Encodes the input data into quantized indices. Args: x (torch.Tensor): Input tensor of shape (batch_size, seq_len, d_in)

Encodes the input data into quantized indices. Args: x (torch.Tensor): Input tensor of shape (batch_size, seq_len, d_in)

渲染并保存 HTML

使用指定搜索引擎执行网络搜索，结果会被缓存以提高效率。 Args: query: 搜索关键词，如 "英伟达财报" 或 "光伏行业政策"。 engine: 搜索引擎选择。可选值:

Factory to get the appropriate LLM model. Args: model_provider: "openai", "ollama", "deepseek" model_id: The specific mo

Factory to get the appropriate LLM model. Args: model_provider: "openai", "ollama", "deepseek" model_id: The specific mo

使用指定搜索引擎执行网络搜索，结果会被缓存以提高效率。 Args: query: 搜索关键词，如 "英伟达财报" 或 "光伏行业政策"。 engine: 搜索引擎选择。可选值:

使用指定搜索引擎执行网络搜索，结果会被缓存以提高效率。 Args: query: 搜索关键词，如 "英伟达财报" 或 "光伏行业政策"。 engine: 搜索引擎选择。可选值:

使用指定搜索引擎执行网络搜索，结果会被缓存以提高效率。 Args: query: 搜索关键词，如 "英伟达财报" 或 "光伏行业政策"。 engine: 搜索引擎选择。可选值:

分析文本的情绪极性。根据初始化时的 mode 自动选择分析方法。 Args: text: 需要分析的文本内容，如新闻标题或摘要。 Returns: 包含以下字段的字典

Encodes the input data into quantized indices. Args: x (torch.Tensor): Input tensor of shape (batch_size, seq_len, d_in)

生成股票 K 线图 + 成交量 + 预测趋势 (支持多状态 K 线)

Factory to get the appropriate LLM model. Args: model_provider: "openai", "ollama", "deepseek" model_id: The specific mo

执行自定义 SQL 查询

执行自定义 SQL 查询

Factory to get the appropriate LLM model. Args: model_provider: "openai", "ollama", "deepseek" model_id: The specific mo

获取指定股票的历史价格数据。优先从本地缓存读取，缺失时自动从网络补齐。 Args: ticker: 股票代码，如 "600519"（贵州茅台）或 "000001"（平安银行）。 start_date:

训练 BM25 模型

训练 BM25 模型

训练 BM25 模型

准备语料库用于分词

准备语料库用于分词

准备语料库用于分词

分析文本的情绪极性。根据初始化时的 mode 自动选择分析方法。 Args: text: 需要分析的文本内容，如新闻标题或摘要。 Returns: 包含以下字段的字典

分析文本的情绪极性。根据初始化时的 mode 自动选择分析方法。 Args: text: 需要分析的文本内容，如新闻标题或摘要。 Returns: 包含以下字段的字典

使用 BERT 进行批量高速情绪分析。 Args: texts: 需要分析的文本列表。 Returns: 与输入列表等长的分析结果列表。

使用 BERT 进行批量高速情绪分析。 Args: texts: 需要分析的文本列表。 Returns: 与输入列表等长的分析结果列表。

使用 BERT 进行批量高速情绪分析。 Args: texts: 需要分析的文本列表。 Returns: 与输入列表等长的分析结果列表。

执行自定义 SQL 查询

使用 Jina Reader 提取网页正文内容 (Markdown 格式) 无 API Key 时自动限速：每分钟最多 20 次请求，每次间隔至少 3 秒

使用 Jina Reader 提取网页正文内容 (Markdown 格式) 无 API Key 时自动限速：每分钟最多 20 次请求，每次间隔至少 3 秒

使用 Jina Reader 提取网页正文内容 (Markdown 格式) 无 API Key 时自动限速：每分钟最多 20 次请求，每次间隔至少 3 秒

Render ISQ dimension text block based on the template. This allows prompt text to stay in sync with template edits.

Render ISQ dimension text block based on the template. This allows prompt text to stay in sync with template edits.

Render ISQ dimension text block based on the template. This allows prompt text to stay in sync with template edits.

生成 Loss 下降曲线图

Factory to get the appropriate LLM model. Args: model_provider: "openai", "ollama", "deepseek" model_id: The specific mo

获取搜索缓存 (优先查 search_detail)

获取搜索缓存 (优先查 search_detail)

获取搜索缓存 (优先查 search_detail)

获取指定 template

获取指定 template

获取指定 template

检查并更新股票列表。仅在列表为空或 force=True 时从网络拉取。

检查并更新股票列表。仅在列表为空或 force=True 时从网络拉取。

检查并更新股票列表。仅在列表为空或 force=True 时从网络拉取。

训练向量模型并生成 Embeddings

训练向量模型并生成 Embeddings

训练向量模型并生成 Embeddings

使用 BERT 进行批量高速情绪分析。 Args: texts: 需要分析的文本列表。 Returns: 与输入列表等长的分析结果列表。

使用 LLM 进行深度情绪分析，可获得详细的分析理由。 Args: text: 需要分析的文本，最多处理前 1000 字符。 Returns: 包含 score, l

使用 LLM 进行深度情绪分析，可获得详细的分析理由。 Args: text: 需要分析的文本，最多处理前 1000 字符。 Returns: 包含 score, l

使用 LLM 进行深度情绪分析，可获得详细的分析理由。 Args: text: 需要分析的文本，最多处理前 1000 字符。 Returns: 包含 score, l

1. Find days with significant price movements (Look back 1 year)

1. Find days with significant price movements (Look back 1 year)

1. Find days with significant price movements (Look back 1 year)

Encodes the input data into quantized indices. Args: x (torch.Tensor): Input tensor of shape (batch_size, seq_len, d_in)

获取股票列表。 Args: market: 'a' for A股, 'hk' for 港股

2. Search for reasons and verify causality using LLM

2. Search for reasons and verify causality using LLM

2. Search for reasons and verify causality using LLM

获取活跃的预测市场，用于分析公众情绪和预期。 预测市场数据可以反映: - 公众对重大事件的预期概率 - 市场情绪和风险偏好 - 热门话题的关注度 Args: