quant-buddy-skills

点击首图打开官网首页主视频：从一句研究问题，到可交互、可分享、持续更新的研究活页。

中文 · English · 官网 · 新手教程

🔥 3 秒快速安装

如果你熟悉 Agent 工具（Claude Code、Cursor、OpenClaw 等），可以直接对 AI Agent 说：

帮我安装这个 skill：

npx skills add pseudo-longinus/quant-buddy-skills -g -a claude-code -s quant-buddy-skill -y

安装 quant-buddy-skill（QBS）时，支持 companion 的版本会在首次 newSession 调用 QBV（quant-buddy-view）检查，并按需自动安装或更新它。QBS 负责理解问题、查数和计算，QBV 负责把结果发布成可分享的研究活页；QBV 安装失败不会影响 QBS 的行情、财务、公式、筛选和回测。

如果希望立即启用活页发布能力，也可以显式安装 QBV：

npx skills add pseudo-longinus/quant-buddy-skills -g -a claude-code -s quant-buddy-view -y

把命令中的 claude-code 换成你正在使用的 Agent ID 即可。只有在明确希望把仓库内全部 skill 安装到全部 Agent 时，才使用 --all。

如果你不懂如何使用 Agent 和 skill，可以按照小白图文教程一步步展开。

---

QuantBuddy Skills 是一套给 AI Agent 使用的底层量化研究基础设施。 把投研想法交给 Agent，把数据、计算、口径和交付交给一套可以持续运行的研究底座。

它不是只回答行情的聊天 Skill，也不是把原始表格丢给模型的数据接口。它把数据接入、指标口径、公式计算、横截面筛选、因子研究、策略回测、结果验证和研究活页交付沉淀成 AI Agent（智能代理）可直接调用的底层能力。

覆盖 A 股、港股、美股、指数、ETF、境内期货，以及宏观策略、A 股期权隐含波动率、美国期权行情、龙虎榜标签和 GICS 行业等数据；不同市场的字段以实际接口返回为准。

传统数据 API 只负责"把数据拉出来"；quant-buddy-skills 负责让 AI Agent 把自然语言投研想法转成可执行公式、平台侧计算、结构化结果和可复用任务。

官网：https://www.quantbuddy.cn

本项目用于金融数据分析、量化研究、策略验证和教育用途，不构成投资建议、交易建议、收益承诺或自动交易服务。

先理解它是什么：一套可运行的研究底层

QuantBuddy Skills 把一次投研拆成四层。每层都能被 Agent 调用，也能把结果交给下一层继续使用：

官网把这两部分概括为 “千维计划 × 范式库”：千维计划负责“怎么算”，把维度拆成有口径的指标；范式库负责“怎么用”，把验证过的研究流程固定成可复用活页。底层框架因此同时保留计算细节和研究方法，而不是只输出一张静态图片。

这套底层框架带来几个直接好处：

• 透明可核验：保留数据日期、报告期、指标口径、公式链和结果证据，方便复盘与审计。
• 把算力留给判断：大规模矩阵在平台侧计算，Agent 只接收 TopN、统计量、图表或结构化证据，降低上下文和传输成本。
• 跨市场可比较：A 股、港股、美股、期货在各自市场内按同一研究维度计算和排序，避免把不同市场字段强行混用。
• 一次研究，多次复用：公式、指标和页面结构可以沉淀为任务包、范式或活页，下一次从已有方法继续。
• 结果会继续更新：活页按交易日刷新；RSI、RSRS、选股和回测研究还可以在富余算力时申请免费自动进化。
• 端侧足够轻：数据和计算在云端，页面可以分享、下载为自包含 HTML，并嵌入网站、课程、桌面屏幕或自己的应用。

