Teaching Guide · Internal
TACO雷达
AI追踪特朗普大嘴股市预测系统 · 授课教师手册
v1.0 · 2026 · 适用学员 G9–G11（需Python基础）· 工橙院内部文件
Section 01
课程总览
课节数
12节
每节约 120 分钟
目标学员
G9–G11
需 Python 基础
最终产出
公开URL
+ GitHub仓库 + Demo视频 + Common App描述
12节课，从零做出一个全世界能访问的AI金融预测系统。学生从零开始，逐节搭建，最终亲手部署一个公开运行的AI系统——追踪特朗普言论对石油、黄金、美股市场的影响，并给出TACO概率（他会不会放狠话后又缩回去）。
三个阶段
第一阶段 · 数据层（S01–S04）
用yfinance抓取金融数据，matplotlib可视化走势并标注TACO事件，量化历史案例建立可比较的数据集，为RAG知识库打底。学生学会「让数据说话」。
第二阶段 · AI 层（S05–S08）
用Dify搭建RAG知识库，三个工作流串联：WF1言论分类器（强硬度1-10）→ WF2概率引擎（TACO概率%）→ WF3市场影响预测（石油/黄金/美股方向）。
第三阶段 · 产品层（S09–S12）
FastAPI包装三个工作流成后端API，Streamlit做前端界面，部署到Streamlit Cloud拿到公开URL，最后录3分钟Demo视频并写Common App活动描述。
技术栈
Python
yfinance
pandas / matplotlib
VS Code
GitHub Copilot
Dify（RAG + Workflow）
DeepSeek API
FastAPI
Streamlit
Streamlit Cloud
GitHub
12节课一览
| 节次 | 课程主题 | 阶段 | 学完拿到什么 |
|---|---|---|---|
| S01 | 项目设计 + TACO逻辑 + 环境 | 数据层 | 开发环境 + #1 项目初始化 |
| S02 | Python 金融数据抓取 | 数据层 | #2 言论+价格对齐表 |
| S03 | 金融数据可视化 | 数据层 | #3 三张PNG图表 |
| S04 | 历史案例量化分析 | 数据层 | #4 箱线图+rag_cases.csv |
| S05 | Dify入门 + RAG知识库搭建 | AI 层 | #5 可检索的AI知识库 |
| S06 | Dify工作流1：言论分类器 | AI 层 | #6 WF1可跑，hardness+domain |
| S07 | Dify工作流2：概率引擎 | AI 层 | #7 WF2可跑，TACO概率% |
| S08 | Dify工作流3：市场影响预测 | AI 层 | #8 三流串联+yfinance对账 |
| S09 | FastAPI 后端开发 | 产品层 | #9 POST /analyze接口 |
| S10 | Streamlit 前端开发 | 产品层 | #10 完整本地Web App |
| S11 | 系统整合 + 部署上线 | 产品层 | #11 公网URL上线 |
| S12 | Demo Day · 演讲与申请落地 | 产品层 | Demo视频 + Common App描述 |
Section 02
课堂组织建议
怎么用这本手册
每节一个卡片，包含本节速览（目标/前置/页数）、逐页讲法摘要、教师注意事项、课后产出。课件N键里的逐页备注是手册的详细版，投影时请勿按N（见第三部分）。
教学原则
先看终点，再走路：每节先展示成品（如S01先展示S12的最终URL），再拆解步骤。每个新工具/概念有独立引入页。平台注册按需分布各节，不集中第一节。动手时间不少于60%。
开课前必查
Python+VS Code+GitHub Copilot可用方案 · GitHub账号 · Dify云端账号（需VPN） · DeepSeek API Key（老师统一分发，不让学生自己注册付费） · VPN在教室可用
⚠️yfinance在国内连Yahoo Finance常超时。提前准备CSV备用数据，跟yfinance返回的DataFrame结构完全一样，超时2分钟果断切CSV，不要让学生死磕网络。
⚠️Dify需要VPN。提前测试教室网络，准备方案B（投屏演示）：VPN失败时老师用自己账号演示全流程，学生课后自己注册，不影响后续进度。
Section 03
12节详细教案
S01
数据层
项目设计 + TACO逻辑 + 环境
本节目标
理解TACO是什么（Trump Always Chickens Out）及三步循环逻辑
