欢迎！无论你是刚接触 AI 的新手小白，还是精通各种 API 的高玩老手，这份指南都能帮你快速把大模型（LLM）跑起来。

本项目对外提供统一的 AI 模型接入体验，支持主流官方 API、OpenAI 兼容平台以及本地模型。底层由 LiteLLM 驱动，但大多数用户只需要理解“选服务商、填 API Key、选主模型/渠道”这条默认路径。为了照顾不同阶段的用户，我们设计了“三层优先级”配置，按需选择最适合你的方式即可。

如果你正在选择具体服务商、配置 GitHub Actions Secrets / Variables、排查 details.reason 错误或准备回滚配置，请优先查看 LLM 服务商配置指南。该文档集中维护 provider 预设、Actions 变量对照、运行时能力检测边界和常见错误处理建议。

本页的 provider/model/Base URL 说明本次未新增外部兼容语义，仅用于同步现网约定；实际兼容判断仍按当前仓库锁定依赖与运行时实现执行： - 依赖边界：litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0（与 requirements.txt 一致）。 - 兼容验证入口：tests/test_system_config_service.py、tests/test_system_config_api.py 以及现有前端模型配置页回归用例。 - 回退路径：优先使用 .env 配置备份 + POST /api/v1/system/config/import 恢复；也可在重启前手动回填旧 LITELLM_MODEL / LLM_* / AGENT_LITELLM_MODEL / VISION_MODEL / LLM_TEMPERATURE / LLM_USAGE_HMAC_*。

说明：本页对 provider/model/base URL 的说明同步沿用当前依赖约束与历史约定，仅做文档补充，不引入新的运行时 provider、模型或 Base URL 行为变更。

1. 【新手小白】 "我只想赶紧把系统跑起来，越简单越好！" -> 指路【方式一：极简单模型配置】
2. 【进阶用户】 "我有好几个 Key，想配置备用模型，还要改自定义网址(Base URL)。" -> 指路【方式二：渠道(Channels)模式配置】
3. 【高玩老手】 "我要做复杂的负载均衡、请求路由、甚至多异构平台高可用！" -> 指路【方式三：YAML 高级配置】
4. 【本地模型】 "我想用 Ollama 本地模型！" -> 指路【示例 4：使用 Ollama 本地模型】
5. 【视觉模型】 "我想用图片识别股票代码！" -> 指路【扩展功能：看图模型(Vision)配置】

Generation backend 是普通分析、大盘复盘和 generate_text() 的外层运行时选择。默认仍是 litellm，零配置路径与历史行为保持一致；codex_cli / claude_code_cli / opencode_cli 是显式 opt-in 的本地 CLI backend，当前标记为 experimental/limited。

GENERATION_BACKEND=litellm
GENERATION_FALLBACK_BACKEND=litellm
GENERATION_BACKEND_TIMEOUT_SECONDS=300
GENERATION_BACKEND_MAX_OUTPUT_BYTES=1048576
GENERATION_BACKEND_MAX_CONCURRENCY=1
LOCAL_CLI_BACKEND_MAX_CONCURRENCY=1
# 可选：留空时使用本机 OpenCode 默认模型；配置时作为 --model 覆盖值传给 OpenCode。
# OPENCODE_CLI_MODEL=provider/model
AGENT_GENERATION_BACKEND=auto

