[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-notadamking--RLTrader":3,"tool-notadamking--RLTrader":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":75,"owner_email":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":107,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":140},4655,"notadamking\u002FRLTrader","RLTrader","A cryptocurrency trading environment using deep reinforcement learning and OpenAI's gym","RLTrader 是一个基于深度强化学习构建的加密货币交易环境，旨在利用人工智能技术探索自动化交易策略。它基于 OpenAI Gym 框架开发，允许用户模拟真实的加密货币市场数据，训练智能体在复杂多变的市场环境中做出买卖决策，从而解决传统量化交易中策略难以自适应市场变化的问题。\n\n作为知名项目 TensorTrade 的前身，RLTrader 特别适合对人工智能、强化学习及量化金融感兴趣的开发者与研究人员使用。通过该项目，用户可以深入理解如何将深度学习模型应用于实际金融场景，并进行策略回测与优化。其技术亮点在于提供了一套完整的交易模拟环境，支持特征工程、统计建模以及贝叶斯优化等高级功能，并兼容 NVIDIA GPU 加速以提升训练效率。此外，项目还提供了详细的文档、Docker 部署方案及可视化交易演示，帮助用户快速上手。虽然目前核心开发已转向功能更强大的 TensorTrade，但 RLTrader 依然是学习如何构建“不亏钱”的比特币交易机器人的优秀入门教材。","# RLTrader — The Predecessor to [TensorTrade](https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Ftensortrade)\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fnotadamking\u002FRLTrader.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fnotadamking\u002FRLTrader)\n[![Contributions Welcome](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcontributions-welcome-brightgreen.svg)](http:\u002F\u002Fmakeapullrequest.com)\n[![GPL License](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fnotadamking\u002FRLTrader.svg?color=brightgreen)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FGPL-3.0\u002F)\n[![Discord](https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F592446624882491402.svg?color=brightgreen)](https:\u002F\u002Fdiscord.gg\u002FZZ7BGWh)\n[![Python 3.6](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.6-blue.svg)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-360\u002F)\n[![Github Release](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frelease\u002Fnotadamking\u002FRLTrader.svg)](https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader)\n\nDevelopment on this library has slowed down, in favor of working on TensorTrade - a framework for trading with RL: https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Ftensortrade\n\nIf you'd like to learn more about how we created this agent, check out the Medium article: https:\u002F\u002Ftowardsdatascience.com\u002Fcreating-bitcoin-trading-bots-that-dont-lose-money-2e7165fb0b29\n\nLater, we optimized this repo using feature engineering, statistical modeling, and Bayesian optimization, check it out:\nhttps:\u002F\u002Ftowardsdatascience.com\u002Fusing-reinforcement-learning-to-trade-bitcoin-for-massive-profit-b69d0e8f583b\n\nDiscord server: https:\u002F\u002Fdiscord.gg\u002FZZ7BGWh\n\nData sets: https:\u002F\u002Fwww.cryptodatadownload.com\u002Fdata\u002Fnorthamerican\u002F\n\n![Live trading visualization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnotadamking_RLTrader_readme_0a3653ccfb0c.gif)\n\n# Getting Started\n\n### How to find out if you have nVIDIA GPU?