看到S12最终成品，建立"终点意识"
搭好开发环境：VS Code + Python + GitHub Copilot + GitHub账号
跑通第一行真实yfinance数据，完成commit #1
技术重点
VS Code + Python安装
venv虚拟环境
GitHub Copilot
git add/commit/push
yfinance基础
教师注意事项
「先看终点」是本节灵魂——务必先展示S12的公开URL成品，学生有画面感后才有动力
环境安装最容易卡课，提前备好Mac/Win各自的图文步骤。Python安装忘记勾Add to PATH是最高频错误
yfinance国内常连不上——超过2分钟果断切CSV预案，不要让学生死磕网络。CSV和yfinance的DataFrame结构完全一样
强调「看懂 > 会写」：这节不要求独立写代码，能读懂Copilot写的就达标
💡 Story Hook
TACO这个词：2025年5月《金融时报》专栏作家Robert Armstrong起的，后来华尔街交易员真把它做成交易策略。这词被记者当面问到特朗普本人，他当场发火说"这是最难听的问题"。
规模感：2025年4月2日Liberation Day，美股两天蒸发约6万亿美元市值——相当于日本全年GDP。一周后他就宣布暂停90天。这是TACO最经典的一次。
课程差异点：很多AI课结束学生只有一个Jupyter notebook，没法给别人看。这门课结束你有一个网址，可以直接发给招生官，对方点开就能用。
课后产出
✓ 开发环境四件套全部装好
✓ GitHub仓库已建立
✓ 跑通第一行真实数据（或CSV备案）
Git Commit#1 项目初始化
S02
数据层
Python 金融数据抓取
本节目标
用RSS+feedparser抓取特朗普相关新闻言论
用yfinance抓取USO/GLD/SPY/QQQ四资产历史价格
清洗合并成「言论+价格对齐表」，完成commit #2
技术重点
RSS + feedparser
Google News RSS
yfinance下载历史价格
pandas DataFrame
数据清洗四步
pd.merge按日期对齐
教师注意事项
为什么不用Twitter API：付费且受限。Google News RSS免费+按关键词搜索，反而更好用。工程思维：遇到障碍找绕过去的免费路
yfinance超时切CSV是标准做法，不是退而求其次——专业开发者遇到外部API不稳定，备用数据源是标准容错设计
合并后确认isnull全为0是数据干净的硬指标
💡 Story Hook
数据的价值：一个AI项目80%的时间花在搞数据上，只有20%在调模型。今天学的抓数据、清洗数据，正是真实AI工作里最耗时也最值钱的部分。
pandas来历：作者Wes McKinney当年在对冲基金工作，嫌Excel太慢自己写的。现在每天几百万人在用他当年的代码。
课后产出
✓ 言论抓取函数可用
✓ 四资产CSV已下载
✓ 合并表isnull全0，commit #2已推送
Git Commit#2 言论+价格对齐表
S03
数据层
金融数据可视化
本节目标
归一化处理四资产价格（让不同价位资产可同图比较）
用axvline在时间轴标注TACO事件（红=强硬/绿=软化）
用相关系数+热力图量化言论与市场的关系
产出3张PNG图表，commit #3
技术重点
归一化（indexing to 100）
matplotlib fig/ax分开写
axvline标注事件
pd.Timestamp
df.corr()相关矩阵
seaborn热力图
教师注意事项
两大高频坑：① parse_dates=True漏写→axvline报TypeError；② axvline的x=必须用pd.Timestamp，直接写字符串会报错。建议演示报错再修，比直接给正确答案记得牢
matplotlib中文显示需配置字体，否则图上中文是方块。提前给学生字体配置代码
强调"相关≠因果"——冰淇淋vs溺水的经典例子。把学生从"玄学预测"拉回"科学概率"
💡 Story Hook
axvline高光：2025年4月2日Liberation Day（两天蒸发约6万亿）和4月9日暂停90天——两条axvline，整个TACO故事一张图说清。这正是这个词的由来。
归一化：Bloomberg、Reuters的所有对比走势图默认都这么画。学生画的图和华尔街分析师交给基金经理的图，用的是同一个数学。
课后产出
✓ 归一化走势图PNG
✓ TACO事件标注图PNG
✓ 热力图PNG，commit #3已推送