QBS + QBV：从问题到持续更新的研究活页

QBS 和 QBV 是一条完整链路：QBS 把自然语言投研问题转成数据查询、公式、筛选或回测；QBV 把经过验证的结果发布成可以反复打开、分享和更新的研究活页。

能力边界和调用顺序以仓库内的 QBS SKILL.md 与 QBV SKILL.md 为准；README 只提炼当前版本已经验证过的公开能力。

QBS 负责查数据、写公式、选股 / 因子 / 回测；QBV 负责验证、注册数据接口、发布与更新活页。

官网能力路径：从一问到持续运行

官网展示的是一条连续路径：先提出研究问题，再接入数据、执行透明计算、复用专业范式，最后得到可以持续更新的研究活页，并在免费空间和富余算力中继续迭代。

从一句自然语言问题开始，自动生成可交互、可分享、持续更新的研究活页。

01｜投研数据全覆盖

一站式接入行情、财务报告期、估值分位、主力资金、市场情绪和宏观另类数据，统一进入同一套研究入口。

02｜透明、可拓展的低代码计算

低代码公式把数据、窗口统计、条件筛选、因子 / 回测串起来；平台侧完成大规模计算，只返回结构化结果给 Agent。

03｜专业范式库

把专业投资经验沉淀为 Agent 可调用的研究方法：发现、收藏、派生，并形成自己的研究活页。

04｜活页持续运行

活页不是截图：公式任务包绑定数据后，打开即可联网取最新值，也可以分享或下载自包含 HTML。

05｜免费开始与自动进化

免费研究空间、富余算力排队运行和可对比的新版本，让研究从一次尝试变成持续迭代。

QBV 提供免费的研究空间和托管地址，不需要自己部署后端或购买网页服务器。活页也可以下载为自包含 HTML；联网打开时仍能按页面绑定的公式继续取最新数据。

官网当前展示的能力进展包括 18 个研究维度、280+ 个已落地指标、A 股 / 港股 / 美股 / 期货 4 类市场，以及按交易日自动更新的研究活页；具体字段和可用范围以实际接口返回为准。

RSI / RSRS 与研究页自动进化

QBV 支持把 RSI、RSRS、选股逻辑或回测研究提交给自动进化。活页会按内容成熟度进入 L1–L5 研究进化路径；登记的是进化意愿，不是立即创建任务。平台会在有富余算力时不定期免费运行较长的研究任务，用来补充数据、做历史比较、检查计算口径或改进页面呈现。进化按后台资源排队，不承诺立即完成；结果生成后可以查看独立版本变化和 RU 变化，再决定是否采用。

能力全景：市场、资产与研究动作

QBS 的市场范围不是“只有 A 股”。它会先识别资产和市场，再按工具实际返回的字段、日期和覆盖状态交付结果。A 股的估值、财务、资金流和公式目录最完整；港股、美股、指数、ETF、期货、宏观和期权数据按各自数据合同提供能力。

选股能力：四个市场都能筛，方式不同

1. 当前横截面筛选：selectByComposition 的 universe.asset_scope 支持 A股、港股、美股、期货。它可以把已物化的 score/screen 指标组合成 TopN、排序、条件交集，并返回每只资产的分项解释；日期和指标若不完全同日，会明确披露实际 as_of。
2. 公式选股与因子排序：QBS 可以生成多条件公式、窗口统计、掩码、排名和复合因子，再由平台侧计算后只返回名单、指标或图表。A 股公式目录最完整，其他市场按资产库和字段可用性执行；用户应在问题中指定市场和资产池。
3. 财务与价格联合筛选：日频财务筛选会按报告期/发布日期对齐财务条件，再叠加价格、均线、突破、成交量等条件。仓库里的完整示例目前以 A 股为例，这是示例的数据合同，不代表所有筛选只能做 A 股。
4. 历史研究与回测：历史筛选、因子 IC、分组收益、策略回测、净值曲线和基准比较走量化研究工作流；它们与“当前 TopN 选择器”分开，避免把实时横截面结果误当成历史回测。

18 个研究维度与可复用指标

官网和仓库目录目前展示 18 个研究维度、280+ 个已落地指标；仓库本地指标目录记录了 327 个指标候选，覆盖范围记录含 A 股、港股、美股和期货。维度包括：趋势结构、动量与反转、相对强度、量能与流动性、资金流向、形态/波动/风控、估值性价比、盈利能力、盈利成长、现金流质量、财务安全、运营效率、财务爆雷风险、期货供需、异动监控、龙虎榜资金席位、市场情绪、个股情绪。

这些指标可以用于单资产画像、跨市场筛选、因子组合、行业/主题聚合、事件研究、回测和研究活页。指标是否已物化、支持哪个市场和哪个日期，以服务端的 selection_ready、asset_scope、as_of 和实际返回为准。