\n\nLinux:\n\n```bash\nsudo lspci | grep -i --color 'vga\\|3d\\|2d' | grep -i nvidia\n```\n\nIf this returns anything, then you should have an nVIDIA card.\n\n### Basic usage\n\nThe first thing you will need to do to get started is install the requirements. If your system has an nVIDIA GPU that you should start by using:\n\n```bash\ncd \"path-of-your-cloned-rl-trader-dir\"\npip install -r requirements.txt\n```\n\nMore information regarding how you can take advantage of your GPU while using docker: https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker\n\nIf you have another type of GPU or you simply want to use your CPU, use:\n\n```bash\npip install -r requirements.no-gpu.txt\n```\n\nUpdate your current static files, that are used by default:\n\n```bash\n python .\u002Fcli.py update-static-data\n```\n\nAfterwards you can simply see the currently available options:\n\n```bash\npython .\u002Fcli.py --help\n```\n\nor simply run the project with default options:\n\n```bash\npython .\u002Fcli.py optimize\n```\n\nIf you have a standard set of configs you want to run the trader against, you can specify a config file to load configuration from. Rename config\u002Fconfig.ini.dist to config\u002Fconfig.ini and run\n\n```bash\npython .\u002Fcli.py --from-config config\u002Fconfig.ini optimize\n```\n\n```bash\npython .\u002Fcli.py optimize\n```\n\n### Testing with vagrant\n\nStart the vagrant box using:\n\n```bash\nvagrant up\n```\n\nCode will be located at \u002Fvagrant. Play and\u002For test with whatever package you wish.\nNote: With vagrant you cannot take full advantage of your GPU, so is mainly for testing purposes\n\n### Testing with docker\n\nIf you want to run everything within a docker container, then just use:\n\n```bash\n.\u002Frun-with-docker (cpu|gpu) (yes|no) optimize\n```\n\n- cpu - start the container using CPU requirements\n- gpu - start the container using GPU requirements\n- yes | no - start or not a local postgres container\n  Note: in case using yes as second argument, use\n\n```bash\npython .\u002F cli.py --params-db-path \"postgres:\u002F\u002Frl_trader:rl_trader@localhost\" optimize\n```\n\nThe database and it's data are pesisted under `data\u002Fpostgres` locally.\n\nIf you want to spin a docker test environment:\n\n```bash\n.\u002Frun-with-docker (cpu|gpu) (yes|no)\n```\n\nIf you want to run existing tests, then just use:\n\n```bash\n.\u002Frun-tests-with-docker\n```\n\n# Fire up a local docker dev environment\n\n```bash\n.