策略存储每个精确的 `pair + timeframe + session + adjustment + mode` 组合的一个最佳预设。重新运行 `Hyperopt` 仅替换匹配的条目，并保留文件中已保存的其他上下文。\n\n## 回测假设\n\n模拟器近似模拟 `TradingView`（交易平台）的 `intrabar`（K 线内）填充行为：\n\n- **入场**：由信号生成的市价单将在**下一根 K 线开盘**时成交\n- **K 线内路径**：如果一根 K 线开盘价更接近其最高价，路径是 `open → high → low → close`；更接近其最低价，路径是 `open → low → high → close`\n- **仓位管理**：每笔交易使用 100% 权益，无 `pyramiding`（金字塔式加仓）\n- **SL\u002FTP**（止损\u002F止盈）离场：在同一根 K 线内根据 `intrabar` 价格路径进行检查","# HyperView 快速上手指南\n\n**HyperView**（原 TradingView-Machine-Learning-GUI）是一个将 TradingView 策略转化为可测试、终端速度的交易系统工具。它通过 WebSocket 获取历史 K 线，在 Python 中运行策略逻辑，并提供与 Pine Script 高度一致的回测行为。\n\n## 环境准备\n\n- **Python**: 版本需为 **3.11+**。\n- **依赖库**: `TA-Lib` 和 `rich` 将在安装时自动处理。\n- **浏览器**: 推荐使用 **Firefox**。\n  - 若拥有 TradingView 付费计划，需在 Firefox 中登录 [tradingview.com](https:\u002F\u002Fwww.tradingview.com)，以便读取 Cookie 下载高达 **40K** 根 K 线。\n  - 未登录或免费账户可通过 WebSocket 匿名下载最多 **5K** 根 K 线。\n\n## 安装步骤\n\n建议使用国内镜像源以加快依赖下载速度：\n\n```bash\n# 使用清华源进行安装（推荐）\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple -e .\n```\n\n安装完成后，项目根目录将生成 `hyperview` 命令行工具。你也可以直接使用模块方式运行：`python -m hyperview`。\n\n## 基本使用\n\n### 1. 下载数据\n从 TradingView 获取特定交易对的历史 K 线数据。\n\n```bash\n# 下载指定交易对的数据（例如 NASDAQ:NFLX）\nhyperview download-data --pairs NASDAQ:NFLX --timeframe 1h --session extended\n\n# 或者在 config.json 中定义交易对列表后批量下载\nhyperview download-data --timeframe 1h 15m\n```\n\n### 2. 单策略回测\n基于预设参数或手动指定的止损\u002F止盈进行回测。\n\n```bash\n# 使用默认配置中的交易对列表进行回测\nhyperview backtest --sl 3.23 --tp 13.06 --mode long\n\n# 针对特定符号并使用超优化生成的预设文件\nhyperview backtest --symbol NASDAQ:NFLX --preset-file results\u002Fadx_stochastic_presets.json\n```\n\n### 3. 超参数优化 (Hyperopt)\n使用贝叶斯优化算法自动寻找最佳的止损\u002F止盈参数组合。\n\n```bash\n# 对所有配置中的交易对进行优化\nhyperview hyperopt --mode long\n\n# 针对特定符号优化\nhyperview hyperopt --symbol NASDAQ:NFLX --n-trials 300\n```\n\n### 4. 查看缓存与策略\n```bash\n# 列出已缓存的数据\nhyperview list-data\n\n# 列出可用的内置策略\nhyperview list-strategies\n```\n\n> **提示**: 所有命令均可通过 `--config \u002Fpath\u002Fto\u002Fcustom.json` 加载自定义配置文件来覆盖默认设置。","量化交易员李明需要将他在 TradingView 上验证过的 Pine 脚本策略迁移到本地 Python 环境进行深度回测和参数优化，以确保策略在实盘中的稳定性。\n\n### 没有 TradingView-Machine-Learning-GUI 时\n- 需手动导出 CSV 数据，格式清洗耗时且容易因编码问题丢失关键行情信息。\n- Pine 脚本与 Python 逻辑难以对齐，回测结果不一致导致策略信任度低，无法确认盈利来源。\n- 调整止损止盈参数需反复修改代码并重新运行，效率极低且容易在人工操作中引入错误。\n- 缺乏专业的终端输出，难以直观对比多标的组合表现和资金曲线统计。\n\n### 使用 TradingView-Machine-Learning-GUI 后\n- 直接通过 WebSocket 下载历史 K 线，支持付费账号获取 4 万根 K 线，无需手动处理 CSV 文件。\n- 内置 TA-Lib 确保指标计算与 Pine 脚本完全一致，回测结果高度可信，填补了本地开发与平台测试的鸿沟。\n- 利用 Optuna 自动搜索最佳 SL\u002FTP 参数组合，快速锁定最优解并生成预设文件，大幅缩短迭代周期。\n- 提供 Rich 库驱动的精美终端表格，直观展示盈亏、回撤及期望值，便于快速决策。\n\n实现了从图表实验到工程化策略的快速闭环验证，让策略开发像工程师一样严谨高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTreborNamor_TradingView-Machine-Learning-GUI_e023084a.png","TreborNamor","Robert Roman","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTreborNamor_6fb91359.png","Data Scientist",null,"Washington DC","robertroman7@gmail.com","https:\u002F\u002Fgithub.com\u002FTreborNamor",[23],{"name":24,"color":25,"percentage":26},"Python","#3572A5",100,926,249,"2026-04-04T18:24:17","MIT",2,"Windows, macOS, Linux","未说明",{"notes":35,"python":36,"dependencies":37},"支持 Windows、macOS 和 Linux；Python 版本要求 3.11+；核心依赖包括 TA-Lib、rich 和 Optuna；付费 TradingView 账户需预先在 Firefox 登录以读取 Cookie 下载更多历史数据（最高 4 万根 K 线），否则限制为 5 千根；无需 API Key；无 GPU 加速需求。","3.11+",[38,39,40],"ta-lib","rich","optuna",[42,43,44],"开发框架","插件","数据工具",[46,47,48,49,50,51,52,53,40,54,38,55,56],"python","tradingview","algorithmic-trading","backtesting","cli","hyperparameter-optimization","hyperparameter-tuning","market-data","quantitative-finance","trading-strategy","websocket",3,"ready","2026-03-27T02:49:30.150509","2026-04-06T05:16:10.755445",[62,67,72,77,82,87],{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},3514,"运行时报错 `ModuleNotFoundError: No module named 'functions'` 怎么办？","这通常是路径配置问题。