数据粒度与分钟覆盖

• 快照、窗口、报告期查询单次最多处理 1000 个资产；大结果会走 CSV/数据授权通道，避免把原始大表塞进 LLM 上下文。
• fast_query_minute 用于单个资产当前或最近完整交易日的分钟 OHLCVA；fast_query_minute_range 用于单资产、跨交易日的原始 1 分钟 CSV，最长约三个月，不自动改成 5 分钟、不静默裁剪日期。
• 当前分钟覆盖以平台合同为准：A/美股股票和境内期货自 2026-05-13 起，港股自 2026-05-20 起，境内指数自 2026-08-13 起；美港指数和美港期货分钟数据不支持。覆盖不足时会返回提示。

QBV 交付的不只是一个链接

QBV 可以把 QBS 的验证结果或已有 JPG、PNG、HTML、PDF 先发布到免费托管空间，再按需接入公式包或 Data Grant（数据授权）成为可持续更新的活页。常见交付包括：个股画像、估值/财务页、指数异动、跨资产比较、行业/主题机会、资金流信号、基金/ETF/债券画像、商品日报、K 线和策略净值看板。

活页使用页面绑定的数据合同和签名取数，不把 API Key 放到浏览器；可以分享、下载自包含 HTML，并在联网打开时刷新到最新数据。QBV 还支持保留已有页面结构、追加基准序列、编辑图表、复用页面壳、页面质量验收和结果版本管理。

一套底层框架，承载不同的研究产品

官网把同一套数据与计算底座延伸到不同场景。你可以把它当作自己的研究系统，也可以把它嵌进已有产品：

30 秒示例

你可以直接对 AI Agent（智能代理）说：

筛选今天 14:30 全 A 股中，近 60 个交易日创新高、
成交额高于过去 20 日均值 2 倍、且涨幅排名靠前的公司。

AI Agent（智能代理）会生成公式链，由 quant-buddy（量化投研平台）在平台侧完成全市场计算，然后只返回 TopN（前 N 名）名单、指标、排序和图表。

不用把几千只股票的大表塞进 LLM（大语言模型）上下文，也不用手写数据清洗、字段 join（连接）和回测代码。

为什么值得安装

• 不是只查数据：支持公式、窗口统计、条件筛选、因子排序和策略回测。
• 适合跨市场横截面计算：A 股、港股、美股、期货都可以进入已物化指标的选择器；平台侧完成大规模计算，只把结果返回给 AI Agent（智能代理）。
• 能沉淀为可复用任务：今天探索出的公式，明天可以固定时间重复运行。
• 从计算到交付一条链路：安装 QBS 时会检查并调用 QBV；QBV 提供免费托管空间，把验证后的结果变成可分享活页。
• 研究可以继续进化：RSI / RSRS、选股和回测活页可提交后台自动进化；富余算力可用时不定期免费运行。
• 面向 AI Agent（智能代理）工作流设计：适配 Claude Code（编程智能代理）、Cursor（智能编辑器）、Codex（编程智能代理）、GitHub Copilot（编程助手）、Windsurf（智能编辑器）等环境。
• 四类市场各有研究路径：A 股覆盖最完整；港股、美股支持行情、窗口、部分估值/财务和横截面选择；境内期货支持行情、现货、库存、连续合约和部分供需研究；具体字段以接口返回为准。
• 覆盖更多投研数据：支持 A 股财务、港美股财务、龙虎榜标签、GICS 行业等常用投研数据。

一句话能做什么

Skill Matrix（能力矩阵）

最近的能力进展

• 当前版本：仓库远端当前记录为 QBS 4.25.49、QBV 0.6.87；安装 QBS 时，支持 companion 的版本会在首次 newSession 检查并按需安装/更新 QBV。
• 大结果读取更可控：QBS 现在按场景区分 signature、last_column_full、last_day_stats、range_data、per_asset_sample 等读取模式；QBV 公式包会检查 is_truncated，不把摘要结果当完整名单。
• K 线已走实时运行时：普通 K 线活页使用同一份 OHLCV Data Grant 绘制蜡烛、成交量和均线；只有明确要求图片时才走 PNG 渲染路径。
• QBS → QBV 交接更完整：验证过的计算结果、数据范围和页面意图可以一起交给 QBV，减少重复查数和手工拼页面。
• 已有文件可以先活页化：JPG、PNG、HTML、PDF 等已有材料可以先原样托管为可阅读页面，再继续做数据增强或研究改造。
• 分钟数据覆盖更清晰：历史分钟区间查询会区分完整覆盖、部分覆盖和越界情况，并返回覆盖提示，不把空结果误当成有效数据。
• 资产与专项数据继续扩展：资产目录包含约 5316 个 A 股、2858 个港股、1069 个美股/境外 ETF、513 个指数和 239 个期货条目；同时补充美股期权、A 股期权 IV、宏观策略和 GICS 分类目录，实际可用字段仍以服务端返回为准。
• 公式任务更适合长期复用：公式包支持指定日期或偏移读取，适合把探索过的指标接到看板、网页和调度任务中。
• 页面交付有验收边界：QBV 会在页面发布和可访问性确认后再交付最终活页链接，避免把草稿或未验证页面当成成品。