\u002Fdev-with-docker\n```\n\n# Windows 10 installation, no CUDA installation needed\n\nconda create --name rltrader python=3.6.8 pip git\nconda activate rltrader\nconda install tensorflow-gpu\ngit clone https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\npip install -r RLTrader\u002Frequirements.txt\n\n# Optimizing, Training, and Testing\n\nWhile you could just let the agent train and run with the default PPO2 hyper-parameters, your agent would likely not be very profitable. The `stable-baselines` library provides a great set of default parameters that work for most problem domains, but we need to better.\n\nTo do this, you will need to run `optimize.py`.\n\n```bash\npython .\u002Foptimize.py\n```\n\nThis can take a while (hours to days depending on your hardware setup), but over time it will print to the console as trials are completed. Once a trial is completed, it will be stored in `.\u002Fdata\u002Fparams.db`, an SQLite database, from which we can pull hyper-parameters to train our agent.\n\nFrom there, agents will be trained using the best set of hyper-parameters, and later tested on completely new data to verify the generalization of the algorithm.\n\nFeel free to ask any questions in the Discord!\n\n# Google Colab\nEnter and run the following snippet in the first cell to load RLTrader into a Google Colab environment. Don't forget to set hardware acceleration to GPU to speed up training! \n\n```\n!git init && git remote add origin https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader.git && git pull origin master\n!pip install -r requirements.txt\n```\n\n# Common troubleshooting\n\n##### The specified module could not be found.\n\nNormally this is caused by missing mpi module. You should install it according to your platorm.\n\n- Windows: https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fmessage-passing-interface\u002Fmicrosoft-mpi\n- Linux\u002FMacOS: https:\u002F\u002Fwww.mpich.org\u002Fdownloads\u002F\n\n# Contributing\n\nContributions are encouraged and I will always do my best to get them implemented into the library ASAP. This project is meant to grow as the community around it grows. Let me know if there is anything that you would like to see in the future or if there is anything you feel is missing.\n\n**Working on your first Pull Request?** You can learn how from this _free_ series [How to Contribute to an Open Source Project on GitHub](https:\u002F\u002Fegghead.io\u002Fseries\u002Fhow-to-contribute-to-an-open-source-project-on-github)\n\n![https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Frltrader\u002Fgraphs\u002Fcontributors](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnotadamking_RLTrader_readme_5081742dc5d7.png)\n\n# Support\n\nWant to show your support for this project and help it grow?\n\nHead over to the successor framework: https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Ftensortrade\n\nSupporters:\n\n* Ap9944\n* KILLth\n* Nex\n","# RLTrader — [TensorTrade](https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Ftensortrade) 的前身\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fnotadamking\u002FRLTrader.