diff --git a/ai_era_survival_guide_for_fullstack_devs.md b/ai_era_survival_guide_for_fullstack_devs.md
new file mode 100644
index 0000000..a73c776
--- /dev/null
+++ b/ai_era_survival_guide_for_fullstack_devs.md
@@ -0,0 +1,85 @@
+您好！您提出的问题非常深刻，也是当前许多技术从业者，尤其是程序员，普遍关心的问题。AI的飞速发展确实给软件行业带来了前所未有的变革和挑战，但同时也催生了新的机遇。作为一名全栈程序员，与其焦虑被取代，不如主动拥抱变化，提升自己，找到在AI时代新的价值定位。
+
+以下是我从多个角度进行的分析，并针对全栈程序员提出的具体建议：
+
+**一、 AI时代对全栈程序员的挑战与机遇**
+
+*   **挑战：**
+    *   **自动化编码：** AI在代码生成、Bug修复、测试用例生成等方面的能力越来越强，可能会替代一部分基础和重复性的编码工作。
+    *   **技能快速迭代：** 技术更新速度加快，需要不断学习新的AI相关技术和工具。
+    *   **竞争加剧：** 具备AI技能的开发者将更具竞争力。
+*   **机遇：**
+    *   **效率提升：** AI可以作为强大的助手，帮助开发者从繁琐的任务中解放出来，更专注于高层次的设计和创新。
+    *   **新的应用场景：** AI正在渗透到各行各业，催生了大量AI驱动的应用需求，为全栈开发者提供了广阔的用武之地。
+    *   **价值链重塑：** 开发者可以从单纯的"代码工人"转变为"AI赋能者"或"AI应用架构师"，创造更大的价值。
+
+**二、 全栈程序员的核心竞争力提升策略**
+
+AI时代，单纯掌握前后端技术栈可能不足以应对挑战。以下是一些关键能力和发展方向：
+
+1.  **深化AI/ML知识与应用能力 (AI Literacy & Integration)**
+    *   **深层分析：** AI不仅仅是调用API。理解机器学习的基本原理、不同模型的适用场景（如监督学习、无监督学习、强化学习、深度学习、大语言模型等）、数据处理与特征工程、模型评估与调优，将使您能够更好地将AI融入实际项目中，而不仅仅是表面集成。
+    *   **切实建议与步骤：**
+        1.  **系统学习：**
+            *   **理论基础：** 学习吴恩达的《Machine Learning》或《Deep Learning Specialization》等经典在线课程，建立对AI/ML的系统认知。
+            *   **实践平台：** 熟悉主流的AI/ML框架和库，如Python下的TensorFlow, PyTorch, Scikit-learn, Hugging Face Transformers。
+        2.  **项目实践：**
+            *   **小型项目入手：** 尝试将预训练模型（如OpenAI GPT系列、Google Gemini、各种开源模型）集成到您的全栈项目中，例如实现智能客服、内容推荐、图像识别等功能。
+            *   **关注数据：** 学习数据清洗、数据标注、数据增强等技能，高质量的数据是AI模型的基石。
+        3.  **理解模型局限性：** 学习AI模型的偏见、可解释性问题，并了解如何缓解这些问题。
+        4.  **探索MLOps：** 了解模型部署、监控、版本控制等MLOps（机器学习运维）的基本概念和工具，这对于将AI模型落地到生产环境至关重要。
+
+2.  **强化复杂系统设计与架构能力 (Complex Problem Solving & System Design)**
+    *   **深层分析：** AI擅长解决定义明确的问题，但在理解模糊的业务需求、设计健壮且可扩展的复杂系统、进行跨领域创新等方面，人类的洞察力和架构能力依然不可或缺。您需要从"实现者"转变为"设计者"和"问题定义者"。
+    *   **切实建议与步骤：**
+        1.  **深入理解业务：** 不仅仅是完成需求，更要理解需求背后的商业逻辑和用户痛点。
+        2.  **学习设计模式与原则：** 深入学习微服务架构、领域驱动设计（DDD）、SOLID原则、CAP理论等，并应用于实践。
+        3.  **关注非功能性需求：** 在设计系统时，充分考虑性能、可伸缩性、安全性、可靠性、可维护性。
+        4.  **跨栈整合能力：** 全栈的优势在于能够端到端地思考和设计系统，将前端、后端、数据库、缓存、消息队列以及AI模块有效地整合起来。
+        5.  **参与开源项目或研究复杂案例：** 通过学习和贡献大型开源项目，或深入分析现有成功复杂系统的架构，提升设计能力。
+
+3.  **精通人机协作与AI工具链 (Human-AI Collaboration & Prompt Engineering)**
+    *   **深层分析：** 未来开发不再是单打独斗，而是与AI协同工作。如何高效地利用AI工具（如GitHub Copilot, Cursor, ChatGPT等）辅助开发，如何通过精准的指令（Prompt Engineering）引导AI产生期望的输出，将成为核心技能。
