Skip to main content Skills Marketplace Descubra e explore skills de IA criadas pela comunidade.
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Mostrar detalhes do prompt Um comando direto ignora o prompt de revisão. Verifique a origem antes de executá-lo.
npx skills add https://github.com/duhanjun/jingni-trader --skill jingni-traderO comando permanece em uma só linha. Role horizontalmente para revisá-lo antes de copiar.
Prefere uma cópia local? Baixe os arquivos disponíveis atualmente no SkillsMP.
Baixar Zip Baixando...
name jingni-trader version 1.0.0 description A股量化交易全流程主调度器。负责解析用户意图，管理投研阶段状态机，维护跨 Skill 的上下文对象，按流程依次调度七个子 Skill 完成从数据采集到绩效报告的全链路工作。本身不执行任何量化计算，只做编排。 author quant-team license MIT tags ["quant-trading","A股","master-skill","workflow","量化","调度器"] dependencies ["importlib (Python 标准库)","logging (Python 标准库)","json (Python 标准库)"] environment_variables [{"name":"TUSHARE_TOKEN","description":"Tushare Pro API Token（启用 tushare 数据源时需要；tushare 是 opt-in 源，默认不参与降级链）","required":false},{"name":"GM_TOKEN","description":"掘金量化API Token，用于实盘交易","required":false},{"name":"IFIND_USERNAME","description":"同花顺 iFinD 登录账号（启用 ifind 数据源时需要）","required":false},{"name":"IFIND_PASSWORD","description":"同花顺 iFinD 登录密码（启用 ifind 数据源时需要）","required":false},{"name":"JINGNI_URL","description":"惊泥因子库服务地址（启用 jingni-datafeed 因子库时需要）","required":false},{"name":"JINGNI_TOKEN","description":"惊泥因子库 API Token（启用 jingni-datafeed 因子库时需要）","required":false},{"name":"DATA_BACKENDS","description":"数据源优先级链，逗号分隔（如 \"tushare,baostock,akshare,websearch\"）。默认 \"baostock,akshare,websearch\"（仅真正免费源）。用户对话指定时优先级高于此变量","required":false,"default":"baostock,akshare,websearch"},{"name":"QUANT_WORK_DIR","description":"数据和工作目录","required":false,"default":"./workspace"},{"name":"QUANT_FORCE_REFRESH","description":"强制刷新所有阶段，忽略缓存产物（设为 \"1\" 启用）","required":false,"default":"0"},{"name":"FACTOR_BACKEND","description":"因子计算后端（pandas_ta / talib），默认 pandas_ta（纯 Python，无需安装 C 依赖）","required":false,"default":"pandas_ta"},{"name":"BACKTEST_BACKEND","description":"回测引擎后端（native / rqalpha / backtrader / gm），默认 native","required":false,"default":"native"},{"name":"ALLOW_SYNTHETIC_FALLBACK","description":"全部数据源失败时是否生成模拟数据兜底（默认 true）","required":false,"default":"true"},{"name":"AUTO_INSTALL_BACKENDS","description":"数据源依赖缺失时自动 pip install 后重试（默认 true）","required":false,"default":"true"},{"name":"LOG_LEVEL","description":"日志级别","required":false,"default":"INFO"}] language python python_version 3.9+ entry_point engine.py allowed_sub_skills ["data-engine","factor-engine","strategy-model-engine","backtest-engine","portfolio-risk-engine","execution-monitor-engine","reports-engine"] included_skills ["skills/data-engine","skills/factor-engine","skills/strategy-model-engine","skills/backtest-engine","skills/portfolio-risk-engine","skills/execution-monitor-engine","skills/reports-engine","skills/jingni-datafeed"] trigger_keywords ["量化","回测","选股","因子","实盘","组合优化","A股","策略开发","分析","技术面","基本面","诊股"]