• GENERATION_BACKEND=litellm|codex_cli|claude_code_cli|opencode_cli。本地 CLI backend 是 generation backend，不是 LiteLLM provider；不要写 LITELLM_MODEL=codex_cli/...、LITELLM_MODEL=claude_code_cli/... 或 LITELLM_MODEL=opencode_cli/...。
• GENERATION_BACKEND=opencode_cli 时默认不传 --model，由本机 OpenCode 使用自身默认模型配置；OPENCODE_CLI_MODEL 只是可选覆盖值，配置时才作为单个 --model 参数传给 OpenCode。provider 认证、账号和模型可用性由本机 OpenCode 自身配置负责；DSA 不接管这些配置。
• GENERATION_FALLBACK_BACKEND 未配置时默认 litellm；本地 .env 显式空值 GENERATION_FALLBACK_BACKEND= 表示禁用 backend-level fallback；primary 与 fallback 相同时解析为 no-op。仓库自带 GitHub Actions workflow 未配置该变量时会显式导出 litellm，如果要在 Actions 中禁用 backend fallback，请把 fallback 设为 primary backend，例如 GENERATION_BACKEND=codex_cli + GENERATION_FALLBACK_BACKEND=codex_cli。
• GENERATION_BACKEND=codex_cli|claude_code_cli 且没有 Gemini/OpenAI/Anthropic/DeepSeek API Key 时，普通分析和大盘复盘仍会尝试本地 CLI backend；如果对应 executable 不存在，会返回结构化 command_not_found，不会报“API Key 未配置”。
• 当前 codex_cli preset 使用 codex exec --output-last-message - 读取最终响应；Codex CLI 仍会把同一最终响应打印到 stdout，DSA 会从 stdout 诊断预览和输出大小统计中剔除这份重复内容，不参与主分析 JSON 解析。官方依据见 Codex non-interactive mode 与 Codex CLI command line options。本仓库当前只验证 codex-cli 0.142.0，不声明更宽最低版本；如果 CLI 版本不支持 preset 参数，DSA 会返回结构化 capability_unsupported / cli_contract_unsupported 诊断，并在配置 backend fallback 时回退到 litellm。
• 当前 claude_code_cli preset 使用 claude --safe-mode --tools "" --disallowedTools "mcp" --strict-mcp-config --no-session-persistence --output-format json -p ，完整 DSA prompt 通过 stdin 传入。DSA 只从 Claude JSON envelope 的 result/success 最终字段提取文本；如果后续启用 --json-schema，schema mode 必须提取 structured_output，并且仍会继续经过 DSA 现有 JSON validator、minimal parser contract、_parse_response()、integrity retry、placeholder fill 和 usage telemetry。参数依据见 Claude Code CLI reference；本 PR smoke 验证版本为 claude 2.1.177 (Claude Code)，不声明更宽最低版本。
• 当前 opencode_cli preset 使用 opencode --pure run --format json [--model ] --file ；只有显式配置 OPENCODE_CLI_MODEL 时才追加 --model，完整 DSA prompt 写入权限受控的临时文件，不进入 argv。DSA 只解析 OpenCode JSON event 输出中无工具事件的 text 内容，并要求正常 step_finish；出现 tool_use、error、question、permission 等事件会结构化失败。参数依据见 OpenCode CLI reference，项目配置合并语义见 OpenCode config reference；本 PR smoke 验证版本为 opencode 1.17.11，不声明更宽最低版本。
• 本地 CLI backend 不支持 streaming。请求 stream 时会自动降级为 non-stream，不会因此返回 capability_unsupported。
• 本地 CLI usage 通常不可用，系统不会写入 fake 0 token、fake cost 或 fake cache telemetry。
• 本地 CLI 执行上限有硬边界：GENERATION_BACKEND_TIMEOUT_SECONDS 最大 3600，GENERATION_BACKEND_MAX_OUTPUT_BYTES 最大 33554432，GENERATION_BACKEND_MAX_CONCURRENCY 最大 16，LOCAL_CLI_BACKEND_MAX_CONCURRENCY 最大 4。诊断 stdout/stderr 与最终响应合计超过输出上限时会返回结构化 output_too_large；对 --output-last-message preset，stdout 中重复打印的最终响应不会重复计入，也不会作为 stdout_preview 暴露。
• 本地 CLI 默认并发为 1；有效并发为 min(LOCAL_CLI_BACKEND_MAX_CONCURRENCY, GENERATION_BACKEND_MAX_CONCURRENCY)，不继承 MAX_WORKERS。
• AGENT_GENERATION_BACKEND=auto 不会继承 GENERATION_BACKEND 的 local CLI 值；Agent 工具调用继续使用 LiteLLM。Web 设置页仅暴露 auto|litellm；手写 AGENT_GENERATION_BACKEND=codex_cli|claude_code_cli|opencode_cli 不实现 text-only Agent mode，会返回明确 unsupported tool-calling 诊断。
• Phase 6a 的 DSA Tool Surface 只是内部工具 schema、权限元数据、scope guard、结构化错误和审计/脱敏边界，用于后续 AgentBackend 统一消费；stock-scoped 工具调用必须显式传入 ToolAccessContext.stock_scope，有 stock_code 参数但未声明 stock scope 的工具会 fail-closed。它不新增外部 runtime adapter、MCP server、REST API、Web UI 或 .env 配置，也不改变 generation backend / Agent backend 路由。Codex / Claude / OpenCode / Hermes 在完成 wire-level tool call / tool result roundtrip probe 前仍不能绕过 Tool Surface 直接拼 provider-specific tool schema，codex_cli / claude_code_cli / opencode_cli 仍保持 generation-only，supports_tools=false。
• Web 设置页的生成后端快速检查只读取已保存的 .env、运行时兜底值和未保存草稿；它不会写配置、重载运行时，也不会发起真实模型请求。available 只表示当前配置具备尝试运行的条件。JSON 冒烟测试是单独的显式操作，会使用服务端固定的 JSON 提示词和 schema 发起一次真实的生成后端请求，用于验证提取器、JSON 契约、超时、输出限制和 usage-unavailable 语义。
• GET /api/v1/system/config/generation-backends/status 只读取已保存配置；未保存草稿需调用 POST /api/v1/system/config/generation-backends/status/preview 或 POST /api/v1/system/config/generation-backends/smoke-test。被遮罩的密钥字段会继续沿用已保存值。health_status 与 last_error_code/message 只代表本次计算结果，不是历史持久健康状态。

• 本地 CLI Backend 不等于离线模型；Codex / Claude Code / OpenCode 背后的服务可能处理股票代码、新闻、持仓上下文、分析 prompt、报告草稿等内容。
• Docker、云服务器、CI 不天然拥有你本机的 CLI 登录态。
• GitHub Actions 只负责透传配置值，不安装或登录本地 CLI；如果在 Actions 中 opt-in local CLI backend，runner 上缺少可执行文件或登录态时应看到结构化失败。
• DSA 不读取 Codex/Claude/OpenCode credential 文件，但子进程可能读取 CLI 自身登录态。
• macOS 从 Finder/Dock 启动桌面端时不继承 shell PATH；打包桌面端会在启动后端时补入常见 Homebrew 路径（如 /opt/homebrew/bin、/usr/local/bin）。如果设置检查仍提示找不到 CLI 可执行文件，请完全退出并重开 DSA；打开 CLI 交互窗口不会改变已运行后端的 PATH。
• DSA 默认只继承最小运行环境，并拒绝通配继承 CLAUDE_、ANTHROPIC_、OPENCODE_、OPENAI_、GOOGLE_、GEMINI_、AWS_、AZURE_、VERTEX_、_API_KEY、_AUTH_TOKEN、_ACCESS_TOKEN、_SECRET、_PASSWORD，降低 DSA API keys、provider tokens 和 webhook tokens 泄漏风险。CODEX_HOME 是为兼容既有 Codex CLI 登录目录保留的精确例外；不会恢复 CODEX_CLI_ 通配。
• opencode_cli 会在临时 cwd 写入最小项目 opencode.json 以关闭分享、自动更新、快照和常见工具权限，但 OpenCode resolved config 仍可能包含用户本机全局配置；运行时安全边界同时依赖 --pure、env denylist、prompt file 权限和 event extractor fail-closed。
• Web 设置页只暴露安全 preset，不允许提交任意 command / argv / shell string。
• codex_cli / claude_code_cli / opencode_cli 仍标记为 experimental/limited；如果你的 CLI 版本不支持本仓库已验证的非交互输出契约，DSA 会返回结构化 capability_unsupported、cli_contract_unsupported、invalid_json、schema_validation_failed 或对应 backend error，并在配置 backend fallback 时回退到 litellm。无法接受该版本漂移风险时，请保持 GENERATION_BACKEND=litellm。
• opencode_cli 不支持 OpenCode serve / web / ACP / MCP / attach / --dangerously-skip-permissions；DSA 不把 OpenCode final text 当成 Agent tool success。

