【标签】 按所选赛道选择话题标签：生活娱乐/学习工作/社会服务/硬件交互，必须四选一；参加附加赛题的还可加选 社会公益 标签。（需要跟报名通过的赛道保持一致）
【标题】 报名赛道 + Demo 名称
（示例：【生活娱乐赛道】+XXXX
【正文】 至少包含以下 4 个部分，可以增加额外的部分（比如自我介绍、经验总结、踩坑复盘等）
0. 先和大家打个招呼吧 
-
你是谁： 商品研究员和研究团队管理者；
-
你是怎么用 TRAE 把 Demo 做出来的： 把自己的需求整理好，设定清晰的架构，在使用-反馈-增加需求的过程中不断迭代和debug。
-
在这个过程中我不断熟悉Trae，逐渐用不同的窗口赋予Trae不同的角色：数据处理员、功能开发工程师、服务器管理员、数据计算工程师、用户管理工程师、UI设计师、AI agent设计师、性能和安全审查工程师等等。
-
而随着Trae在过去的不断优化，加入Design模式，以及引入了Seed2.1、GLM5.2、Minimax3.0、Kimi2.7之后，整体效率得到了很大提升，使得我能够从报名时只希望做一个生猪的看板平台，如今拓展到全商品的研究系统平台。
1. Demo 简介
-
是什么：灵思(Linspiration)是一个面向大宗商品研究团队的一体化研究系统（Web 网站/系统），将多源数据展示、研究分析（数据选取→计算→回归）、研究发布与用户权限治理整合在同一平台，支持对内协作与对外发布。
-
面向谁：
- 大宗商品研究员（核心用户，需要在多源数据上做分析、撰写研究、沉淀模板）
- 研究部门管理者（需要治理团队权限、把控对外发布内容、统一数据口径）
- 内部协作同事、外部客户（差异化访问权限）
-
主要功能：
-
① 多源大宗商品数据统一展示 整合生猪、鸡蛋、豆油、棕榈油、螺纹钢、铜、橡胶、PTA 等 30+ 品种，数据来源覆盖 Excel 上传（Wind/钢联格式）、AKShare 行情接口、未来 API/MCP，统一沉淀到 SQLite 并按品种→分类→Sheet→列 的树形结构组织。每个图表支持图表说明、数据来源、单位等元数据编辑。
-
② 研究工作台（数据→计算→回归→发布一体化） 研究员可在工作台从数据池选取任意指标 → 数据计算（同比/环比/累计/均值）→ 回归分析（相关系数、回归方程、R²）→ 组装为多页面分析师报告 → 发布为带版本历史的模板。支持图片块、富文本块、表格转置、图表统一编号等研究写作能力。
-
③ 五级角色权限 + 品种级锁定
admin / researcher / internal / external / guest五级角色，其中研究员通过locked_varieties字段精确控制可编辑哪些品种的图表说明和元数据——空列表表示全部锁定。外部客户和游客分别走只读和模糊预览模式。Bug/需求、工作交流论坛不受品种限制，保证跨品种协作畅通。
2. Demo 创作思路
-
灵感来源：你为什么想到做这个；
- 我是一名大宗商品研究员，同时也是研究部门的管理者。日常工作中长期被几个痛点折磨——50多个品种数据散落在Wind 终端、钢联终端、AKShare 等数十个来源，无法统一管理和共享；研究员的研究成果难以沉淀为可复用的模板和报告；对内对外发布需要差异化权限，但市面通用工具难以做到品种级别的精细控制。更关键的是，市场上现有研究工作平台要么是通用 BI（不懂品种逻辑、不懂研究员工作流），要么是昂贵的专业终端（不够灵活、无法自定义），始终没有一个"研究员自己设计的研究工具"
-
想解决的问题：用户真实存在的痛点；
- 数据孤岛：50+ 品种、多源数据散落在不同工具，研究员需在各类数据终端间反复切换，效率低下
- 研究协作断层：研究员的图表说明、元数据、分析结论缺乏统一沉淀载体，人员变动即流失
- 权限治理缺失：对内对外发布需要差异化——研究员只能编辑自己负责品种、外部客户只读、游客模糊预览，通用工具做不到品种级锁定
- 工具链割裂：数据展示、计算、回归、发布分散在不同工具，缺乏从"看数据"到"出报告"的一体化工作流
-
为什么做这个方向：你的判断和取舍。
- 大宗商品研究是专业垂直领域，通用 BI/协作工具不懂品种逻辑、不懂研究员工作流，采购商业研究平台又贵又不灵活
- 借助 TRAE，一个懂业务的研究员可以自己设计并实现一个轻量、可对内对外部署的研究系统，验证"研究员自研研究工具"的可行性
- 团队规模小但需求复杂，自建可控、可迭代，长期成本远低于采购
**3. Demo 体验地址（灵思
- * 游客体验地址，目前开放非核心账号（账号：Test001，密码：testpassord）权限为内部用户（共五级权限：游客、CIP、内部用户、研究员、管理员）
- 该项目已经布局在公网，但由于合规和数据保护要求无法查看“用户管理”、“研究中心”、“研究助手（Ai agent）”等核心功能，如需要可以联系 weixinsean@163.com 说明来意并索取试用账号
4. TRAE 实践过程
-
本项目从需求构思到上线部署，全程使用 TRAE 完成，主要经历以下几个阶段：
阶段一：需求与架构设计 通过自然语言与 TRAE 对话，梳理出"多源数据整合 → 研究工作台 → 权限治理"的核心架构，确定 Python/Flask 后端 + 原生前端 + SQLite + Cloudflare Tunnel 的轻量技术栈（贴合内部使用、公网无域名的初始约束）。
阶段二：数据层建设 让 TRAE 实现 Excel 上传解析（Wind/钢联双格式、双行表头、0 值转空、重大差异检测）、AKShare 行情接入、ETL 并发导入（ThreadPoolExecutor + 按品种分锁 + 重试机制）、variety_meta.json 品种元数据驱动。
阶段三：展示层建设 TRAE 实现 30+ 品种的图表渲染（ECharts）、数据筛选器树（批量 DB 查询优化）、图表说明编辑、图表/图片统一编号。
阶段四：研究工作台 TRAE 实现数据池选取、数据计算、回归分析、模板发布、多页面分析师报告、版本历史回溯。
阶段五：权限治理 TRAE 实现五级角色 + locked_varieties 品种锁定、越权防护（用存储的 variety 校验而非前端传值）、CSRF 防护、JWT token_version 撤销机制。
阶段六：性能与安全加固 以"安全和性能工程师"视角让 TRAE 做了全盘代码审查（109 个问题）+ 按优先级修复 + 重启验证回归 Bug。
阶段七：部署上线 TRAE 指导配置 Cloudflare Tunnel 公网访问、waitress 32 线程生产服务器、ETag 客户端缓存、前端 bundle 合并（49 个请求→9 个）。
5. 对应的报名审核通过的帖子链接
Session ID 在哪找？ Session ID 是 TRAE 每段对话任务的唯一标识，用来证明作品确实由 TRAE 开发完成。请在创作时保留关键任务的对话记录，发帖时附上对应 Session ID——双击 TRAE 的对话复制出来即可。（如下图）
