diff --git a/.gitignore b/.gitignore
index 9a5ec5e..c8542f9 100644
--- a/.gitignore
+++ b/.gitignore
@@ -21,12 +21,17 @@ ENV/
 *.swo
 *~
 
-# 大文件
-*.joblib
-*.pkl
-*.h5
-*.hdf5
-*.pb
+# 大文件 - 模型文件（训练后生成）
+models/*.joblib
+models/*.pkl
+models/*.h5
+models/*.hdf5
+models/*.pb
+
+# 大文件 - 数据文件（需要单独下载）
+data/*.csv
+data/*.zip
+data/*.parquet
 
 # 测试覆盖率
 .coverage
diff --git a/QUICKSTART.md b/QUICKSTART.md
new file mode 100644
index 0000000..89086b4
--- /dev/null
+++ b/QUICKSTART.md
@@ -0,0 +1,225 @@
+# 快速开始指南
+
+本指南将帮助您在5分钟内运行信用卡欺诈检测系统。
+
+## 前置要求
+
+- Python 3.10 或更高版本
+- pip（Python包管理器）
+
+## 安装步骤
+
+### 1. 克隆仓库
+
+```bash
+git clone <repository-url>
+cd Credit-Card-Fraud-Detection
+```
+
+### 2. 创建虚拟环境（推荐）
+
+**Windows:**
+```bash
+python -m venv venv
+venv\Scripts\activate
+```
+
+**Linux/Mac:**
+```bash
+python3 -m venv venv
+source venv/bin/activate
+```
+
+### 3. 安装依赖
+
+**方式1: 使用 requirements.txt（推荐）**
+```bash
+pip install -r requirements.txt
+```
+
+**方式2: 使用 setup.py**
+```bash
+pip install -e .
+```
+
+**方式3: 使用 uv（需要先安装 uv）**
+```bash
+pip install uv
+uv sync
+```
+
+### 4. 准备数据
+
+确保 `data/creditcard.csv` 文件存在。如果不存在，请：
+
+1. 从 Kaggle 下载数据集: https://www.kaggle.com/mlg-ulb/creditcardfraud
+2. 将下载的 `creditcard.csv` 文件放入 `data/` 目录
+
+### 5. 训练模型
+
+```bash
+python src/train.py
+```
+
+训练完成后，模型文件将保存在 `models/` 目录中：
+- `random_forest_model.joblib` - 随机森林模型
+- `logistic_regression_model.joblib` - 逻辑回归模型
+- `scaler.joblib` - 特征缩放器
+
+### 6. 运行应用
+
+**方式1: 使用 agent_app.py（推荐）**
+```bash
+python src/agent_app.py
+```
+
+这将自动启动 Web 界面并在浏览器中打开。
+
+**方式2: 直接运行 Streamlit**
+```bash
+streamlit run src/streamlit_app.py
+```
+
+## 使用说明
+
+### Web 界面使用
+
+1. **选择输入方式**
+   - 上传CSV文件：批量处理交易数据
+   - 手动输入：输入30个特征值
+
+2. **输入特征**
+   - Time: 交易时间（秒）
+   - V1-V28: PCA转换后的特征
+   - Amount: 交易金额
+
+3. **点击"检测欺诈"按钮**
+   - 系统会显示预测结果
+   - 查看特征解释
+   - 获取行动建议
+
+### 命令行使用
+
+```python
+from src.agent_app import create_agent
+
+agent = create_agent()
+
+transaction = [
+    0, -1.3598071336738, -0.0727811733098497, 2.53634673796914, 1.37815522427443,
+    -0.338320769942518, 0.462387777762292, 0.239598554061257, 0.0986979012610507,
+    0.363786969611213, 0.0907941719789316, -0.551599533260813, -0.617800855762348,
+    -0.991389847235408, -0.311169353699879, 1.46817697209427, -0.470400525259478,
+    0.207971241929242, 0.0257905801985591, 0.403992960255733, 0.251412098239705,
+    -0.018306777944153, 0.277837575558899, -0.110473910188767, 0.0669280749146731,
+    0.128539358273528, -0.189114843888824, 0.133558376740387, -0.0210530534538215,
+    149.62
+]
+
+result = agent.process_transaction(transaction)
+print(f"预测类别: {result.evaluation.class_name}")