目标： 只要记得填入 API Key 和对应的模型名就能立刻用。不需要折腾复杂概念。

如果你只打算用一种模型，这是最快捷的办法。打开项目根目录下的 .env 文件（如果没有，复制一份 .env.example 并重命名为 .env）。

💡 推荐 Anspire Open：支持中文优化的联网搜索与 OpenAI-compatible 路径一体化体验，适合只准备一个 Key 的用户。 - 以下为配置示例，模型与网关可用性以账号权限和 Anspire 控制台为准；文档示例不替代实际连通性验证。 - 建议在 Web 设置页点击“测试连接”进行实际鉴权与模型可用性检查，避免以文档默认值直接当作可用性承诺。

# Anspire Open API Keys（支持多个，逗号分隔）
# 获取: https://open.anspire.cn/?share_code=QFBC0FYC
# 满足默认优先级条件时，系统会复用该 Key 处理搜索与 LLM（仅限示例兜底路径）。
# 示例模型：Doubao-Seed-2.0-lite；示例网关：https://open-gateway.anspire.cn/v6
ANSPIRE_API_KEYS=sk-xxxxxxxxxxxxxxxx
# 可选：按控制台可用性切换模型或网关
# ANSPIRE_LLM_MODEL=Doubao-Seed-2.0-pro
# ANSPIRE_LLM_BASE_URL=https://open-gateway.anspire.ai/v6

现在市面上绝大多数第三方聚合平台（例如硅基流动、AIHubmix、阿里百炼、智谱等）都兼容 OpenAI 的接口格式。只要平台提供了 API Key 和 Base URL，你都可以按照以下格式无脑配置：

# 填入平台提供给你的 API Key
OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx
# 填入平台的接口地址 (非常重要：结尾通常必须带有 /v1)
OPENAI_BASE_URL=https://api.siliconflow.cn/v1
# 填入该平台上具体的模型名称（非常重要：注意前面必须加上 openai/ 前缀帮系统识别）
LITELLM_MODEL=openai/deepseek-ai/DeepSeek-V3 

# 填入你在 DeepSeek 官方平台申请的 API Key
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx

*兼容提示：仅填这一行时，系统仍会默认使用 deepseek/deepseek-chat 并在日志提示迁移。* deepseek-chat / deepseek-reasoner 仍可用于兼容旧配置，但 DeepSeek 官方已标记为 2026/07/24 后废弃；新配置建议通过 Web 快速渠道或显式 LITELLM_MODEL=deepseek/deepseek-v4-flash 迁移到 deepseek-v4-flash / deepseek-v4-pro。

# 填入你获取的 Google Gemini Key
GEMINI_API_KEY=AIzac...

# Ollama 无需 API Key，本地运行 ollama serve 后即可使用
OLLAMA_API_BASE=http://localhost:11434
LITELLM_MODEL=ollama/qwen3:8b

重要：Ollama 必须使用 OLLAMA_API_BASE 配置，不要使用 OPENAI_BASE_URL，否则系统会错误拼接 URL（如 404、api/generate/api/show）。远程 Ollama 时，将 OLLAMA_API_BASE 设为实际地址（如 http://192.168.1.100:11434）。当前依赖约束为 litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0（与 requirements.txt 一致）。

恭喜！小白读到这里就可以去运行程序了！ 想测测看通没通？在主目录打开命令行输入：python scripts/check_env.py --llm

目标： 我有多个不同平台的 Key 想要混着用，如果主模型卡了/网络挂了，我希望它能自动切换到备用模型。

网页端可以直接配： 你可以启动程序后，在 Web UI 的“系统设置 -> AI 模型 -> AI 模型接入” 中非常直观地进行可视化配置！

新版编辑体验补充：对于 DeepSeek、阿里百炼（DashScope）以及其他兼容 OpenAI /v1/models 的渠道，设置页现在支持直接点击“获取模型”，从 {base_url}/models 拉取可用模型并多选；底层仍会保存为原来的 LLM_{CHANNEL}_MODELS=model1,model2 逗号格式。若渠道不支持该接口、鉴权失败或暂时不可达，仍可继续手动填写模型列表，不影响保存。

后端提供只读状态接口 GET /api/v1/system/config/setup/status，用于判断首次启动闭环中最基础的几类配置是否已经就绪：LLM 主渠道、Agent 渠道、自选股、通知渠道和本地存储。这个接口只读取已保存的 .env 与当前进程环境变量，不会重载运行时配置、写入 .env、测试真实模型或创建数据库文件；前端向导和后续 smoke run 可以基于该接口逐步接入。