适合谁

• A 股、港股、美股和期货研究员：想快速验证选股、因子、事件研究、回测或供需想法。
• AI Agent（智能代理）和 AI 编程工具用户：想让 Claude Code（编程智能代理）、Cursor（智能编辑器）、Codex（编程智能代理）、GitHub Copilot（编程助手）直接完成投研任务。
• 投研自动化开发者：想把每日复盘、盘中筛选、策略监控固化为可重复运行的任务。
• 金融数据分析师 / 内容创作者：想从自然语言直接得到结构化数据、TopN（前 N 名）名单和图表。

不适合谁

• 只需要完全自定义底层数据管道的人。
• 需要加密货币数据，或要求期货估值/财务、美股完整基本面数据库的人；当前版本提供的是按专项数据集和接口字段返回的研究能力。
• 期待自动交易下单、收益承诺或个性化投资建议的人。

真实调用示例

以下示例由 quant-buddy-skill 在 2026-05-18 实际调用生成。行情会随市场刷新变化，但可以看到它的核心工作方式：自然语言进入 AI Agent（智能代理），公式引擎在平台侧完成计算，最后只把结构化结果返回给 LLM（大语言模型）。

示例 1：自然语言查数，一次返回多个指标

用户可以直接问：

查一下贵州茅台最新收盘价、涨跌幅和成交额。

AI Agent（智能代理）会生成并执行公式：

贵州茅台收盘 = "全市场每日收盘价" * 取出(贵州茅台)
贵州茅台涨跌幅 = "全市场每日回报率" * 取出(贵州茅台)
贵州茅台成交额 = "全市场每日成交额" * 取出(贵州茅台)

实际返回结果：

这个例子展示的是“自然语言提问 -> 公式生成 -> 平台侧取数 -> 结构化结果返回”的最短路径。

示例 2：全市场公式计算，不把大表塞进上下文

用户可以问：

筛选全 A 股中，今天突破 60 日新高、成交额高于过去 20 日均值 2 倍，并按当日涨跌幅排序的前 10 名。

AI Agent（智能代理）会生成公式链：

A股池 = 板块(万得全A) * 缺失填零("非ST股")
60日高基准 = 昨天(最大("全市场每日最高价", 60))
放量基准 = 昨天(平均("全市场每日成交额", 20))
突破60日新高 = ("全市场每日最高价" > "60日高基准") * "A股池"
成交额放量 = ("全市场每日成交额" > 2 * "放量基准") * "A股池"
排序值 = "突破60日新高" * "成交额放量" * 涨跌幅("全市场每日收盘价")
放量突破Top10 = 取前("排序值", 10, 返回数值)

实际返回结果：

这里没有把全市场几千只股票的原始矩阵塞进 LLM（大语言模型）上下文。平台侧先完成全市场计算、筛选和排序，最终只返回 Top10（前十名）结果。实际调用中，读取最终 Top10（前十名）明细只返回 10 行，readData（读取数据）响应显示 cost（消耗字段）=2 RU（资源用量单位）。