+print(f"欺诈概率: {result.evaluation.fraud_probability:.4f}")
+```
+
+## 运行测试
+
+```bash
+# 运行所有测试
+pytest tests/
+
+# 运行特定测试文件
+pytest tests/test_data.py
+
+# 查看测试覆盖率
+pytest tests/ --cov=src --cov-report=html
+```
+
+## 常见问题
+
+### Q1: 找不到数据文件
+
+**错误信息**: `FileNotFoundError: data/creditcard.csv`
+
+**解决方案**:
+1. 确保数据文件存在于 `data/` 目录
+2. 从 Kaggle 下载数据集并放入正确位置
+
+### Q2: 模型文件不存在
+
+**错误信息**: `RuntimeError: 模型或缩放器加载失败`
+
+**解决方案**:
+```bash
+# 先训练模型
+python src/train.py
+```
+
+### Q3: 依赖安装失败
+
+**错误信息**: `pip install` 失败
+
+**解决方案**:
+1. 确保使用 Python 3.10+
+2. 升级 pip: `pip install --upgrade pip`
+3. 使用国内镜像源: `pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple`
+
+### Q4: Streamlit 无法启动
+
+**错误信息**: `streamlit not found`
+
+**解决方案**:
+```bash
+pip install streamlit
+```
+
+### Q5: 端口被占用
+
+**错误信息**: `Address already in use`
+
+**解决方案**:
+```bash
+# 使用不同端口启动
+streamlit run src/streamlit_app.py --server.port 8502
+```
+
+## 项目结构
+
+```
+Credit-Card-Fraud-Detection/
+├── data/                    # 数据目录
+│   └── creditcard.csv      # 信用卡交易数据
+├── models/                  # 模型目录
+│   ├── random_forest_model.joblib
+│   ├── logistic_regression_model.joblib
+│   └── scaler.joblib
+├── src/                     # 源代码
+│   ├── agent_app.py        # Agent 入口（推荐使用）
+│   ├── streamlit_app.py    # Streamlit Web 应用
+│   ├── train.py            # 模型训练
+│   ├── infer.py            # 推理接口
+│   ├── data.py             # 数据处理
+│   └── features.py         # 特征定义
+├── tests/                   # 测试文件
+├── requirements.txt        # Python 依赖
+├── setup.py                # 安装脚本
+├── QUICKSTART.md           # 快速开始指南（本文件）
+└── README.md               # 详细文档
+```
+
+## 下一步
+
+- 阅读 [README.md](README.md) 了解项目详情
+- 查看 [src/](src/) 目录下的源代码
+- 运行测试确保一切正常
+- 开始使用系统进行欺诈检测
+
+## 技术支持
+
+如遇到问题，请：
+1. 检查本指南的"常见问题"部分
+2. 查看 [README.md](README.md) 获取更多信息
+3. 提交 Issue 到项目仓库
+
+## 许可证
+
+MIT License
diff --git a/README.md b/README.md
index 6aa8134..a5ec269 100644
--- a/README.md
+++ b/README.md
@@ -129,21 +129,90 @@ ml_course_design/
 - **Web 应用**: Streamlit
 - **依赖管理**: uv
 
-## 环境要求
+## 快速开始
 
-- Python 3.10+
-- uv (用于依赖管理)
+### 前置要求
 
-## 安装依赖
+- Python 3.10 或更高版本
+- pip（Python包管理器）
+
+### 安装步骤
+
+#### 1. 克隆仓库
 
 ```bash
-# 使用 uv 安装依赖（推荐）
-uv sync
+git clone <repository-url>
+cd Credit-Card-Fraud-Detection
+```
 
-# 或者使用 pip
+#### 2. 创建虚拟环境（推荐）
+
+**Windows:**
+```bash
+python -m venv venv
+venv\Scripts\activate
+```
+
+**Linux/Mac:**
+```bash
+python3 -m venv venv
+source venv/bin/activate
+```
+
+#### 3. 安装依赖
+
+**方式1: 使用 requirements.txt（推荐）**
+```bash
 pip install -r requirements.txt
 ```
 
+**方式2: 使用 setup.py**
+```bash
+pip install -e .