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fnotadamking\u002FRLTrader)\n[![欢迎贡献](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcontributions-welcome-brightgreen.svg)](http:\u002F\u002Fmakeapullrequest.com)\n[![GPL 许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fnotadamking\u002FRLTrader.svg?color=brightgreen)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FGPL-3.0\u002F)\n[![Discord](https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F592446624882491402.svg?color=brightgreen)](https:\u002F\u002Fdiscord.gg\u002FZZ7BGWh)\n[![Python 3.6](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.6-blue.svg)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-360\u002F)\n[![GitHub 发布](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frelease\u002Fnotadamking\u002FRLTrader.svg)](https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader)\n\n目前此库的开发已放缓，我们正致力于 TensorTrade——一个基于强化学习的交易框架：https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Ftensortrade。\n\n若想深入了解我们如何构建该智能体，请阅读这篇 Medium 文章：https:\u002F\u002Ftowardsdatascience.com\u002Fcreating-bitcoin-trading-bots-that-dont-lose-money-2e7165fb0b29\n\n随后，我们通过特征工程、统计建模和贝叶斯优化对该项目进行了优化，详情请参阅：\nhttps:\u002F\u002Ftowardsdatascience.com\u002Fusing-reinforcement-learning-to-trade-bitcoin-for-massive-profit-b69d0e8f583b\n\nDiscord 社区：https:\u002F\u002Fdiscord.gg\u002FZZ7BGWh\n\n数据集：https:\u002F\u002Fwww.cryptodatadownload.com\u002Fdata\u002Fnorthamerican\u002F\n\n![实时交易可视化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnotadamking_RLTrader_readme_0a3653ccfb0c.gif)\n\n# 快速入门\n\n### 如何检查是否拥有 NVIDIA 显卡？\n\nLinux：\n\n```bash\nsudo lspci | grep -i --color 'vga\\|3d\\|2d' | grep -i nvidia\n```\n\n如果返回任何结果，则说明您拥有 NVIDIA 显卡。\n\n### 基本使用方法\n\n开始使用前，您需要先安装依赖项。如果您系统中配备了 NVIDIA 显卡，建议首先执行以下命令：\n\n```bash\ncd \"您的克隆的 RLTrader 目录路径\"\npip install -r requirements.txt\n```\n\n有关在使用 Docker 时如何充分利用 GPU 的更多信息：https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker\n\n如果您使用的是其他类型的显卡，或仅希望使用 CPU，请运行：\n\n```bash\npip install -r requirements.no-gpu.txt\n```\n\n更新默认使用的静态文件：\n\n```bash\npython .\u002Fcli.py update-static-data\n```\n\n之后，您可以查看当前可用的选项：\n\n```bash\npython .\u002Fcli.py --help\n```\n\n或者直接以默认参数运行项目：\n\n```bash\npython .\u002Fcli.py optimize\n```\n\n如果您有一组标准配置文件，想要针对这些配置运行交易策略，可以指定配置文件来加载设置。将 config\u002Fconfig.ini.dist 重命名为 config\u002Fconfig.ini，然后运行：\n\n```bash\npython .\u002Fcli.py --from-config config\u002Fconfig.ini optimize\n```\n\n```bash\npython .\u002Fcli.py optimize\n```\n\n### 使用 Vagrant 测试\n\n使用以下命令启动 Vagrant 虚拟机：\n\n```bash\nvagrant up\n```\n\n代码位于 \u002Fvagrant 目录下。您可以随意玩耍或测试所需的软件包。\n\n注意：使用 Vagrant 无法充分发挥 GPU 性能，因此主要用于测试目的。\n\n### 使用 Docker 测试\n\n如果您希望在 Docker 容器中运行所有内容，只需执行：\n\n```bash\n.\u002Frun-with-docker (cpu|gpu) (yes|no) optimize\n```\n\n- cpu：使用 CPU 资源启动容器\n- gpu：使用 GPU 资源启动容器\n- yes\u002Fno：是否启动本地 PostgreSQL 容器\n  注意：如果第二个参数为 yes，请使用以下命令：\n\n```bash\npython .