示例 3：探索后把公式固化，后续直接调用

第一次使用时，用户可以自然语言探索：

帮我设计一个 14:30 盘中选股条件：突破 60 日新高，同时成交额超过过去 20 日均值 2 倍，输出涨幅前 10。

当这个条件被验证后，可以把公式保存为固定任务：

{
  "name": "volume_breakout_60d_intraday",
  "description": "14:30 盘中放量突破 60 日新高选股",
  "params": {
    "formulas": [
      "A股池 = 板块(万得全A) * 缺失填零(\"非ST股\")",
      "60日高基准 = 昨天(最大(\"全市场每日最高价\", 60))",
      "放量基准 = 昨天(平均(\"全市场每日成交额\", 20))",
      "突破60日新高 = (\"全市场每日最高价\" > \"60日高基准\") * \"A股池\"",
      "成交额放量 = (\"全市场每日成交额\" > 2 * \"放量基准\") * \"A股池\"",
      "排序值 = \"突破60日新高\" * \"成交额放量\" * 涨跌幅(\"全市场每日收盘价\")",
      "放量突破Top10 = 取前(\"排序值\", 10, 返回数值)"
    ],
    "begin_date": 20260101,
    "include_description": true,
    "use_minute_data": true,
    "force_reusable_array": ["放量突破Top10"]
  }
}

之后可以跳过反复解释需求，直接由 AI Agent（智能代理）或调度系统在每天 14:30 调用同一套公式：

GZQ_PARAMS='' python scripts/call.py runMultiFormulaBatchStream

执行后，从返回的 data_id（数据标识）读取最终结果：

GZQ_PARAMS='{"ids":[""],"mode":"last_column_full"}' python scripts/call.py readData

这就是“探索阶段”和“使用阶段”的区别：探索阶段用自然语言快速改想法，使用阶段直接复用公式和接口，把投研流程固化为可重复执行的生产任务。

公式任务包（Formula Package）：把验证过的公式组对外发布

示例 3 把公式固化成「Agent / 调度自己重复跑」的任务；公式任务包再往前一步——把一组验证过的公式注册成一个长期数据服务，让你自己的网页、看板或第三方**无需 API Key（接口密钥）**就能反复取到最新结果。

注册一次（需 API Key），拿到一对凭证 package_id + signature；之后任何能发 HTTP（超文本传输协议）请求的地方，凭这对凭证就能以 SSE（服务器推送事件）流式取数。底层数据一更新，服务端自动按依赖关系重算，取数永远拿最新值、绝不返回过期数据。

与 runMultiFormulaBatchStream（全市场公式批算）的区别：后者是 Agent / 调度在你自己的账号侧执行、读 data_id（数据标识）；公式任务包是把算好的产出以凭证形式对外只读开放，取数方无需 API Key、也不消耗其配额，费用始终计入包所有者。两者执行池与计费相互独立。

典型场景

• 自建投研日报 / 数据看板：把每天复盘要看的指标（选股名单、因子排序、估值分位、资金流向……）注册成一个包，用一个静态 HTML（网页）页面 fetch（浏览器取数）渲染。打开页面即当日最新，无需后端、无需每天手动重跑公式。
• 给团队 / 客户一个只读数据页：发出去的是 package_id + signature，不是 API Key；对方只能读你固定的产出，改不了公式、拿不到账号权限，可随时撤销。
• 嵌进已有网站 / Notion / 飞书 / 大屏：任何能跑 fetch 的地方都能把 quant-buddy（量化投研平台）的计算结果接进你自己的页面。
• 第三方 / 轻量集成：把一个算好的指标包交给合作方只读对接，零配置接入。

它能搭出什么：两个用公式任务包做的真实页面

下面两个页面都是纯静态 HTML（网页）——没有后端、没有数据库，只在浏览器里 fetch（取数）一个公式任务包，把返回的 outputs（产出）渲染成表格和图表。底层数据一更新，刷新页面即当日最新值，API Key（接口密钥）不进前端。

全球市场温度看板　·　七大股指涨跌、全市场估值「泡沫温度」、商品与债券走势——整页数据来自一个公式任务包的单次取数。

沪深300 个股异动监控　·　涨跌幅榜、换手 / 量能异动、个股半年价格轨迹——同样一个 fetch 取数渲染。

⚠️ 以上页面仅为公式任务包的示例展示，所示数字均为历史 / 示例数据，不构成任何投资或交易建议。

两段式用法

cd skills/quant-buddy-skill

# 1. 注册（需 API Key）：params.json 写 formulas + reads，中文公式用 @file 传避免编码截断
python scripts/formula_package.py register @params.json

# 2. 取数（无需 API Key）：只需 package_id，signature 可由本地落盘凭证自动补全
$env:FP_PARAMS='{"package_id":"pkg_xxx"}'
python scripts/formula_package.py query