Git Commit#3 三张PNG图表
S04
数据层
历史案例量化分析
本节目标
用箱线图对比TACO vs HOLD后市场反应分布
散点图+回归线：强硬度vs市场涨跌
生成rag_cases.csv（自然语言格式，S05知识库的原料）
技术重点
箱线图（五数统计）
axhline零线
散点图+np.polyfit趋势线
groupby分层分析
format_for_rag()函数
f-string多行模板
教师注意事项
⚠️ 关键衔接：本节产出的rag_cases.csv是S05知识库的输入，不是taco_cases.csv（S04的输入）。文件名要讲清楚，后面每节都用到
格式化为自然语言讲清楚：AI靠语义检索，纯数字它没法比；自然语言能让AI"听懂"历史案例的上下文
能说出结论比生成图更重要——从"会跑代码"到"会做分析"的分水岭
💡 Story Hook
RAG来历：2023年纽约律师用ChatGPT写法律文书，AI编造了6个根本不存在的判例，被法庭重罚。RAG就是解药：让AI先去真实资料库里查。学生今天做的rag_cases.csv就是这个判例库。
箱线图：John Tukey（还创造了"software"和"bit"这两个词）1970年代发明，今天仍是金融分析师比较策略收益的标配工具。
课后产出
✓ 箱线图PNG（TACO vs HOLD）
✓ 散点图PNG
✓ rag_cases.csv（20条自然语言案例），commit #4
Git Commit#4 箱线图 + rag_cases.csv
S05
AI 层
Dify入门 + RAG知识库搭建
本节目标
理解RAG：普通AI=闭卷，RAG AI=开卷先翻资料再答
配置Dify工作区+DeepSeek API Key
把rag_cases.csv转成taco_kb.txt上传成知识库
完成三种检索测试（关税中文/科技英文/语义反转），截图
技术重点
RAG离线建库+在线查询
Dify四大模块
CSV→TXT（用---做切片边界）
向量检索原理
召回测试三维度
教师注意事项
VPN是本节最高频卡点，必须开课前自己测一遍网络。方案B（投屏演示）是稳健兜底——老师用自己账号演示，学生课后自己注册
为什么不直接传CSV：embedding模型基于自然语言训练，CSV的列名和逗号会干扰理解。---分隔符不能省——漏掉就是漏掉chunk边界，20条可能被当成1个大chunk，检索完全失准
上传后需等向量化2-5分钟，告知学生别以为卡住了。索引模式必须选"高质量High Quality"
Q2用英文是故意的，测双语检索能力。Q3测语义检索：能不能匹配到语义相近但用词不同的案例
💡 Story Hook
向量的直觉：2013年Google word2vec的经典例子——"国王-男人+女人≈女王"，词的语义真的能做加减法。今天embed()干的就是这件事的升级版。
Dify：2023年开源的中国项目，GitHub几个月冲到几万星，被称作"LLM应用的乐高"。学生今天用的是全球开发者都在用的真实生产工具，不是教学玩具。
课后产出
✓ Dify工作区已配置
✓ 知识库"可用"状态
✓ 三种检索测试截图（含Dify界面）
Git Commit#5 知识库截图存档
S06
AI 层
Dify工作流1：言论分类器
本节目标
搭4节点工作流：Start→LLM（打分）→Code（清洗）→End
用Few-shot Prompt让AI输出hardness(1-10)/domain/reasoning三字段JSON
手动测准确率（对比rag_cases.csv人工标注，误差≤2达标）
技术重点
Dify工作流节点
Few-shot Prompt（≥5个示例）
Code节点四步清洗
防御性编程/try-except兜底
变量名大小写一致
教师注意事项
Prompt里"只输出JSON、不要多余文字"是稳定输出的关键。LLM会时不时加```json包裹或客套话——Code节点就是为了擦干净这些脏输出
变量名在节点间必须一致，大小写敏感，是高频卡点
Few-shot是本节灵魂：用例子"校准"AI的打分尺度，没有例子AI对"8分"和"5分"没概念。要求学生写≥5个，覆盖各领域
课上动手25分钟给Prompt优化（核心），批量测试留课后
💡 Story Hook
Never trust LLM output：2024年某公司客服AI被诱导输出脏话，因为后端无脑信任了LLM的原始输出。Code节点今天学生亲手写一遍，以后做任何AI系统都用得上。