\u002F cli.py --params-db-path \"postgres:\u002F\u002Frl_trader:rl_trader@localhost\" optimize\n```\n\n数据库及其数据会持久化存储在本地的 `data\u002Fpostgres` 目录下。\n\n若要搭建 Docker 测试环境：\n\n```bash\n.\u002Frun-with-docker (cpu|gpu) (yes|no)\n```\n\n若要运行现有测试：\n\n```bash\n.\u002Frun-tests-with-docker\n```\n\n# 启动本地 Docker 开发环境\n\n```bash\n.\u002Fdev-with-docker\n```\n\n# Windows 10 安装，无需 CUDA\n\nconda create --name rltrader python=3.6.8 pip git\nconda activate rltrader\nconda install tensorflow-gpu\ngit clone https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\npip install -r RLTrader\u002Frequirements.txt\n\n# 优化、训练与测试\n\n虽然您可以直接让智能体使用默认的 PPO2 超参数进行训练和运行，但其收益可能并不理想。stable-baselines 库提供了一套适用于大多数问题领域的优秀默认参数，但我们仍需进一步优化。\n\n为此，您需要运行 `optimize.py`。\n\n```bash\npython .\u002Foptimize.py\n```\n\n这可能需要一段时间（根据您的硬件配置，耗时数小时到数天不等），但随着试验的完成，程序会不断在控制台输出信息。每次试验完成后，结果都会被保存到 `.\u002Fdata\u002Fparams.db` 这个 SQLite 数据库中，我们可以从中提取超参数来训练我们的智能体。\n\n随后，我们将使用最佳超参数集对智能体进行训练，并在全新的数据上进行测试，以验证算法的泛化能力。\n\n如有任何疑问，欢迎在 Discord 上提问！\n\n# Google Colab\n\n在第一个单元格中输入并运行以下代码片段，即可将 RLTrader 加载到 Google Colab 环境中。别忘了将硬件加速设置为 GPU，以加快训练速度！\n\n```\n!git init && git remote add origin https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader.git && git pull origin master\n!pip install -r requirements.txt\n```\n\n# 常见问题排查\n\n##### 指定的模块未找到。\n\n通常这是由于缺少 MPI 模块所致。您应根据自己的平台安装它。\n\n- Windows：https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fmessage-passing-interface\u002Fmicrosoft-mpi\n- Linux\u002FMacOS：https:\u002F\u002Fwww.mpich.org\u002Fdownloads\u002F\n\n# 贡献\n\n我们鼓励大家贡献代码，并将尽最大努力尽快将其合并到库中。本项目旨在随着社区的发展而不断壮大。如果您有任何想法或觉得缺少某些功能，请随时告知我们。\n\n**正在提交您的第一个 Pull Request？** 您可以从这个免费系列中学习：[如何为 GitHub 上的开源项目做出贡献](https:\u002F\u002Fegghead.io\u002Fseries\u002Fhow-to-contribute-to-an-open-source-project-on-github)\n\n![https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Frltrader\u002Fgraphs\u002Fcontributors](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnotadamking_RLTrader_readme_5081742dc5d7.png)\n\n# 支持\n\n想支持本项目并帮助其发展吗？\n\n请移步至其继任框架：https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Ftensortrade\n\n支持者：\n\n* Ap9944\n* KILLth\n* Nex","# RLTrader 快速上手指南\n\nRLTrader 是一个基于强化学习（Reinforcement Learning）的加密货币交易机器人框架，也是 TensorTrade 的前身。本指南将帮助你快速在本地环境中部署并运行该工具。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows 10\n*   **Python 版本**：推荐 Python 3.6 (官方示例基于 3.6.8)\n*   **硬件加速（可选但推荐）**：\n    *   **NVIDIA GPU**：用于加速训练过程。\n    *   **检测命令 (Linux)**: `sudo lspci | grep -i --color 'vga\\|3d\\|2d' | grep -i nvidia`\n    *   若无返回结果，可使用 CPU 模式运行。\n*   **依赖模块**：\n    *   若使用 Linux\u002FmacOS 且遇到 `module could not be found` 错误，需安装 MPI 模块：\n        *   Linux\u002FMacOS: 访问 https:\u002F\u002Fwww.mpich.org\u002Fdownloads\u002F 安装\n    *   Windows 用户需安装 Microsoft MPI: https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fmessage-passing-interface\u002Fmicrosoft-mpi\n\n## 安装步骤\n\n你可以根据自身硬件情况选择以下任一方式进行安装。