建议将 Python 脚本复制到项目的父文件夹中，然后从该位置运行脚本。同时检查环境变量是否正确配置（参考 Issue #14, #16）。","https:\u002F\u002Fgithub.com\u002FTreborNamor\u002FTradingView-Machine-Learning-GUI\u002Fissues\u002F14",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},3515,"出现 `ElementNotInteractableException` 或元素无法滚动到视图中怎么办？","TradingView 网页元素的类名可能已经更新。请确保下载并更新至最新版本的仓库代码，维护者已修复相关元素定位问题（参考 Issue #1）。","https:\u002F\u002Fgithub.com\u002FTreborNamor\u002FTradingView-Machine-Learning-GUI\u002Fissues\u002F1",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},3516,"报错 `ValueError: max() arg is an empty sequence` 如何解决？","这是因为止损（stoploss）等输入框的 DOM 结构发生了变化。需要修改代码第 73、74、83、84 行，使用在 TradingView 界面上右键点击对应输入框获取的最新属性序列替换原有内容，并确保两个输入框都进行了修改（参考 Issue #2）。","https:\u002F\u002Fgithub.com\u002FTreborNamor\u002FTradingView-Machine-Learning-GUI\u002Fissues\u002F2",{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},3517,"程序启动后卡住或无法点击策略测试器、设置等标签页？","这是由于网页元素类名变更导致的点击失败。请检查 `commands.py` 文件中的 `web_elements` 定义，根据当前页面实际情况更新对应的类名（参考 Issue #54）。","https:\u002F\u002Fgithub.com\u002FTreborNamor\u002FTradingView-Machine-Learning-GUI\u002Fissues\u002F54",{"id":83,"question_zh":84,"answer_zh":85,"source_url":86},3518,"如何将脚本用于自定义的交易策略？","Python 文件支持访问 TradingView 的前两个输入参数。你需要将 MACD\u002FRSI 脚本顶部的长\u002F短策略部分应用到你的策略代码中，并复制底部的策略代码段。确保在策略代码中创建你自己的买卖信号逻辑（参考 Issue #9）。","https:\u002F\u002Fgithub.com\u002FTreborNamor\u002FTradingView-Machine-Learning-GUI\u002Fissues\u002F9",{"id":88,"question_zh":89,"answer_zh":90,"source_url":91},3519,"脚本运行超时（Script has timed out）或一直运行无响应？","这通常是因为程序执行速度过快，TradingView 未能及时返回真实结果导致通信超时。建议调整运行参数或增加等待时间，以允许数据正常加载和反馈（参考 Issue #31）。","https:\u002F\u002Fgithub.com\u002FTreborNamor\u002FTradingView-Machine-Learning-GUI\u002Fissues\u002F31",[],[94,104,113,121,129,140],{"id":95,"name":96,"github_repo":97,"description_zh":98,"stars":99,"difficulty_score":57,"last_commit_at":100,"category_tags":101,"status":58},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[42,102,103],"图像","Agent",{"id":105,"name":106,"github_repo":107,"description_zh":108,"stars":109,"difficulty_score":31,"last_commit_at":110,"category_tags":111,"status":58},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,"2026-04-05T11:33:21",[42,103,112],"语言模型",{"id":114,"name":115,"github_repo":116,"description_zh":117,"stars":118,"difficulty_score":31,"last_commit_at":119,"category_tags":120,"status":58},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[42,102,103],{"id":122,"name":123,"github_repo":124,"description_zh":125,"stars":126,"difficulty_score":31,"last_commit_at":127,"category_tags":128,"status":58},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[42,112],{"id":130,"name":131,"github_repo":132,"description_zh":133,"stars":134,"difficulty_score":31,"last_commit_at":135,"category_tags":136,"status":58},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[102,44,137,43,103,138,112,42,139],"视频","其他","音频",{"id":141,"name":142,"github_repo":143,"description_zh":144,"stars":145,"difficulty_score":57,"last_commit_at":146,"category_tags":147,"status":58},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[103,102,42,112,138]]