• 预设里的 provider / Base URL / 示例模型只用于初始化表单；真正落盘时仍是你当前输入的 LLM_{CHANNEL}_PROTOCOL、LLM_{CHANNEL}_BASE_URL、LLM_{CHANNEL}_MODELS、LLM_{CHANNEL}_API_KEY(S)，不会在后台偷偷改成别的 provider 名或 URL。
• 设置页的“获取模型”只对 OpenAI Compatible / DeepSeek 渠道调用 {base_url}/models；“测试连接”默认只对模型列表首项发起一次最小聊天请求，并在结果中展示后端规范化后的 resolved_model。若返回 details.reason=model_access_denied（例如 Issue #1208 中已观测到的 SiliconFlow / OpenAI Compatible 经 LiteLLM 返回 Model disabled），请把它视为基于 provider 文案的 best-effort 模型可用性诊断，优先确认该模型是否已在当前账号/key 下开通，必要时调整模型顺序或移除不可用模型后重试；未覆盖或语义不同的 provider 文案会继续走兜底诊断。可选的“运行时能力检测”必须由用户显式选择后触发，会额外发起 JSON / tools / stream / vision smoke 请求，结果仅代表当前账号、模型和 endpoint 的一次 best-effort 检测。上述检测返回的 stage / error_code / details / latency_ms / capability_results 仅用于结构化诊断提示，不会写回 .env，也不会阻止保存。
• 若返回 details.reason=provider_blocked，表示服务商或中转网关明确拦截了本次请求；它区别于本地网络 / TLS 异常和 model_access_denied，应优先检查账号风控、地域或请求来源限制、模型权限、代理商网关策略和内容安全策略。
• 运行时能力检测会产生真实 LLM 请求，可能带来 token / 图像输入费用、RPM/TPM 限流、余额不足或超时。检测失败可能来自账号权限、模型未开通、endpoint 区域、余额、服务商兼容层或 LiteLLM 转换路径，不等于该 provider 全局不支持对应能力。P3 未对所有真实 provider 做在线 smoke；兼容依据来自当前依赖约束 litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0 下的 LiteLLM completion() / OpenAI I/O format / streaming / exception mapping，以及 OpenAI Chat Completions 的 JSON mode、tool calling、streaming 和 vision input 形状。
• 相关外部来源：LiteLLM Python SDK / OpenAI I/O format / streaming / exception mapping：；LiteLLM OpenAI-compatible 路由：；OpenAI Chat Completions：；JSON mode：；tool calling：；streaming：；vision input：。
• 保存渠道时，只会更新这次提交的 key；不会因为切换渠道模式而静默迁移整个旧配置。唯一会被同步清理的是运行时模型引用：如果 LITELLM_MODEL、AGENT_LITELLM_MODEL、VISION_MODEL 或 LITELLM_FALLBACK_MODELS 指向了当前已启用渠道里已经不存在的模型，设置页会在保存前把这些失效引用清空/移除，避免运行时继续指向无效模型；即使当前启用渠道没有任何可选模型，也会清理缺少 legacy Key 支撑的托管 provider 旧值。cohere/、google/、xai/ 这类直连模型仅用于说明历史 direct-env 兼容保留语义，不等于可用性承诺，是否可用请按各厂商官方模型/API 文档再做实际验证。
• 后端一致性依据：配置校验链路在 SystemConfigService._validate_llm_runtime_selection（src/services/system_config_service.py）中通过 _uses_direct_env_provider（src/config.py）判断运行时来源；当前仅 gemini、vertex_ai、anthropic、openai、deepseek 属于托管 key provider，cohere、google、xai 不在该白名单中，因此会保留为直连模型。
• 回退方式也保持最小：把对应渠道模型列表改回去后重新选择主模型 / fallback，或直接用桌面端导出备份 / 手动 .env 还原之前的 LLM_、LITELLM_MODEL、AGENT_LITELLM_MODEL、VISION_MODEL、LLM_TEMPERATURE、LLM_USAGE_HMAC_ 即可，不需要额外跑迁移脚本。Web 端如需恢复配置，也可在启用管理员鉴权（ADMIN_AUTH_ENABLED=true）后通过 POST /api/v1/system/config/import 回滚。
• 当前仓库对此链路的依赖约束是 litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0（见 requirements.txt）；回归覆盖包括 tests/test_system_config_service.py、tests/test_system_config_api.py 和 apps/dsa-web/src/components/settings/tests/LLMChannelEditor.test.tsx。

外部 provider 示例模型说明：cohere/*、google/*、xai/* 等 provider 前缀值仅用于说明当前保存清理语义，不代表该依赖约束内的逐型号可用性保证。文档或测试中的具体模型名都是配置保留行为样例，不是生产推荐；实际可用性请以对应官方模型文档为准，并结合仓库依赖约束 litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0 复核。

• 依赖约束与静默清理范围：在 litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0 下，保存仅清理失效的 runtime 模型引用（LITELLM_MODEL、AGENT_LITELLM_MODEL、VISION_MODEL、LITELLM_FALLBACK_MODELS），cohere/、google/、xai/ 等非渠道直连模型会被保留。
• 回退方式：可直接用桌面端导出备份后通过 POST /api/v1/system/config/import 恢复；也可手动把 .env 中历史 LITELLM_ / AGENT_LITELLM_MODEL / VISION_MODEL / LLM_TEMPERATURE / LLM_USAGE_HMAC_ 回填后重启生效。Web 端执行导入前请先开启管理员鉴权（ADMIN_AUTH_ENABLED=true）。
• 回退回归证据：tests/test_system_config_service.py::test_import_desktop_env_restores_runtime_models_after_cleanup 覆盖“清理后用桌面导出备份恢复 runtime 引用”。
• 直连 provider 回归证据：tests/test_system_config_service.py::SystemConfigServiceTestCase::test_validate_accepts_minimax_model_as_direct_env_provider、test_validate_accepts_cohere_model_as_direct_env_provider、test_validate_accepts_google_model_as_direct_env_provider、test_validate_accepts_xai_model_as_direct_env_provider 覆盖直连 provider 保留语义。
• 前端回归命令：cd apps/dsa-web && npm run lint && npm run build && npm run test -- src/components/settings/tests/LLMChannelEditor.test.tsx。
• 建议回退操作链路（含设置页刷新）：先导出桌面备份，POST /api/v1/system/config/import 导入后，再通过 GET /api/v1/system/config 刷新页面配置，再确认 LITELLM_MODEL / AGENT_LITELLM_MODEL / VISION_MODEL / LLM_TEMPERATURE / LLM_USAGE_HMAC_ 与模型列表一致后再继续使用。