jingni-trader
概述
jingni-trader 是量化交易 Skill 套件的主协调中枢 ，负责：
解析用户自然语言意图，判断当前投研阶段
管理任务状态机，按流程调度子 Skill
维护会话状态和任务上下文
输出结构化的量化研究报告
意图解析与路由
系统采用单一工作流模型 ：根据用户是否明确需要构建可回测/可交易策略，选择执行深度。因子计算/IC 分析本身是两条路径共用的前置步骤，不构成"策略构建"意图。
项目用户意图 — 阶段/场景/报告/引擎流程/触发规则对照表
agent 运行本 skill 时，根据下表匹配用户意图 → 调度对应引擎 → 生成对应报告：
投研场景 用户意图表述 意图标识 阶段路径 触发的引擎流程（按序） 触发规则（关键词/条件） 最终报告产物 量化投研开发 因子分析 / IC分析 factor（隐式附加）DATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（factor_analysis_report） FACTOR 产物存在时伴随触发；不进门户、不阻断主报告 因子分析报告（附加产物） 量化投研开发 策略构建 / 回测验证 / 选股 strategy_required=True（隐式）DATA → FACTOR → MODEL → BACKTEST → PORTFOLIO → EXECUTION → REPORT data-engine → factor-engine → strategy-model-engine → backtest-engine → portfolio-risk-engine → execution-monitor-engine → reports-engine（backtest_report） 含"回测/策略/模型/选股/实盘/下单"等动作关键词 策略回测报告（净值曲线/夏普/回撤/行业归因） 量化投研开发 组合优化 portfolio同上（策略管线完整跑，REPORT 阶段命中 portfolio_report） … → portfolio-risk-engine → reports-engine（portfolio_report） report_intent=portfolio组合优化报告 量化投研开发 执行监控 execution同上（策略管线完整跑，REPORT 阶段命中 execution_report） … → execution-monitor-engine → reports-engine（execution_report） report_intent=execution执行监控报告（账户概览/持仓/成交/委托） 主观投研分析 个股技术面分析 technicalDATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（technical_report） report_intent=technical 或
report_template=technical
主观投研分析 个股基本面分析 fundamentalDATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（fundamental_report） report_intent=fundamental 或 report_template=fundamental 或含"基本面/财报/估值/财务"等关键词基本面分析报告（财务数据/估值/股东结构）
主观投研分析 个股综合分析（默认） both（隐式）DATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（technical_report + fundamental_report，_run_plugin_many 多命中聚合） report_template=both / 同时命中技术面+基本面关键词 / 无明确意图的默认路径技术分析报告 + 基本面分析报告（双报告联合生成）
执行复盘 绩效归因 / 复盘 attributionDATA → FACTOR → EXECUTION → REPORT data-engine → factor-engine → execution-monitor-engine → reports-engine（attribution_report） report_intent=attribution 或含"绩效归因/归因分析/复盘/实盘报告/盈亏分析/交易复盘/绩效复盘"等关键词（最高优先级 ）绩效归因报告（Round-Trip 归因/成本分析/压力期表现）
兜底 无明确意图 / 全部未命中 — DATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（fallback_report） 无任何插件命中时，兜底插件 fallback_report 自动接管 默认个股报告（技术面+基本面）
默认走分析路径 ：意图模糊或仅提及"因子/分析"时，strategy_required=False，因子仅用于分析，不构建策略。用户明确要求"回测/策略/实盘"等动作时才升级到完整 7 阶段管线。
路由实现
ctx.metadata["strategy_required"]: 布尔标志，驱动 target_stages 选择ctx.metadata["report_template"]: 报告模板检测（technical/fundamental/both），正交维度 ，两条路径都设置reports-engine 已统一路由：根据是否存在 BACKTEST 产物自动选择生成绩效报告还是模板分析报告，无需上层区分