+```
+
+**方式3: 使用 uv（需要先安装 uv）**
+```bash
+pip install uv
+uv sync
+```
+
+#### 4. 准备数据
+
+确保 `data/creditcard.csv` 文件存在。如果不存在，请：
+
+1. 从 Kaggle 下载数据集: https://www.kaggle.com/mlg-ulb/creditcardfraud
+2. 将下载的 `creditcard.csv` 文件放入 `data/` 目录
+
+#### 5. 训练模型
+
+```bash
+python src/train.py
+```
+
+训练完成后，模型文件将保存在 `models/` 目录中：
+- `random_forest_model.joblib` - 随机森林模型
+- `logistic_regression_model.joblib` - 逻辑回归模型
+- `scaler.joblib` - 特征缩放器
+
+#### 6. 运行应用
+
+**方式1: 使用 agent_app.py（推荐）**
+```bash
+python src/agent_app.py
+```
+
+这将自动启动 Web 界面并在浏览器中打开。
+
+**方式2: 直接运行 Streamlit**
+```bash
+streamlit run src/streamlit_app.py
+```
+
+### 详细使用指南
+
+查看 [QUICKSTART.md](QUICKSTART.md) 获取详细的使用说明和常见问题解答。
+
 ## 运行测试
 
 ```bash
diff --git a/check_environment.py b/check_environment.py
new file mode 100644
index 0000000..569bf71
--- /dev/null
+++ b/check_environment.py
@@ -0,0 +1,193 @@
+"""
+环境检查脚本
+用于验证项目依赖和环境配置是否正确
+"""
+
+import sys
+import importlib
+from pathlib import Path
+
+def check_python_version():
+    """检查Python版本"""
+    print("=" * 60)
+    print("检查 Python 版本...")
+    print("=" * 60)
+    
+    version = sys.version_info
+    print(f"当前 Python 版本: {version.major}.{version.minor}.{version.micro}")
+    
+    if version.major == 3 and version.minor >= 10:
+        print("✓ Python 版本符合要求 (>= 3.10)")
+        return True
+    else:
+        print("✗ Python 版本不符合要求，需要 3.10 或更高版本")
+        return False
+
+def check_dependencies():
+    """检查必要的依赖包"""
+    print("\n" + "=" * 60)
+    print("检查依赖包...")
+    print("=" * 60)
+    
+    required_packages = {
+        'numpy': 'numpy',
+        'polars': 'polars',
+        'sklearn': 'scikit-learn',
+        'imblearn': 'imbalanced-learn',
+        'matplotlib': 'matplotlib',
+        'seaborn': 'seaborn',
+        'joblib': 'joblib',
+        'pydantic': 'pydantic',
+        'streamlit': 'streamlit',
+    }
+    
+    missing_packages = []
+    
+    for module_name, package_name in required_packages.items():
+        try:
+            module = importlib.import_module(module_name)
+            version = getattr(module, '__version__', 'unknown')
+            print(f"✓ {package_name:20s} - 版本: {version}")
+        except ImportError:
+            print(f"✗ {package_name:20s} - 未安装")
+            missing_packages.append(package_name)
+    
+    if missing_packages:
+        print(f"\n缺少 {len(missing_packages)} 个依赖包")
+        print(f"请运行: pip install {' '.join(missing_packages)}")
+        return False
+    else:
+        print("\n✓ 所有依赖包已正确安装")
+        return True
+
+def check_data_files():
+    """检查数据文件"""
+    print("\n" + "=" * 60)
+    print("检查数据文件...")
+    print("=" * 60)
+    
+    data_dir = Path("data")
+    creditcard_csv = data_dir / "creditcard.csv"
+    
+    if creditcard_csv.exists():
+        file_size = creditcard_csv.stat().st_size / (1024 * 1024)  # MB
+        print(f"✓ data/creditcard.csv 存在 (大小: {file_size:.2f} MB)")
+        return True
+    else:
+        print("✗ data/creditcard.csv 不存在")
+        print("请从以下地址下载数据集:")
+        print("https://www.kaggle.com/mlg-ulb/creditcardfraud")
+        print("并将 creditcard.csv 文件放入 data/ 目录")
+        return False
+
+def check_model_files():
+    """检查模型文件"""
+    print("\n" + "=" * 60)
+    print("检查模型文件...")