• OpenAI Compatible 规范（LiteLLM）：
• OpenAI 官方：
• DeepSeek 官方：
• Anspire Open：
• 阿里百炼 DashScope 兼容模式：
• Moonshot / Kimi 官方：
• Anthropic 官方：
• Gemini 官方：
• Cohere 官方：
• Cohere API 参考：
• Cohere LiteLLM Provider：
• Google Gemini API 与模型：、
• Google LiteLLM Provider：
• xAI 官方：
• xAI LiteLLM Provider：
• Ollama 官方：

如果不方便用网页版，在 .env 文件中配置也非常丝滑，它能让你同时管理多个第三方平台。规则如下：

1. 先声明你有几个渠道：LLM_CHANNELS=渠道名称1,渠道名称2
2. 给每个渠道分别填写配置（注意全大写）：LLM_{渠道名}_XXX

# 1. 开启渠道模式，声明这里有两个渠道：deepseek 和 aihubmix
LLM_CHANNELS=deepseek,aihubmix

# 2. 渠道一：配置 DeepSeek 官方
LLM_DEEPSEEK_BASE_URL=https://api.deepseek.com
LLM_DEEPSEEK_API_KEY=sk-1111111111111
LLM_DEEPSEEK_MODELS=deepseek-v4-flash,deepseek-v4-pro

# 3. 渠道二：配置一个常用的聚合中转 API
LLM_AIHUBMIX_BASE_URL=https://api.aihubmix.com/v1
LLM_AIHUBMIX_API_KEY=sk-2222222222222
LLM_AIHUBMIX_MODELS=gpt-5.5,claude-sonnet-4-6

# 4. 【关键】指定主模型和备用模型列表
# 平时首选用 deepseek 这款模型：
LITELLM_MODEL=deepseek/deepseek-v4-flash
# 可选：Agent 问股单独指定主模型（留空则继承主模型）
AGENT_LITELLM_MODEL=deepseek/deepseek-v4-pro
# 主模型崩了立刻挨个尝试下面这俩备用模型：
LITELLM_FALLBACK_MODELS=openai/gpt-5.4-mini,anthropic/claude-sonnet-4-6

# 1. 开启渠道模式，声明 ollama 渠道
LLM_CHANNELS=ollama

# 2. 配置 Ollama 地址（本地默认 11434 端口）
LLM_OLLAMA_BASE_URL=http://localhost:11434
LLM_OLLAMA_MODELS=qwen3:8b,llama3.2

# 3. 指定主模型
LITELLM_MODEL=ollama/qwen3:8b

LLM_CHANNELS=hermes
LLM_HERMES_PROTOCOL=openai
LLM_HERMES_BASE_URL=http://127.0.0.1:8642/v1
LLM_HERMES_API_KEY=sk-local-hermes
LLM_HERMES_MODELS=hermes-agent
LITELLM_MODEL=openai/hermes-agent

Hermes 是保留渠道名，只支持本机 loopback /v1 OpenAI-compatible generation。Phase 3 只验证普通分析与 JSON 输出；不支持 Stream/SSE、Tools、Vision、Agent tools、远程 Hermes 或进程生命周期管理。Hermes API Key 只能使用单个 LLM_HERMES_API_KEY，不要配置 LLM_HERMES_API_KEYS 或 LLM_HERMES_EXTRA_HEADERS。如果 Hermes 配置非法，系统会阻止 legacy provider silent fallback，避免错误地改用外部模型。Web 设置页保存 reserved Hermes 渠道时，会显式清空旧的 LLM_HERMES_API_KEYS / LLM_HERMES_EXTRA_HEADERS 并返回 warning；如需恢复旧值，请从 .env 备份、Git 历史或桌面端导出备份手动还原，但 Phase 3 仍会拒绝非空的多 Key / Extra Headers 配置。

• 如果你通过 OpenAI Compatible 渠道接 MiniMax，请在渠道模型里直接填写 minimax/，例如 minimax/MiniMax-M1。
• Web 设置页里的主模型、Agent 主模型、Fallback、Vision 下拉会保留这个值原样展示，不会再错误改写成 openai/minimax/。

• 问股 Agent 运行时沿用与普通分析相同的三层优先级：LITELLM_CONFIG（LiteLLM YAML）> LLM_CHANNELS > legacy provider keys。只要上层配置有效生效，下层配置就不会再参与本次请求。
• YAML 模式下，Agent 直接复用 LiteLLM model_list / model_name 路由语义；渠道模式下，优先读取 AGENT_LITELLM_MODEL，留空时继承 LITELLM_MODEL，再按 LITELLM_FALLBACK_MODELS 继续 fallback。
• 如果你没有启用 YAML / Channels，且 AGENT_LITELLM_MODEL 也留空，但本地仍保留 legacy 环境变量，问股 Agent 依然会继承旧配置：GEMINI_API_KEY + GEMINI_MODEL -> gemini/，OPENAI_API_KEY + OPENAI_MODEL -> openai/，ANTHROPIC_API_KEY + ANTHROPIC_MODEL -> anthropic/。
• 该兼容逻辑只增强“失败时保留后端真实错误原因”和“未配置 LLM 时给出更具体诊断”，不会静默删除、清空、迁移或改写你现有的 GEMINI_ / OPENAI_ / ANTHROPIC_ / LITELLM_ 配置。
• 如果当前环境没有任何有效 Agent 模型链路，问股页面会继续按失败语义返回，并直接展示后端真实配置诊断；补齐任一有效模型来源后即可恢复，无需额外执行配置迁移脚本。
• 推荐的新配置方式仍然是显式设置 LITELLM_MODEL / AGENT_LITELLM_MODEL 或使用 LLM_CHANNELS；legacy provider keys 目前保留为兼容回退路径，方便旧 .env、本地 macOS 开发环境和历史部署平滑继续运行。