Few-shot：2020年GPT-3论文标题就叫《Language Models are Few-Shot Learners》，震动业界：不用重新训练，只在Prompt里塞几个例子，模型当场就学会新任务。
课后产出
✓ WF1可运行
✓ 输出含三字段JSON
✓ 手动测几条误差≤2
Git Commit#6 WF1言论分类器
S07
AI 层
Dify工作流2：概率引擎
本节目标
搭5节点工作流：Start→LLM①（格式化查询）→Knowledge Retrieval（接S05知识库）→LLM②（算TACO概率）→Code→End
输出：taco_probability(0-100%) + confidence(high/medium/low) + reasoning + key_cases
用强硬/软化/模糊三条语句测试，对比probability和confidence差异
技术重点
Knowledge Retrieval节点
两个LLM职责分工
置信度confidence概念
向量相似度（余弦）
0-1归一化 vs 0-100
except兜底返50%
教师注意事项
开课必查：S05知识库还在、可用，WF1能跑。Knowledge Retrieval找不到知识库→确认S05上传了rag_cases.csv
两个LLM职责分离：LLM①只做"翻译"（把JSON说清楚成检索查询），LLM②才做"判断"（基于检索案例算概率）。这是关注点分离的工程思想
except兜底返50%而不是0%：50%="我不知道、一半一半"，比0%="绝对不会"诚实，且不让系统崩溃
让学生"运行前先猜概率"——被打脸是最好的学习，记忆比直接看结果深十倍
💡 Story Hook
TACO的反直觉：强硬度越高，历史上反而越常缩回去（TACO率更高）。2025年最赚钱的不是吓跑的散户，是反向抄底的机构——他们赌的就是TACO。
可解释AI：系统附带支撑案例，能解释"凭什么给出73%"。这是2024年企业最想要的AI能力——银行用AI拒绝贷款，法律要求必须说明理由。
课后产出
✓ WF2含5节点可运行
✓ 三条测试截图（含概率+置信度）
✓ commit #7已推送，GitHub有WF2截图
Git Commit#7 WF2概率引擎
S08
AI 层
Dify工作流3：市场影响预测
本节目标
搭WF3：TACO概率→翻译成石油/黄金/美股方向（up/down/neutral）
写run_full_taco_analysis()串联三个工作流
用yfinance拉真实行情对账AI预测（算±1%阈值准确率）
API Key进.env，.gitignore保护
技术重点
概率→方向映射（>70%涨）
Code节点枚举校验
yfinance拉真实行情
±1%阈值对账
load_dotenv + .env + .gitignore
教师注意事项
⚠️ Key进.env是本节的安全线，必须做。GitHub上每天有数千个API Key被爬虫扫到盗用，.gitignore漏了=全网泄露
TACO概率高→市场反而涨：最反直觉的地方慢讲。市场知道他大概率会缩，狠话一出反而有人抄底
AI不准很正常，知道哪里不准才是工程价值——看到SPY预测错，正确反应是问"为什么错"，不是沮丧
本节是AI层里程碑：三流串联完成，AI大脑建完了。S09给它装"能对外说话的嘴"
💡 Story Hook
密钥泄露：GitGuardian年报：公开仓库每年泄露上千万个密钥。有人.env没进.gitignore，凌晨push代码，早上醒来AWS账单几千刀，被人拿去挖矿。今天加的那一行.env，就是这道防线。
工程思维：AI预测不是最难的，"让AI出了问题也不崩"才是工程精髓。try/except兜底体现的是防御性编程——专业和业余的分水岭。
课后产出
✓ WF3跑通
✓ 三流串联函数可调用
✓ yfinance对账截图
✓ Key进.env，commit #8
Git Commit#8 三流串联 + yfinance对账 · AI层完成
S09
产品层
FastAPI 后端开发
本节目标
理解"前后端分离"：FastAPI是服务员，Dify是厨房，前端是顾客
搭POST /analyze接口，用Swagger UI本地测试
加try/except错误处理（超时504/解析失败500）
技术重点
FastAPI路由@app.post
BaseModel输入校验
dify_client.py关注点分离
Swagger UI /docs
HTTP状态码200/504/500
async def
教师注意事项
降负荷讲法：P05只讲路由一个概念（给函数挂网址），P06只讲BaseModel（检查门票），P07才合体。不要一页讲完所有