\n\n### 方式一：标准安装 (推荐)\n\n1.  克隆项目代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\n    cd RLTrader\n    ```\n\n2.  根据硬件安装依赖：\n    *   **拥有 NVIDIA GPU**:\n        ```bash\n        pip install -r requirements.txt\n        ```\n    *   **仅使用 CPU 或其他显卡**:\n        ```bash\n        pip install -r requirements.no-gpu.txt\n        ```\n    *(注：国内用户若下载缓慢，可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 参数使用清华源)*\n\n3.  更新默认静态数据文件：\n    ```bash\n    python .\u002Fcli.py update-static-data\n    ```\n\n### 方式二：Windows 10 Conda 安装\n\n如果你使用的是 Windows 10 且希望使用 Conda 管理环境：\n\n```bash\nconda create --name rltrader python=3.6.8 pip git\nconda activate rltrader\nconda install tensorflow-gpu\ngit clone https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\ncd RLTrader\npip install -r requirements.txt\n```\n\n### 方式三：Docker 安装\n\n如果你希望隔离环境运行，可以使用 Docker：\n\n```bash\n# 语法：.\u002Frun-with-docker (cpu|gpu) (yes|no) optimize\n# 示例：使用 GPU 运行，不启动本地 postgres 容器\n.\u002Frun-with-docker gpu no optimize\n```\n\n## 基本使用\n\n安装完成后，你可以立即开始优化策略或运行默认配置。\n\n### 1. 查看可用选项\n查看命令行帮助信息：\n```bash\npython .\u002Fcli.py --help\n```\n\n### 2. 运行默认优化\n使用默认参数启动优化流程（这将自动进行超参数搜索）：\n```bash\npython .\u002Fcli.py optimize\n```\n*注意：此过程可能耗时较长（数小时至数天），取决于硬件性能。完成的试验结果将保存在 `.\u002Fdata\u002Fparams.db` SQLite 数据库中。*\n\n### 3. 使用自定义配置文件\n如果你需要指定特定的配置：\n1.  复制配置模板：\n    ```bash\n    cp config\u002Fconfig.ini.dist config\u002Fconfig.ini\n    ```\n2.  编辑 `config\u002Fconfig.ini` 填入你的参数。\n3.  运行：\n    ```bash\n    python .\u002Fcli.py --from-config config\u002Fconfig.ini optimize\n    ```\n\n### 4. Google Colab 快速体验\n如果你想在云端免费使用 GPU 进行尝试，可在 Colab 的第一个单元格中运行以下代码（记得在菜单中将运行时类型更改为 GPU）：\n\n```python\n!git init && git remote add origin https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader.git && git pull origin master\n!pip install -r requirements.txt\n```\n\n完成上述步骤后，代理将利用找到的最佳超参数进行训练，并在新数据上进行测试以验证算法的泛化能力。","一位量化交易开发者正试图构建一个能自动适应比特币市场波动的加密货币交易机器人，以替代低效的人工盯盘策略。\n\n### 没有 RLTrader 时\n- 策略开发依赖硬编码的规则（如固定均线交叉），无法动态应对市场风格的快速切换，导致在震荡市中频繁止损。\n- 缺乏统一的强化学习环境，开发者需手动编写复杂的状态空间、动作空间和奖励函数代码，与深度学习框架对接耗时且易错。\n- 回测与实盘脱节，难以验证策略在不同历史数据下的鲁棒性，往往实盘运行后才发现过拟合问题。\n- 调优过程盲目，缺少贝叶斯优化等自动化工具支持，只能靠人工反复试错调整超参数，效率极低。\n\n### 使用 RLTrader 后\n- 基于深度强化学习（DRL）的代理能通过与 OpenAI Gym 环境交互，自主学习买卖时机，显著提升在非平稳市场中的适应能力。\n- 直接复用内置的标准化交易环境和预置特征工程，几分钟内即可搭建起从数据加载到模型训练的完整流水线。\n- 提供可视化的实时交易演示和严谨的回测框架，让开发者能在部署前直观评估策略表现，大幅降低实盘风险。\n- 集成自动化优化命令（`optimize`），结合贝叶斯搜索快速锁定最优超参数组合，将策略迭代周期从数周缩短至数小时。\n\nRLTrader 通过提供标准化的深度强化学习交易框架，让开发者能从繁琐的基础设施搭建中解脱，专注于策略逻辑的创新与验证。