+    print("=" * 60)
+    
+    models_dir = Path("models")
+    required_models = [
+        "random_forest_model.joblib",
+        "logistic_regression_model.joblib",
+        "scaler.joblib"
+    ]
+    
+    missing_models = []
+    
+    for model_file in required_models:
+        model_path = models_dir / model_file
+        if model_path.exists():
+            file_size = model_path.stat().st_size / 1024  # KB
+            print(f"✓ {model_file:35s} (大小: {file_size:.2f} KB)")
+        else:
+            print(f"✗ {model_file:35s} - 不存在")
+            missing_models.append(model_file)
+    
+    if missing_models:
+        print(f"\n缺少 {len(missing_models)} 个模型文件")
+        print("请运行: python src/train.py 来训练模型")
+        return False
+    else:
+        print("\n✓ 所有模型文件已存在")
+        return True
+
+def check_source_files():
+    """检查源代码文件"""
+    print("\n" + "=" * 60)
+    print("检查源代码文件...")
+    print("=" * 60)
+    
+    src_dir = Path("src")
+    required_files = [
+        "__init__.py",
+        "data.py",
+        "features.py",
+        "train.py",
+        "infer.py",
+        "agent_app.py",
+        "streamlit_app.py"
+    ]
+    
+    missing_files = []
+    
+    for file_name in required_files:
+        file_path = src_dir / file_name
+        if file_path.exists():
+            print(f"✓ src/{file_name}")
+        else:
+            print(f"✗ src/{file_name} - 不存在")
+            missing_files.append(file_name)
+    
+    if missing_files:
+        print(f"\n缺少 {len(missing_files)} 个源代码文件")
+        return False
+    else:
+        print("\n✓ 所有源代码文件完整")
+        return True
+
+def run_all_checks():
+    """运行所有检查"""
+    print("\n" + "=" * 60)
+    print("信用卡欺诈检测系统 - 环境检查")
+    print("=" * 60)
+    
+    results = {
+        "Python 版本": check_python_version(),
+        "依赖包": check_dependencies(),
+        "数据文件": check_data_files(),
+        "模型文件": check_model_files(),
+        "源代码文件": check_source_files(),
+    }
+    
+    print("\n" + "=" * 60)
+    print("检查结果汇总")
+    print("=" * 60)
+    
+    for check_name, result in results.items():
+        status = "✓ 通过" if result else "✗ 失败"
+        print(f"{check_name:15s}: {status}")
+    
+    all_passed = all(results.values())
+    
+    print("\n" + "=" * 60)
+    if all_passed:
+        print("✓ 所有检查通过！您可以运行系统了")
+        print("\n运行命令:")
+        print("  python src/agent_app.py")
+    else:
+        print("✗ 部分检查未通过，请根据上述提示解决问题")
+        print("\n快速修复:")
+        if not results["依赖包"]:
+            print("  1. 安装依赖: pip install -r requirements.txt")
+        if not results["数据文件"]:
+            print("  2. 下载数据: 从 Kaggle 下载 creditcard.csv 到 data/ 目录")
+        if not results["模型文件"]:
+            print("  3. 训练模型: python src/train.py")
+    print("=" * 60)
+    
+    return all_passed
+
+if __name__ == "__main__":
+    success = run_all_checks()
+    sys.exit(0 if success else 1)
diff --git a/requirements.txt b/requirements.txt
new file mode 100644
index 0000000..7b5a7f4
--- /dev/null
+++ b/requirements.txt
@@ -0,0 +1,9 @@
+numpy>=1.24.0
+polars>=0.19.0
+scikit-learn>=1.3.0
+imbalanced-learn>=0.11.0
+matplotlib>=3.7.0
+seaborn>=0.12.0
+joblib>=1.3.0
+pydantic>=2.0.0
+streamlit>=1.28.0
diff --git a/setup.py b/setup.py
new file mode 100644
index 0000000..3ac38c2
--- /dev/null
+++ b/setup.py
@@ -0,0 +1,25 @@
+from setuptools import setup, find_packages
+
+setup(
+    name="creditcard-fraud-detection",
+    version="0.1.0",
+    description="信用卡欺诈检测系统",
+    packages=find_packages(),
+    python_requires=">=3.10",
+    install_requires=[
+        "numpy>=1.24.0",
+        "polars>=0.19.0",
+        "scikit-learn>=1.3.0",
+        "imbalanced-learn>=0.11.0",
+        "matplotlib>=3.7.0",
+        "seaborn>=0.12.0",
+        "joblib>=1.3.0",
+        "pydantic>=2.0.0",
+        "streamlit>=1.28.0",
+    ],
+    entry_points={
+        "console_scripts": [
+            "train=src.train:train_and_evaluate",
+        ],
+    },
+)