quant-buddy-skills

🔥 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

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。

让 AI Agent（智能代理）直接在全 A 股上跑公式、选股、因子和回测。
A-share quant execution layer for Claude Code、Cursor、Codex、GitHub Copilot、Windsurf 等 AI Agent。

quant-buddy-skills 不是普通股票数据 API（应用程序接口）。它把行情、估值、财务、公式引擎、全市场筛选、因子计算、策略回测、净值对比和图表渲染封装成 AI Agent（智能代理）可直接调用的投研工作流。

数据覆盖包括 A 股财务、港美股财务、龙虎榜标签、GICS 行业等常用投研数据。

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。

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。
• 适合全 A 股横截面计算：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。
• 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。
• A 股能力最完整：行情、估值、财务、选股、因子、回测、图表；港股和美股支持行情、部分估值和财务字段（以接口返回为准）；可识别期货品种的行情/窗口序列为有条件支持。
• 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）

适合谁

• A 股量化研究员：想快速验证选股、因子、事件研究、回测想法。
• 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。
• 主要研究加密货币、期权、期货估值/财务或美股基本面深度估值的人。
• 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='<上面的 params JSON（数据交换格式）>' 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":["<data_id>"],"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。

⚠️ 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

港股和美股支持行情价格类数据，例如收盘价、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。期货目前仅对本地资产库可识别品种尝试行情/窗口序列，不承诺期货估值、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。

Star History

License（开源许可证）

MIT（麻省理工开源许可证）