1. 项目背景与功能
项目定位：
QuantDinger 旨在打造一个 Local-First（本地优先）的开源 AI 量化交易工作台。它被设计为 TradingView 和 QuantConnect 的私有化替代方案，核心理念是将数据所有权归还给用户。针对昂贵的 SaaS 平台痛点，它提供了一个集数据获取、AI 投研、策略回测、实盘交易于一体的自托管解决方案。
核心功能实体：
- 多源数据聚合： 统一封装了加密货币（CCXT）、美股（YFinance/Finnhub）、A 股（AkShare）的数据接口，提供标准化的 OHLCV（开高低收量）数据格式。
- 策略开发环境： 内置基于 Monaco Editor 的代码编辑器，支持 Python 语言编写策略。
- 可视化图表： 集成 TradingView 的 Lightweight Charts 库，用于 K 线展示和技术指标分析。
- LLM 辅助工具： 通过 API 调用外部大模型（OpenRouter），辅助生成代码片段或解读市场新闻（作为一个功能模块存在，而非系统核心）。
- 实盘/模拟交易： 支持对接交易所 API 进行订单路由和资产管理。
2. 技术选型与架构图
代码库目录结构（推断基于常见 Flask/Vue 项目）：
QuantDinger/
├── backend_api_python/ # 后端核心代码
│ ├── app/
│ │ ├── routes/ # API 路由层 (Controller)
│ │ ├── services/ # 业务逻辑层 (Service)
│ │ ├── models/ # 数据库模型 (ORM)
│ │ └── utils/ # 工具类 (加密、日志等)
│ ├── quantdinger.db # SQLite 数据库文件
│ ├── requirements.txt # Python 依赖
│ └── run.py # Flask 启动入口
├── quantdinger_vue/ # 前端代码
│ ├── src/ # Vue 源码
│ └── package.json # Node 依赖
└── docker-compose.yml # 容器编排配置
技术栈详情：
- 前端： Vue.js 3, Vite, TypeScript, Lightweight Charts (K 线图), Element Plus (UI 组件)。
- 后端： Python Flask (Web 框架), SQLAlchemy (ORM), Pydantic (数据校验)。
- 数据适配层：
- ccxt: 处理 100+ 加密货币交易所的 REST/WebSocket 数据。
- akshare: 爬取 A 股财经数据。
- yfinance: 获取美股历史数据。
- 持久化： SQLite (轻量级文件数据库，无需额外部署 MySQL/PG)。
3. 数据库设计
项目采用 SQLite (quantdinger.db) 存储元数据，避免了繁重的数据库维护。主要数据表（Model）设计如下：
- users 表
- 用于基础的身份验证。
- 字段：id, username, password_hash, api_token。
- api_keys 表
- 存储交易所的访问凭证。
- 字段：id, exchange_name, api_key (AES 加密存储), secret_key (AES 加密存储), user_id。
- strategies 表
- 存储用户编写的策略代码及配置。
- 字段：id, name, code_content (Text 类型，存储 Python 源码), timeframe (如 '1h', '1d'), symbol (如 'BTC/USDT'), status (RUNNING/STOPPED)。
- logs / trade_history 表
- 记录策略运行时的信号和成交记录。
- 字段：id, strategy_id, timestamp, action (BUY/SELL), price, amount, message。
4. 核心模块实现详解
4.1 后端接口层 (app/routes)
基于 Flask Blueprint 实现 RESTful API，主要包含：
- Market Route (/api/market): 接收前端的时间范围、标的参数，调用数据服务层，返回 JSON 格式的 K 线数组。
- Strategy Route (/api/strategy):
- POST /save: 接收 Python 代码字符串并存入数据库。
- POST /run: 触发策略执行逻辑。
- GET /logs: 轮询读取策略运行日志。
- LLM Route (/api/llm): 作为一个透传代理，将前端的 Prompt 封装后转发给 OpenRouter API，并将返回的 Code 或 Text 传回前端。
4.2 数据适配服务 (app/services/data_factory.py)
这是一个典型的工厂模式实现，用于屏蔽不同数据源的差异：
- 定义统一接口 IDataSource，包含方法 fetch_ohlcv(symbol, timeframe, limit)。
- Crypto 实现类： 实例化 ccxt.binance() 或 ccxt.okx()，处理 API 签名和网络请求。
- Stock 实现类： 调用 akshare 的函数或 yfinance.download()，并将返回的 Pandas DataFrame 转换为统一的 [timestamp, open, high, low, close, volume] 列表格式。
4.3 策略执行引擎 (app/services/execution_engine.py)
这是系统的核心，负责运行用户的 Python 代码。
- 动态执行： 使用 Python 内置的 exec() 函数或 importlib 动态加载用户编写的代码字符串。
- 沙箱/上下文注入： 在执行 exec() 时，通过 locals 参数注入系统封装好的 API 对象（如 buy(), sell(), get_data()），使得用户代码可以直接调用这些函数而无需关心底层实现。
- 进程管理： 为了防止策略死循环阻塞 Web 服务，每个运行的策略通常由 multiprocessing 启动一个独立进程或线程来运行。
5. 部署运行步骤
项目依赖环境较为复杂（涉及 Python 数据科学库和 Node 环境），强烈建议使用 Docker。
- 环境配置：
- 在项目根目录创建 .env 文件。
- Backend 容器： 基于 python:3.10-slim，自动 pip install 依赖并启动 Flask (Gunicorn)。
- Frontend 容器： 基于 Nginx，构建 Vue 产物并托管静态文件，同时配置反向代理将 /api 请求转发给 Backend 容器。
- 访问：
- 浏览器访问 http://localhost:80 (或 docker-compose 中映射的端口)。
- 初始化管理员账号（首次启动时可能需要查看 docker logs 获取初始密码或手动创建）。
构建与启动：
# 利用 Docker Compose 编排前后端
docker-compose up -d --build
配置关键变量：
FLASK_APP=run.py FLASK_ENV=production SECRET_KEY=your_secure_key # 用于 Session 加密
OPENROUTER_API_KEY=sk-xxx # 如果不需要 LLM 功能可留空
6. 项目总结与优化方向
项目总结： QuantDinger 本质上是一个 Web 版的 Python 量化脚本运行器。它通过 Web 界面降低了 ccxt 和 pandas 的使用门槛，利用 SQLite 实现了轻量级的数据持久化。其去中心化的架构使得交易策略和 API 密钥完全掌握在用户手中，适合对隐私敏感且具备一定 Python 基础的个人交易者。
优化方向 (代码与架构层面)：
- 安全性增强 (Sandboxing)： 目前使用 exec() 执行用户代码存在安全风险。建议引入 Docker 里的 Docker (DinD) 或使用 gVisor 为每个策略分配独立的沙箱容器，防止恶意代码读取文件系统。
- 数据存储升级： SQLite 并不适合存储海量 Tick 级金融数据。建议引入 TimescaleDB 或 InfluxDB 替换 SQLite 作为行情数据的存储后端，提高查询效率。
- 事件驱动引擎： 目前架构偏向于简单的脚本轮询。建议重构为事件驱动 (Event-Driven) 架构，引入消息队列 (Redis/RabbitMQ)，实现'行情更新 -> 触发事件 -> 策略响应 -> 交易执行'的低延迟链路。
- 代码复用模块化： 允许用户上传自定义的 Python 库或模块（.py 文件），而不仅仅是单文件脚本，以便复用复杂的指标计算逻辑。