# 管理：列表 / 撤销 / 刷新（轮换签名）
python scripts/formula_package.py list    '{"page":1,"page_size":20}'
python scripts/formula_package.py revoke  '{"package_id":"pkg_xxx"}'
python scripts/formula_package.py refresh '{"package_id":"pkg_xxx","rotate_signature":true}'

注册用的 params.json 示例（公式语法与 runMultiFormulaBatchStream 同款）：

{
  "formulas": [
    "排序值 = 涨跌幅(\"全市场每日收盘价\")",
    "放量突破Top10 = 取前(\"排序值\", 10, 返回数值)"
  ],
  "reads": [
    { "output": "放量突破Top10", "read_mode": "last_day_stats" }
  ],
  "ttl_days": 365
}

• 未列入 reads 的公式只作中间变量参与计算、不对外返回。
• 同一个包里不同产出可用不同读取模式：range_data（区间完整序列）/ last_day_stats（最新截面统计）/ last_valid_per_asset（每个资产最后一个有效值）。
• 单包最多 100 条公式、20 个对外产出，默认有效期 365 天。

前端直接取数（无需 API Key）

取数接口走 SSE，浏览器用 fetch 读流（签名放 body、不进 URL，不要用 EventSource）：

const resp = await fetch('https://www.quantbuddy.cn/skill/queryFormulaPackage', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({ package_id, signature }),
})
const reader = resp.body.getReader()
const decoder = new TextDecoder()
const outputs = {}
let buf = ''
for (;;) {
  const { value, done } = await reader.read()
  if (done) break
  buf += decoder.decode(value, { stream: true })
  const blocks = buf.split('\n\n'); buf = blocks.pop()
  for (const block of blocks) {
    const ev = (block.match(/event:\s*(.*)/) || [])[1]
    const dt = JSON.parse((block.match(/data:\s*([\s\S]*)/) || [])[1])
    if (ev === 'result') outputs[dt.output] = dt        // outputs["放量突破Top10"].data ...
    else if (ev === 'error') throw new Error(`${dt.code}: ${dt.message}`)
  }
}

注册 / 列表 / 撤销 / 刷新需 API Key，必须放在服务端；只有取数接口（queryFormulaPackage）可暴露给浏览器。完整参数、读取模式结构与错误码见 tools/formula_package.md，端到端用法见 recipes/formula-package.md。

为什么不是普通数据 API

普通数据 API（应用程序接口）主要解决“把数据拉出来”。但在真实投研里，用户更常遇到的问题是：

• 我想临时构造一个全市场指标，能不能直接算？
• 我想验证一个选股想法，能不能不用手写数据清洗和回测代码？
• 我今天探索出的公式，明天能不能在 14:30 用日内数据再跑一遍？
• 我不想把大表塞进模型上下文，能不能只把计算结果返回给 LLM（大语言模型）？

quant-buddy-skills 的核心思路是：让 AI Agent（智能代理）负责理解目标和组织任务，让 quant-buddy（量化投研平台）负责数据调用、公式计算、金融 SOP（标准作业流程）和结果输出。

核心优势

1. 公式引擎：从查数据到算指标

quant-buddy-skills 支持通过公式语言组合行情、估值、财务、窗口统计、掩码条件和排序逻辑。用户不只是在查基础数据，而是在让 AI Agent（智能代理）生成可执行的全市场计算公式。

2. 探索阶段与使用阶段分离

投研不是一次性问答。一个想法通常要经历两个阶段：

3. RU（资源用量单位）计费，提升 token efficiency（文本用量效率）

传统“数据 + LLM（大语言模型）”模式通常会把大量原始数据塞进上下文，让模型自己处理。这样 token（模型文本计量单位）消耗高、速度慢，也更容易出现上下文污染。

quant-buddy-skills 采用“平台侧计算 + 结果返回”的方式：大规模数据不进入 LLM（大语言模型）上下文，公式计算在平台侧完成，返回的是结构化结果、名单、统计值或图表。

4. 内置金融 SOP（标准作业流程）

量化投研不只是算数，还需要处理交易日、复权、窗口、排序、基准、事件日期、净值曲线和图表输出等细节。quant-buddy-skills 将常见金融 SOP（标准作业流程）封装成 AI Agent（智能代理）可调用能力，降低用户自己写流程时的错误率。