except顺序：最具体的错误（Timeout）放最前，Exception兜底放最后。顺序反了会有隐蔽bug
S09是"管道课"——AI大脑（S08）和前端界面（S10）之间的桥。强调main.py要"薄"：只接单、转交、返回
Dify不通时：后端用mock函数返回硬编码JSON，让学生先看到API框架在工作，Dify接通后再换真函数
💡 Story Hook
一个能被调用的API才算真正上线了——这是简历上能写的东西。GitHub排名靠前的开源AI项目几乎都是FastAPI后端+前端。学生今天写的@app.post，骨架和OpenAI、Anthropic对外提供的API是同一个思路。
Swagger UI：FastAPI白送的超能力——写好接口它自动生成可交互的测试网页，连文档都帮你写好了。这就是FastAPI这几年这么火的原因。
课后产出
✓ uvicorn无报错启动
✓ Swagger UI返回正确JSON
✓ 超时返回504，commit #9
Git Commit#9 POST /analyze接口
S10
产品层
Streamlit 前端开发
本节目标
用Streamlit做输入框+按钮+三栏指标卡界面
前后端联调：requests.post调/analyze，结果存session_state
加市场预测柱状图（涨绿跌红），本地完整跑通
技术重点
st.text_area/button/columns/metric
session_state（App的记忆）
Streamlit重运行机制
requests.post调后端
两个终端同时开
st.pyplot() + plt.close()
教师注意事项
session_state是本节最重要也最易误解的概念：Streamlit每次交互整脚本重跑，普通变量被清空，session_state像便利贴——重跑也不丢。讲清楚这个，联调代码就一目了然
两个终端必须同时开：终端①uvicorn后端在8000，终端②streamlit前端在8501。最常见事故：学生把后端终端关了
set_page_config必须放第一个st命令，否则报错
st.pyplot()嵌图，不是plt.show()（桌面程序用的）。必须plt.close(fig)释放内存，否则多次分析越跑越卡
💡 Story Hook
Streamlit来历：2019年几个MIT和斯坦福的人做的，专门让不懂前端的数据科学家也能做出网页。Netflix、Uber的数据团队都用它快速搭内部工具。
Task1+2跑通的那一刻：学生第一次看到自己写的完整系统（界面+后端+AI）端到端工作。这种"我做的东西真的能用"的成就感，比任何分数都更能留住对编程的热爱。
课后产出
✓ streamlit run无报错
✓ 输入言论三个metric显示
✓ 市场图正常显示，commit #10
Git Commit#10 完整本地Web App
S11
产品层
系统整合 + 部署上线
本节目标
整理代码库：README + requirements.txt + .gitignore
上云架构简化：Streamlit直接调Dify（去掉FastAPI中间层）
Streamlit Cloud一键部署，配置Secrets保护Key
拿到公开URL，端到端测3条真实言论
技术重点
requirements.txt
.gitignore（secrets.toml）
git add/commit/push
Streamlit Cloud部署5步
Secrets TOML配置
st.secrets读取Key
教师注意事项
上云架构决策（去掉FastAPI）必须讲清：S09学FastAPI是为了理解"前后端分离"这个工业核心概念；上云做减法是因为这个小项目用不上独立后端。学概念用完整版，部署用精简版
Secrets名字不匹配是全课最高频错误——让学生从代码复制名字，别手敲。TOML必须用英文双引号
先部署后配Key：部署完报KeyError是正常的，配好Secrets自动重启即解决。提前告知避免学生以为失败
部署等待5-10分钟易冷场：让先完成的学生帮卡住的同学（同伴教学最有效），或对照日志看进度
Streamlit免费版闲置会休眠：提醒学生演示前提前打开URL预热，冷启动十几秒别当众转圈
💡 Story Hook
密钥安全：GitHub上每天有数千个API Key被自动爬虫扫到盗用。GitGuardian年报：公开仓库每年泄露上千万个密钥。.gitignore那一行，学生的职业生涯第一道安全防线。
公开URL的分量：大学申请里，一个能让招生官当场打开测试的项目，胜过十个证书。有招生官说：打开就能验证的东西，没法包装。