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnotadamking_RLTrader_b8f23d88.png","notadamking","Adam King","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnotadamking_1d1d43b9.jpg",null,"@inkloom-io @stoneforge-ai ","adamjking3@gmail.com","https:\u002F\u002Fnotadamking.com","https:\u002F\u002Fgithub.com\u002Fnotadamking",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",82.1,{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",11.7,{"name":90,"color":91,"percentage":92},"Shell","#89e051",6.2,1850,548,"2026-04-05T23:25:20","GPL-3.0","Linux, macOS, Windows","非必需。支持 NVIDIA GPU（需安装 CUDA 相关驱动），也可使用 CPU 或其他类型 GPU。未指定具体型号、显存大小或 CUDA 版本。","未说明",{"notes":101,"python":102,"dependencies":103},"该项目是 TensorTrade 的前身，开发已放缓。若在 Windows 上运行且无 CUDA，可使用 conda 安装 tensorflow-gpu。缺少 MPI 模块时需手动安装（Windows 用 Microsoft MPI，Linux\u002FMac 用 MPICH）。优化训练过程耗时较长（数小时至数天），结果存储在 SQLite 数据库中。支持 Docker 和 Vagrant 环境测试，但 Vagrant 无法充分利用 GPU。","3.6",[104,105,106],"tensorflow-gpu","stable-baselines","mpi4py",[14,13],"2026-03-27T02:49:30.150509","2026-04-07T06:14:51.371184",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},21182,"为什么按日期排序后时间顺序混乱（出现 AM\u002FPM 格式错误），导致交易策略产生前视偏差？","这是因为 CSV 文件中的时间戳格式包含 'AM\u002FPM'，直接排序会导致字符串顺序错误（例如 12-AM 排在 09-AM 之前）。解决方案是在读取数据后，使用 pandas 将日期列转换为正确的 datetime 对象。具体代码修改如下：\n1. 在 `CitcoinTradingGraph.py` 第 22 行左右，确保使用正确的格式解析：`lambda x: datetime.strptime(x, '%Y-%m-%d %H:%M:%S')`（如果已转换）。\n2. 在加载数据时（如 test.py 或 optimize.py），添加以下处理步骤：\n   ```python\n   df = pd.read_csv('.\u002Fdata\u002Fcoinbase_hourly.csv')\n   df = df.drop(['Symbol'], axis=1)\n   # 关键步骤：指定格式 '%Y-%m-%d %I-%p' 来解析带 AM\u002FPM 的时间\n   df['Date'] = pd.to_datetime(df['Date'], format='%Y-%m-%d %I-%p')\n   df['Date'] = df['Date'].astype(str)\n   df = df.sort_values(['Date'])\n   df = add_indicators(df.reset_index())\n   ```\n   这样可以将时间转换为 24 小时制并正确排序。","https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\u002Fissues\u002F28",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},21183,"运行 optimize.py 时遇到 'ImportError: libcublas.so.10.0: cannot open shared object file' 错误怎么办？","该错误通常不是代码库本身的问题，而是运行环境配置问题，特别是与 TensorFlow 的 GPU 版本有关。原因可能是您的服务器（如 VPS）没有分配 GPU 显卡，但安装了需要 CUDA 库的 TensorFlow GPU 版本。\n解决方案：\n1. 检查您的云实例是否配有 GPU。如果没有（例如普通的 Linux VPS），请卸载当前的 TensorFlow 版本。\n2. 重新安装不带 GPU 支持的 TensorFlow 版本：`pip install tensorflow-cpu` 或确保安装的是 CPU 版本。\n3. 如果您确实需要 GPU 加速，请确保使用的是带有 GPU 的专用服务器或云实例（如 Google Cloud 的 GPU 实例或 AWS p3 系列），并正确安装对应的 CUDA 和 cuDNN 驱动。","https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\u002Fissues\u002F34",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},21184,"优化过程中出现 'LinAlgError: Non-positive-definite forecast error covariance matrix' 错误导致试验失败如何解决？","这是一个已知问题，通常发生在 SARIMAX 模型拟合过程中，当数据特性导致协方差矩阵非正定时会抛出此异常。维护者已经通过代码提交修复了该问题。\n解决方法：\n1. 拉取最新的代码更新，该修复已合并到主分支（参考 commit: 595693e78e71f7eaf14ff24590668b85f0881253）。\n2. 如果您无法更新代码，可以尝试在异常处理中捕获该错误并跳过当前试验，或者调整 SARIMAX 模型的参数以避免数值不稳定。\n3. 注意：随着优化过程接近最优值，剪枝（prune）数量增加是正常的，但如果大量试验因此失败，请务必应用上述代码修复。","https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\u002Fissues\u002F14",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},21185,"运行优化脚本时内存消耗过高（超过 60GB 甚至 100GB）导致系统崩溃怎么办？","多个用户报告在运行 `optimize` 脚本时存在明显的内存泄漏问题，特别是在长时间运行或样本量较大（如 1000 个样本）时，内存占用会持续增长直至耗尽系统资源（即使有 128GB 内存也可能被占满）。