5. 更适合作为 AI Agent（智能代理）基础设施

一般模式是：

数据 + LLM（大语言模型）

quant-buddy-skills 的模式是：

数据 + 计算 + LLM（大语言模型）

区别在于：计算层不再临时交给 LLM（大语言模型）用上下文和代码拼出来，而是由平台提供稳定的结构化能力。

对比

数据覆盖范围

选股列中的“已物化指标支持”指 selectByComposition 当前截面选择器：服务端还会检查指标启用状态、删除状态、物化向量、支持的 asset_scope 和有效 as_of。它与自定义公式筛选、历史回测、分钟排名是不同路径。港股和美股的价格类字段通常包括收盘价、开盘价、最高价、最低价、涨跌幅、成交量和成交额；估值和财务字段以接口实际返回为准。期货不承诺股票式估值、财务或 K 线图。

安装

npx（Node.js 包执行工具，推荐）

建议新用户只安装到自己正在使用的 AI Agent（智能代理），不要默认使用 --all。--all 等价于安装全部 skill 到全部支持的 agent，可能在本机创建多处目录或符号链接。

如果你使用其他支持的 Agent，把 -a 后面的值替换为对应 agent id；不要省略 -a，避免 CLI 自动安装到多个 Agent。

如果你同时使用多个 Agent，可以重复指定 -a：

npx skills add pseudo-longinus/quant-buddy-skills -g -s quant-buddy-skill -a claude-code -a cursor -y

先查看仓库里有哪些 skill（只列出，不安装）：

npx skills add pseudo-longinus/quant-buddy-skills --list

已安装用户更新：

npx skills update quant-buddy-skill -g -y

Windows（微软桌面操作系统）用户如果遇到 symlink（符号链接）或权限错误，可以在对应 Agent 命令后追加 --copy，例如：

npx skills add pseudo-longinus/quant-buddy-skills -g -a claude-code -s quant-buddy-skill -y --copy

只有在你明确希望安装到所有支持的 Agent 时，才使用：

npx skills add pseudo-longinus/quant-buddy-skills -g --all

查看当前安装位置：

npx skills list -g --json

配置 API Key（接口密钥）

首次使用前需要配置 quant-buddy API Key（接口密钥）：

1. 前往 https://www.quantbuddy.cn 注册并获取 API Key（接口密钥）。
2. 编辑 skill（技能包）目录下的 config.json，将 api_key 字段填入你的 Key（密钥）。
3. 或在支持写入本地文件的 AI Agent（智能代理）对话中发送：

帮我配置 APIkey：sk-xxxxxxxx

运行环境

• Python（编程语言）3.8+，推荐 Python（编程语言）3.11。
• 核心行情、财务、选股和回测能力仅依赖 Python（编程语言）标准库。
• 可选依赖：
  • python-dateutil：事件研究辅助功能使用。
  • Pillow：图表图片格式转换时使用。
  • requests：事件新闻搜索辅助功能使用。
• 可选环境变量：BOCHA_API_KEY，仅事件新闻搜索辅助功能使用。

安全、隐私与免责声明

• quant-buddy API Key（接口密钥）仅用于请求 quant-buddy（量化投研平台）接口。
• API Key（接口密钥）只作为 HTTP（超文本传输协议）Authorization 头发送到 quant-buddy（量化投研平台）声明域名，不写入日志，不转发给第三方主机。
• 可选 BOCHA_API_KEY 仅在事件新闻搜索功能启用时使用。
• 本项目用于金融数据分析、量化研究、策略验证和教育用途，不构成投资建议、交易建议、收益承诺或自动交易服务。
• 回测结果不代表未来收益。用户应自行核验数据口径、交易成本、滑点、风险暴露和合规要求。

故障排查

• 环境依赖说明：references/environment.md
• 故障排查：references/troubleshooting.md
• RU（资源用量单位）计费说明：references/ru-billing.md

联系作者

想看更多策略案例、接入问题、更新路线和真实投研工作流，欢迎添加微信或加入交流群。

扫码添加微信或加入交流群，欢迎交流量化投研、AI Agent（智能代理）工作流和策略验证案例。

Star History

License（开源许可证）

MIT（麻省理工开源许可证）