默认情况下，问股仍按历史行为只注入最近 20 条可见对话。需要长会话省 token 时，可开启：

AGENT_CONTEXT_COMPRESSION_ENABLED=true
AGENT_CONTEXT_COMPRESSION_PROFILE=balanced
# 留空则跟随 profile preset
AGENT_CONTEXT_COMPRESSION_TRIGGER_TOKENS=
AGENT_CONTEXT_PROTECTED_TURNS=

压缩只处理 session_id 下用户可见的 user / assistant 文本历史，不处理 provider trace、thinking blocks、tool calls 或 tool results，也不会改变同轮工具调用透传。三档 preset 分别是 cost（6000 tokens / 保护 2 轮）、balanced（12000 / 4）和 long_context_raw_first（24000 / 6）；trigger / protected 留空时跟随当前 profile，显式填写时覆盖 profile。

问股 single-agent 路径会额外维护一条 provider-aware trace 分轨，用于 DeepSeek V4 thinking + tool-call 的跨轮协议回放：只有同一轮同时出现 tool_calls 与 reasoning_content 时才会按当前 session_id + provider + model 保存最近 3 条最小协议材料，并在下一轮按原始时序插回对应可见 assistant 回复之前。该 trace 只能原样保留或整段丢弃，不参与摘要、不写入 Web 会话消息、不新增 .env 配置；model/provider 不匹配、锚点已被 summary 覆盖或预算不足时会整段跳过。Claude extended thinking 本轮只覆盖 adapter/storage 级 opaque thinking / redacted_thinking / signature blocks plumbing 与离线 fixture，不声明生产端到端支持；multi-agent trace 注入仍是 follow-up。外部协议依据包括 DeepSeek thinking mode 文档（<https://api-docs.deepseek.com/guides/thinking_mode>）和 Anthropic Claude extended thinking 文档（<https://platform.claude.com/docs/en/docs/build-with-claude/extended-thinking>），LiteLLM 兼容窗口仍以 requirements.txt 的 litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0 为准。

• Moonshot 官方说明 Kimi API 兼容 OpenAI 接口，Base URL 使用 https://api.moonshot.ai/v1：
• LiteLLM 官方要求 OpenAI Compatible 渠道模型名使用 openai/ 前缀：
• Moonshot 官方兼容性文档区分两种固定值：thinking 模式固定 1.0，non-thinking 模式固定 0.6；传其它值会被接口拒绝：
• OpenAI Chat Completions 规范中 temperature 是可选参数；对 GPT-5 / o 系列等只接受默认温度的模型，本项目会在请求层省略 temperature，让服务端使用默认值，而不是改写你的 LLM_TEMPERATURE：
• 当前仓库的运行时依赖约束是 litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0（见 requirements.txt）；本次兼容逻辑按该约束回归验证了主分析、大盘复盘、Agent 直连 LiteLLM，以及系统设置页的渠道连通性测试。
• 因此本项目会在请求发出前按实际请求模式归一化 kimi-k2.6 及其 kimi-k2.6- 变体：默认 / thinking 路径使用 temperature=1.0；如果你的 LiteLLM YAML 路由别名里显式写了 litellm_params.extra_body.thinking.type: disabled（或等价 non-thinking 配置），则自动切到 temperature=0.6。你在 .env 或 Web 设置里保存的 LLM_TEMPERATURE 不会被改写。
• 如果兼容平台对未收录的新模型返回明确的参数错误（例如 temperature 不支持、只能使用默认 1.0、top_p 不支持），运行时会对当前请求做一次参数修正并重试；只有重试成功后才把该策略缓存在当前进程内。该缓存不会写回 .env，服务重启后会重新按配置与适配规则判断。
• 对已经产生部分内容的流式响应，系统不会在半截输出后切换参数；仍沿用原有“同模型非流式重试 / fallback 模型”的稳定路径，避免拼接出不一致的回答。
• SystemConfigService 在 Web 设置保存 / 桌面端 .env 导入时只更新你提交的 key，不会因为切到严格 temperature 模型静默清空、迁移或重写已有 LLM_TEMPERATURE；渠道测试请求里的临时参数策略也不会回写到配置文件。
• 非严格主模型、非严格 fallback 以及切回普通模型后的请求，仍继续使用你配置的温度；也就是说旧配置无需迁移，切换模型即可自动恢复原行为。
• 本仓库兼容性回归覆盖见：tests/test_llm_channel_config.py、tests/test_market_analyzer_generate_text.py、tests/test_agent_pipeline.py、tests/test_system_config_service.py。
• 最小回滚方式：直接回退本次 LLM 参数适配相关改动，无需单独迁移已有 LLM_TEMPERATURE 配置。