+    *   **切实建议与步骤：**
+        1.  **拥抱AI编程助手：** 熟练使用至少一款AI代码辅助工具，学习其高级功能和最佳实践。
+        2.  **学习Prompt Engineering：**
+            *   **结构化指令：** 学习如何给出清晰、明确、包含上下文的指令。
+            *   **迭代优化：** 像调试代码一样调试和优化你的Prompt。
+            *   **不同模型的Prompt技巧：** 了解不同AI模型（文本生成、代码生成、图像生成等）的Prompt特性。
+        3.  **构建AI辅助工作流：** 将AI工具整合到开发、测试、文档编写、代码审查等各个环节，形成高效的人机协作流程。
+        4.  **批判性思维：** 对AI生成的内容保持警惕，进行验证和修改，确保质量和安全。
+
+4.  **拓展领域知识与交叉技能 (Domain Expertise & Interdisciplinary Skills)**
+    *   **深层分析：** "全栈"可以不仅仅局限于技术栈，更可以拓展到特定的业务领域。将您的全栈技能与某个垂直行业（如金融科技、医疗健康、教育、智能制造等）的知识结合，或者与设计、产品管理、数据分析等其他技能结合，可以形成独特的竞争优势。
+    *   **切实建议与步骤：**
+        1.  **选择感兴趣或有前景的领域：** 深入学习特定行业的业务流程、痛点和技术需求。
+        2.  **学习该领域的数据特点和AI应用场景：** 例如，金融领域的风控模型、医疗领域的影像分析等。
+        3.  **考取相关认证或参与行业交流：** 提升在该领域的专业度和认知度。
+        4.  **主动寻求跨学科合作：** 与产品经理、设计师、数据科学家等不同角色的人紧密合作，拓宽视野。
+
+5.  **培养软技能与终身学习能力 (Soft Skills & Lifelong Learning)**
+    *   **深层分析：** 在AI时代，沟通、协作、创造力、批判性思维、情绪智能、解决复杂未知问题的能力等软技能，其重要性愈发凸显。这些是AI短期内难以替代的。同时，技术日新月异，保持好奇心和学习热情是生存之本。
+    *   **切实建议与步骤：**
+        1.  **提升沟通与协作：** 积极参与团队讨论，清晰表达技术方案，有效进行跨团队协作。
+        2.  **锻炼解决问题的能力：** 面对复杂问题，能够系统性地分析、拆解，并提出创新性的解决方案。
+        3.  **培养适应性与韧性：** 坦然接受技术变革带来的不确定性，快速适应新的工具和方法论。
+        4.  **建立个人学习体系：** 关注行业动态，定期阅读技术博客、论文，参加线上线下技术分享，制定学习计划并坚持执行。
+        5.  **建立个人品牌：** 通过写博客、参与开源、在技术社区分享等方式，展示自己的专业能力和思考。
+
+**三、 AI时代获取收入的途径**
+
+1.  **成为AI赋能的全栈工程师/架构师：** 在企业中，利用AI工具和技术栈，主导或参与开发更智能、更高效的应用系统。薪资水平会因AI技能的掌握程度而提升。
+2.  **AI应用开发与咨询：** 针对特定行业或场景，开发定制化的AI解决方案或提供AI集成咨询服务。这可以作为自由职业者、独立顾问或创业方向。
+3.  **开发AI相关工具或平台：** 如果有深厚的技术积累，可以考虑开发服务于AI开发者或用户的工具、库、平台（例如，更易用的模型部署工具、特定领域的AI模型即服务MaaS等）。
+4.  **AI教育与培训：** 随着AI技能需求的增加，相关的教育和培训市场也会扩大。您可以凭借专业知识提供课程、工作坊或撰写教程。
+5.  **内容创作与知识付费：** 围绕AI技术、应用案例、学习心得等进行内容创作（博客、视频、播客），通过广告、订阅或赞助获得收入。
+6.  **参与AI开源项目并寻求商业机会：** 深度参与有影响力的AI开源项目，不仅能提升技能，也可能带来商业合作或被优秀企业发现的机会。
+7.  **创业：** 发现AI可以解决的实际问题或未被满足的市场需求，组建团队进行创业。例如，开发AI驱动的SaaS产品。
+
+**总结与心态建设：**
+
+AI时代对全栈程序员而言，挑战与机遇并存。关键在于从"执行者"向"赋能者"、"设计者"和"创新者"转变。与其恐惧被替代，不如将AI视为强大的伙伴和工具，不断学习，提升自身在复杂问题解决、系统架构、人机协作以及领域专业知识方面的核心竞争力。
+
+**最重要的心态是拥抱变化、终身学习和积极行动。** 现在就开始规划并执行您的技能提升计划，您就能在AI时代找到属于自己的新天地并持续创造价值。
+
+希望这些分析和建议对您有所帮助！ 
\ No newline at end of file
diff --git a/examples/example_trade.py b/examples/example_trade.py
index 6664b9d..07320a5 100644
--- a/examples/example_trade.py
+++ b/examples/example_trade.py
@@ -5,7 +5,7 @@ URL = "http://trader.biggerfish.tech:9527/yu"
 # 策略名称常量
 STRATEGY = "香港证券ETF网格"
 