\n建议措施：\n1. 减少优化的样本数量或缩短优化时长进行测试。\n2. 监控内存使用情况，如果发现持续泄漏，可能需要重启脚本。\n3. 该问题已被社区确认为潜在的内存泄漏，建议关注仓库的后续更新以获取修复补丁。目前在高分辨率或大规模优化任务中，建议在内存充足的专用机器上运行，并定期保存检查点。","https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\u002Fissues\u002F17",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},21186,"首次运行训练脚本时出现 'ValueError: Record does not exist' 错误是什么原因？","该错误通常发生在使用 Optuna 进行超参数优化时，尝试加载一个不存在的 Study 记录。这往往是因为文档不完善或初始化步骤缺失导致的。\n解决方案：\n1. 确保您运行的是最新版本的代码，因为相关的问题（Issue #23）已经合并，解决了大部分引导和新 Agent 初始化的问题。\n2. 如果是首次运行，不要尝试加载旧的 study_name，让脚本自动创建新的研究记录。\n3. 检查 `train.py` 或 `optimize.py` 中的 storage 配置，确保数据库文件路径正确且有写入权限。如果不需要恢复之前的优化结果，可以尝试更改 `study_name` 或删除现有的 `params.db` 数据库文件重新开始。","https:\u002F\u002Fgithub.com\u002Fnotadamking\u002FRLTrader\u002Fissues\u002F8",{"id":137,"question_zh":138,"answer_zh":139,"source_url":130},21187,"能否提供文章中提到的实现了 850% 收益的预训练 Sortino 和 Profit 模型？","目前仓库中并未直接包含文章中提到的预训练模型文件。文章中的结果是基于特定数据集和长时间的优化运行得出的。\n要复现类似结果，您需要：\n1. 自行下载完整的历史数据（如 coinbase_hourly.csv）。\n2. 运行 `optimize.py` 脚本进行超参数搜索和模型训练。请注意，根据社区反馈，此过程可能非常耗时且消耗大量内存（可能存在内存泄漏），建议使用高性能服务器运行。\n3. 优化完成后，生成的最佳模型将保存在本地，您可以使用该模型进行交易回测或实盘测试。维护者暂未公开具体的权重文件，鼓励用户通过运行优化流程自行生成。",[141,145,149,153,157,161,165,170,175,180],{"id":142,"version":143,"summary_zh":75,"released_at":144},127199,"v0.3.3","2019-07-17T22:12:20",{"id":146,"version":147,"summary_zh":75,"released_at":148},127200,"v0.3.2","2019-07-11T03:45:19",{"id":150,"version":151,"summary_zh":75,"released_at":152},127201,"v0.3.1","2019-07-10T08:13:57",{"id":154,"version":155,"summary_zh":75,"released_at":156},127202,"v0.3.0","2019-07-10T08:04:21",{"id":158,"version":159,"summary_zh":75,"released_at":160},127203,"v0.2.1","2019-07-08T06:51:15",{"id":162,"version":163,"summary_zh":75,"released_at":164},127204,"v0.2.0","2019-07-08T03:27:10",{"id":166,"version":167,"summary_zh":168,"released_at":169},127205,"v0.1.2","## 更改日志\r\n\r\n* 启用在 `SubProcEnv` 中训练的模型的渲染","2019-07-06T18:15:37",{"id":171,"version":172,"summary_zh":173,"released_at":174},127206,"v0.1.1","## 更改日志\n\n* 修复 CLI 中的 bug\n* 将 `optimize.py` 重新添加到仓库中","2019-07-06T07:36:09",{"id":176,"version":177,"summary_zh":178,"released_at":179},127207,"v.0.1.0","## 更改日志\n\n* 将 `BitcoinTradingEnv` 重命名为 `TradingEnv`，将 `BitcoinTradingGraph` 重命名为 `TradingChart`\n* 从 `TradingEnv` 中移除 `add_indicators`\n* 从 `TradingEnv` 中移除 SARIMAX 预测\n* 在 `RLTrader` 的所有方法中添加多进程支持\n* 创建一个抽象的 `BaseDataLoader`，用于导入多种数据源（.csv 文件、交易所 API、内存等）\n* 实现适用于内存和 .csv 文件格式的 `StaticDataLoader`\n* 实现使用 `ccxt` 从交易所 REST API 加载数据的 `ExchangeDataLoader`","2019-07-06T04:07:46",{"id":181,"version":182,"summary_zh":183,"released_at":184},127208,"v0.0.1","## 更改日志\r\n\r\n* 将优化\u002F训练\u002F测试循环重构为更抽象、可扩展的 RLTrader 库","2019-06-24T07:49:08"]