• 官方与运行时兼容依据采用两层：第一层为官方接口语义（LiteLLM OpenAI-compatible 路由、OpenAI Chat Completions、Moonshot/Kimi 文档与官方模型说明）；第二层为本仓库当前运行时语义（litellm>=1.80.10,!=1.82.7,!=1.82.8,<2.0.0）下的实际错误归类。
• 本次兼容恢复只使用“本地运行时错误归类 + 单请求修正重试 + 进程内缓存”策略，不写入 .env、不做配置迁移，仅在执行路径上动态规避不支持参数（temperature、top_p、presence_penalty、frequency_penalty、seed）。若要回退，不需要额外迁移命令，恢复旧值即可。
• 回归与证据：tests/test_llm_param_recovery.py、tests/test_system_config_service.py、tests/test_llm_channel_config.py、tests/test_system_config_api.py、tests/test_market_analyzer_generate_text.py、tests/test_agent_pipeline.py；桌面导入与运行时清理回退另有 test_import_desktop_env_restores_runtime_models_after_cleanup 直接覆盖。

P0a usage telemetry 会为实际发送的 message 生成 HMAC-SHA256 指纹，用于后续判断相同 prompt/message 前缀是否稳定。该能力只写入本地 llm_usage 记录，不改变 prompt、provider 参数、cache hint、模型输出或 fallback 顺序。

Usage 来源按三层读取：

• 优先读取 provider / LiteLLM 公开响应字段 usage。
• 其次读取 LiteLLM 公开响应字段 usage_metadata。
• 最后才读取 _hidden_params["usage"]，这是 LiteLLM private/internal 的 best-effort fallback，不是稳定公共契约；缺失时只代表 usage/cache telemetry 可能不完整，不代表模型请求失败。

Cache token 归一化只做 allowlisted best-effort normalization。外部字段依据和运行时边界如下，避免把官方稳定契约、LiteLLM 当前归一化行为和本仓库兼容 allowlist 混为一谈：

LLM_USAGE_HMAC_SECRET=
LLM_USAGE_HMAC_KEY_VERSION=local-v1

• LLM_USAGE_HMAC_SECRET 留空时，系统会在数据目录生成 .llm_usage_hmac_secret，适合单部署本地比较。
• 只有需要跨部署比较 HMAC 时，才显式配置同一个高熵随机密钥；建议使用 openssl rand -hex 32 生成。
• .llm_usage_hmac_secret 是本地 secret artifact，已在 .gitignore 中按文件名忽略。
• 轮换密钥时同步更新 LLM_USAGE_HMAC_KEY_VERSION，避免不同密钥生成的 HMAC 被误比较。
• 不要复用登录 session secret，也不要把真实密钥提交到版本控制或暴露在 issue、日志、截图中。

Prompt cache 配置只控制本项目是否记录 cache usage / diagnostics，以及主分析路径是否主动发送已验证的 provider-specific hint；它不控制 OpenAI、Gemini、DeepSeek 等 provider 的 implicit / provider-managed cache。

LLM_PROMPT_CACHE_TELEMETRY_ENABLED=true
LLM_PROMPT_CACHE_HINTS_ENABLED=false
LLM_PROMPT_CACHE_DIAGNOSTICS_LEVEL=off

• LLM_PROMPT_CACHE_TELEMETRY_ENABLED=false 时，不持久化 provider raw usage JSON、normalized cache fields 和 cache decision diagnostics；基础 token usage 记录保持兼容。
• LLM_PROMPT_CACHE_HINTS_ENABLED=true 只允许主分析 / analyzer LiteLLM 路径向 registry 中已验证或 smoke-tested 的 provider / route 发送 prompt_cache_key、cache_control、user_id 等 hint。问股 Agent 路径当前只记录 capability / usage diagnostics，不主动发送 provider-specific hints。未知 OpenAI-compatible gateway 默认 telemetry only。
• LLM_PROMPT_CACHE_DIAGNOSTICS_LEVEL=basic 只在 debug 日志和测试可观察对象中提供 provider、api surface、verification status、hint applied / disabled reason 等非敏感枚举。debug 在同一范围内额外提供 HMAC-derived route/cache diagnostics 和 matched caps id，但仍禁止 raw prompt、request body、message content、股票/用户原文、webhook 或 API key；这些诊断不是公开 Usage API 或普通设置页输出。
• Provider Cache Capability Registry 是 src/llm/provider_cache.py 中的 code-level 手工能力表。条目带 doc_sources、last_verified_at 和 verification_status；新增 provider 或升级 LiteLLM 后应同步更新条目与测试。
• Prompt cache key、route key 和 DeepSeek session isolation 复用 LLM_USAGE_HMAC_SECRET / .llm_usage_hmac_secret 做 domain-separated HMAC，不新增 prompt-cache 专用 secret。

.5a 在普通个股分析路径为 legacy [system, user] message 追加内部稳定性审计字段，继续写入本地 llm_usage。它复用上面的 message HMAC，不修改 prompt 内容、message 顺序、provider 请求参数、cache hint、模型输出、fallback 顺序，也不扩展公开 Usage API 或 Web 页面。

新增字段只用于维护者诊断：

• language、market_group、analysis_mode、legacy_prompt_mode、provider、transport、message_count 描述本次普通个股分析调用的低敏路由上下文。
• skill_config_hmac 是基于已解析 skill prompt 片段、默认 skill 策略和 legacy prompt 模式生成的 HMAC-SHA256，用于判断 system message 是否随 skill configuration 变化；不会保存 skill 原文。
• known_dynamic_marker_positions 是 JSON string，只记录 marker_name、message_role、char_offset；不会保存股票代码、股票名称、日期、新闻正文、行情值、headers、response text 或 prompt 片段。
• estimated_total_prompt_tokens、approx_common_prefix_chars、approx_common_prefix_tokens 基于项目内稳定 canonical render 估算：按 message 顺序拼接 role + "\n" + content，并用固定分隔符连接。该口径不声称等同 provider 真实 wire bytes。
• char_offset 是 marker 在对应 message content 内的位置；approx_common_prefix_chars 是 canonical render 起点到第一个已知动态 marker 之前的字符数。没有 marker 时 common-prefix 字段为 NULL。
• token 估算使用 ceil(chars / 3)，只作 diagnostics，不替代 provider usage，也不参与 cache threshold 判定；中文场景可能偏低。