-def buy(code: str, price: float, amount: int, strategy_name: str = STRATEGY) -> dict:
+def buy(code: str, price: float, amount: int, strategy_name: str = STRATEGY, order_type: str = "market") -> dict:
     """买入股票
     
     Args:
@@ -13,17 +13,19 @@ def buy(code: str, price: float, amount: int, strategy_name: str = STRATEGY) ->
         price: 买入价格
         amount: 买入数量
         strategy_name: 策略名称
+        order_type: 订单类型，可选值为 "market" 或 "limit"
     """
     data = {
         "code": code,
         "price": str(price),
         "amount": str(amount),
-        "strategy_name": strategy_name
+        "strategy_name": strategy_name,
+        "order_type": order_type
     }
     response = requests.post(f"{URL}/buy", json=data)
     return response.json()
 
-def sell(code: str, price: float, amount: int, strategy_name: str = STRATEGY) -> dict:
+def sell(code: str, price: float, amount: int, strategy_name: str = STRATEGY, order_type: str = "market") -> dict:
     """卖出股票
     
     Args:
@@ -31,12 +33,14 @@ def sell(code: str, price: float, amount: int, strategy_name: str = STRATEGY) ->
         price: 卖出价格
         amount: 卖出数量
         strategy_name: 策略名称
+        order_type: 订单类型，可选值为 "market" 或 "limit"
     """
     data = {
         "code": code,
         "price": str(price),
         "amount": str(amount),
-        "strategy_name": strategy_name
+        "strategy_name": strategy_name,
+        "order_type": order_type
     }
     response = requests.post(f"{URL}/sell", json=data)
     return response.json()
diff --git a/src/position_manager.py b/src/position_manager.py
index dd06eb2..636e870 100644
--- a/src/position_manager.py
+++ b/src/position_manager.py
@@ -14,7 +14,7 @@ from trade_constants import (
 )
 from local_position import LocalPosition
 from local_order import LocalOrder
-from t0_stocks import is_t0
+from utils.t0_stocks import is_t0
 from typing import Dict
 
 # 获取日志记录器
diff --git a/src/t0_stocks.py b/src/utils/t0_stocks.py
similarity index 100%
rename from src/t0_stocks.py
rename to src/utils/t0_stocks.py