课后产出
✓ GitHub仓库完整（README/requirements/.gitignore/源码）
✓ 公开URL可访问功能完整
✓ 3条分析截图已发课程群
Git Commit#11 公网部署上线
S12
产品层
Demo Day · 演讲与申请落地
本节目标
录3分钟Demo视频（四段结构：问题背景→演示→技术→收尾）
对三种听众练习讲解：父母（30秒零术语）/ 招生官（60秒英文）/ 技术同学（20秒全开）
写Common App活动描述草稿（≤150字符，强动词+具体数字+可验证成果）
技术重点
Demo视频四段结构
开场铁律（直接切问题）
三种听众三种讲法
Common App 150字符
QuickTime/OBS录屏
教师注意事项
本节技术含量低、表达含量高。"会做不会讲"是理工科学生最大的坎，多鼓励、给足练习时间
录屏最高频翻车：没开麦克风（录完没声音）。录前务必确认勾了麦克风
演示前先打开URL预热——免费版休眠，冷启动十几秒，当着招生官面转圈很尴尬
招生官英文版是最难也最值钱的，逼学生用英文讲清楚，不让他逃。录下来让学生自己回看
"最难挑战怎么解决的"是文书黄金素材——趁记忆新鲜写，半年后全忘了
💡 Story Hook
知识的诅咒：一旦你懂了一个东西，就很难想象不懂它的人是什么感受。越是专家越讲不清楚。破解的唯一办法：时刻站在听众的位置想"他现在懂多少"。
Common App铁律：150字符含空格标点。招生顾问的经验：一个强动词+一个具体数字+一个可验证成果，胜过一段空泛形容词。"Built""Led""Designed"开头比"Participated in"强太多。
收官：从工程师，变成讲故事的人。12节课，学生独立做出一个全世界能访问的AI系统，还能讲清楚它。代码写完了、系统跑起来了、URL是真实的——最后一件事，让别人听懂你做了什么，你也做到了。
课后产出
✓ 3分钟Demo视频（四段齐全）
✓ 三种听众讲解练过
✓ Common App草稿完成（≤150字符）
Git Commit— 收官课（可选README终版）
Section 04
HTML课件使用指南
⚠️第一次上课前必读。 TACO课件是单文件HTML，不是PowerPoint，有几个关键区别，不了解会在课堂上出状况。
🖥 怎么打开和翻页
双击HTML文件，用Chrome/Edge/Safari任意浏览器打开，按F11全屏。
键盘←→翻页，空格也是下一页。底部进度条显示当前页/总页数。
不用联网（课件本身离线）。但Dify/Streamlit Cloud/公开URL需要联网。
键盘←→翻页，空格也是下一页。底部进度条显示当前页/总页数。
不用联网（课件本身离线）。但Dify/Streamlit Cloud/公开URL需要联网。
⚠️ N键老师备注——最重要的注意事项
按N键会从右侧弹出老师备注面板（本页目标/关键讲法/Story Hook/建议时长）。这本手册就是所有N键备注的整理版。
⚠️ 关键：投影时如果你按N，备注面板会直接显示在投影幕上，学生全看得到（包括Story Hook和答案）。
课堂投影时：别按N。把备注内容提前从这本手册读熟，或打印出来/平板上看。
尤其是「问题页」（如S09/S12的反问页）：答案写在N键备注里，当众按N等于直接公布答案。
⚠️ 关键：投影时如果你按N，备注面板会直接显示在投影幕上，学生全看得到（包括Story Hook和答案）。
课堂投影时：别按N。把备注内容提前从这本手册读熟，或打印出来/平板上看。
尤其是「问题页」（如S09/S12的反问页）：答案写在N键备注里，当众按N等于直接公布答案。
📺 推荐的双屏方案
如果教室支持双屏（笔记本+投影）：把浏览器课件拖到投影屏全屏（F11）；笔记本自己屏幕上另开这本Teaching Guide（或打印稿）对照当前页。
不要在投影窗口按N。需要看备注就看手册。
单屏教室：直接用打印好的这本手册备课，投影只放课件，全程不按N。
不要在投影窗口按N。需要看备注就看手册。
单屏教室：直接用打印好的这本手册备课，投影只放课件，全程不按N。
✅ 上课前检查清单
- 课件能正常翻页（随便翻几页确认←→和进度条正常）
- 本节的Story Hook已读过（章末弹药提前看一遍）
- 投影别按N（提醒自己）
- 平台账号就绪（涉及Dify/GitHub/Streamlit的节次，确认账号能登录、Key在手边）
- VPN可用（S05-S08 Dify节次必查）
- URL预热（S11-S12：先打开公开URL唤醒，免费版会休眠，首次打开慢十几秒）
- yfinance备用CSV已准备（S01-S04相关节次）