.5a 不引入 PromptBlock IR、block_id、stability_class、static_prefix_hash 或 dynamic_context_hash。Agent、research 与 market review 路径暂不接入该审计。

目标： 我不在乎学习门槛，我要最高控制权，我要用原生规则做企业级高可用！

这一层会直接映射到底层 LiteLLM 路由能力，支持高并发、自动重试、按 RPM/TPM 负载均衡等操作。

1. 在 .env 中只保留一行指向声明：

   LITELLM_CONFIG=./litellm_config.yaml

1. 在项目根目录创建一个 litellm_config.yaml（可以参考自带的 docs/examples/litellm_config.example.yaml）。

示例 litellm_config.yaml：

model_list:
  - model_name: my-smart-model
    litellm_params:
      model: deepseek/deepseek-v4-flash
      api_base: https://api.deepseek.com
      api_key: "os.environ/MY_CUSTOM_SECRET_KEY"  # 从环境变量读取 Key，安全防泄漏

  # Ollama 本地模型（无需 api_key）
  - model_name: ollama/qwen3:8b
    litellm_params:
      model: ollama/qwen3:8b
      api_base: http://localhost:11434

1. Settings → Secrets and variables → Actions。非敏感配置（如模型名、开关、Base URL）可以放在 Secret 或 Variables；凡是 _API_KEY / _API_KEYS 以及 LLM__API_KEY / LLM__API_KEYS 这类密钥字段，请统一放在 Secret 标签页的 New repository secret

1. 按下表配置，只有全部必填配置正确配置，YAML 高级配置模式才可以生效，YAML配置文件的写法，可以参考自带的 docs/examples/litellm_config.example.yaml

渠道模式无需上传 YAML 文件。仓库自带 00-daily-analysis.yml 已显式透传以下常用字段：

• 运行时选择：GENERATION_BACKEND、GENERATION_FALLBACK_BACKEND、GENERATION_BACKEND_TIMEOUT_SECONDS、GENERATION_BACKEND_MAX_OUTPUT_BYTES、GENERATION_BACKEND_MAX_CONCURRENCY、LOCAL_CLI_BACKEND_MAX_CONCURRENCY、AGENT_GENERATION_BACKEND、LLM_CHANNELS、LITELLM_MODEL、LITELLM_FALLBACK_MODELS、AGENT_LITELLM_MODEL、VISION_MODEL、VISION_PROVIDER_PRIORITY、LLM_TEMPERATURE、LLM_USAGE_HMAC_SECRET、LLM_USAGE_HMAC_KEY_VERSION、LLM_PROMPT_CACHE_TELEMETRY_ENABLED、LLM_PROMPT_CACHE_HINTS_ENABLED、LLM_PROMPT_CACHE_DIAGNOSTICS_LEVEL
• 多 Key：GEMINI_API_KEYS、ANTHROPIC_API_KEYS、OPENAI_API_KEYS、DEEPSEEK_API_KEYS（当前 workflow 仅从 repository secrets 导入，不会读取同名 Variables）
• 常用渠道名：primary、secondary、aihubmix、deepseek、dashscope、zhipu、moonshot、minimax、volcengine、siliconflow、openrouter、gemini、anthropic、openai、ollama

例如在 GitHub Actions 中配置 LLM_CHANNELS=primary,deepseek 时，需同步配置 LLM_PRIMARY_* / LLM_DEEPSEEK_*。其中 LLM_<NAME>_API_KEY / LLM_<NAME>_API_KEYS 当前也仅从 repository secrets 导入；如果你把这些值放在 Variables，运行时不会生效。若使用自定义渠道名（如 my_proxy），GitHub Actions 还必须在 workflow env: 中显式新增对应的 LLM_MY_PROXY_* 映射；本地 .env 和 Docker 不受这个限制。

三层配置互斥准则：YAML 优先级最高！只要配置了 YAML，渠道模式 和 新手极简模式 统统被忽略。系统优先级为：YAML配置 > 渠道模式 > 极简单模型。

系统中有些特定功能（比如上传股票软件截图，让 AI 提取出截图里的股票代码并放入自选股池）必须用到具备“视觉能力”的模型。你需在 .env 单独给它指派一个懂图片的模型。

# 指定你看图专用的模型名
VISION_MODEL=openai/gpt-5.5
# 别忘了填写它对应提供商的 API KEY，如果是 OpenAI 兼容渠道就提供 OPENAI_API_KEY：
# OPENAI_API_KEY=xxx

备用看图机制： 为了防止偶尔罢工，系统内置了切换策略。如果主视觉模型调用失败，它会按照下方的顺位尝试寻找是否有其他看图模型的 Key：

# 默认的备用顺序：
VISION_PROVIDER_PRIORITY=gemini,anthropic,openai

配好了之后心惊胆战不知道对不对？在命令行（Terminal）里敲入下面代码帮你挂号问诊：

• python scripts/check_env.py --config ：纯检测 .env 配置文件里的逻辑写得对不对，是不是少写了什么。（秒出结果，不调用网络，纯检查本地文本拼写）
• python scripts/check_env.py --llm ：系统会真的发一句问候语给大模型，让你亲眼看到他的回答。这能彻底测出你的网络通不通、账号有没有欠费。

*进阶老手的叮嘱：如果你开启了 Agent (深度思考网络搜索问股) 模式，这里有个经验之谈，推荐选用如 deepseek-v4-pro 这种逻辑推导能力更强的大模型。如果为了省钱用小微模型跑 Agent，它逻辑能力大概率跟不上，不仅达不到预期，还会白跑一堆空流程。*