technical : 仅生成技术面深度分析报告（含A股特色：资金面、龙虎榜）fundamental : 仅生成基本面深度分析报告（含A股特色：股东结构）both : 同时生成技术面与基本面两份报告（默认）
报告插件机制（可扩展报告类型） reports-engine 支持报告插件 ，新增报告 = 新增一个插件文件夹，无需改主引擎代码。
插件位置 ：skills/reports-engine/plugins/<插件id>/，含 3 个文件：
plugin.yaml：报告声明（trigger 触发条件 + requires 所需产物 + label/icon 门户元信息）render.py：渲染器，实现 render(data, ctx, output_path) 生成 HTML<报告id>.html.j2：HTML 模板（继承 base.html.j2 复用统一骨架） 触发机制 ：reports-engine.run() 在 REPORT 阶段执行，路由已收敛为两分支 ：
分支 A（插件匹配） ：由 _run_plugin_auto 统一执行，优先级为：
report_intent ∈ {attribution/portfolio/execution} → 直接映射到对应插件（_run_plugin_enhanced，含意图产物校验）BACKTEST 产物存在且回测插件命中 → 回测报告（优先于默认模板，与 master 引擎 REPORT 产物判断一致）显式 report_template（technical/fundamental/both，无 BACKTEST）→ 模板类插件（both 多命中 → _run_plugin_many 联合生成技术+基本面双报告）
其余 find_by_trigger 匹配（资金流等）
全部未命中 → 兜底插件 fallback_report 生成默认个股报告
分支 B（内置兜底） ：_run_template_report，仅当插件机制关闭 / 无插件命中且无兜底插件 / 匹配异常时作为终极兜底 插件触发条件 支持三种方式（plugin.yaml 的 trigger）：
关键词识别：{ keyword: ["资金流", "主力资金"] } —— 用户输入含这些词即触发
字段精确匹配：{ field: report_intent, equals: technical } 或 { field: report_template, equals: both }
产物存在性：{ artifact: BACKTEST }
多命中聚合 ：当多个插件同时命中（如 report_template=both 命中 technical+fundamental）时，
_run_plugin_many 联合生成多份报告，并统一注册门户、注入 LLM 深度解读、汇总 report_data.json。
自定义输出文件名 ：插件可在 plugin.yaml 声明 output_file（如回测插件声明 report.html），
生成时直接输出该文件名，无需复制改名。
兜底插件 ：声明 fallback: true 且无 trigger 的插件（fallback_report），在无任何插件命中时
承担默认个股报告（技术面+基本面）。
示例 ：内置 technical_report 插件通过 report_intent=technical（或关键词命中技术面）触发。用户说"分析 002594.SZ 的技术面"，REPORT 阶段命中该插件，生成 technical_report.html 技术分析报告。
插件 id 触发方式 说明 technical_reportreport_intent=technical / report_template∈{technical,both}技术分析报告 fundamental_reportreport_intent=fundamental / report_template∈{fundamental,both}基本面分析报告 attribution_reportreport_intent=attribution绩效归因（经 _run_plugin_enhanced） portfolio_reportreport_intent=portfolio组合优化（经 _run_plugin_enhanced） execution_reportreport_intent=execution执行监控（经 _run_plugin_enhanced） backtest_report{ artifact: BACKTEST }，output_file: report.html策略回测报告（直接输出 report.html） factor_analysis_report{ artifact: FACTOR }因子分析（附加产物，不进门户、不阻断主报告） fallback_report无 trigger（fallback: true） 兜底插件：无任何插件命中时生成默认个股报告
其中 attribution_report / portfolio_report / execution_report / backtest_report
均由插件机制承载（不再有独立内置路由分支）；backtest_report 声明 output_file: report.html
直接输出固定文件名，兼容下游缓存/门户/归档旧约定。
开发新报告 ：复制任一插件文件夹 → 改 plugin.yaml（触发词/所需产物）+ render.py + 模板 → 放入 plugins/ 下即可被自动扫描注册。详见 docs/产品需求文档_报告插件化机制.md。
LLM 动态 Prompt 生成 reports-engine 的 llm_analyst 模块根据模板配置文件（technical.yaml / fundamental.yaml）中的 factor_groups 动态生成 LLM 系统提示词：
每个因子分组（factor_group）包含因子列表、渲染方式、分析要点提示（analysis_hint）
TechnicalAnalyst 和 FundamentalsAnalyst 根据 factor_groups 动态构建指标参考说明和分析要点
当 factor_groups 为空时，自动回退到硬编码的默认指标说明
因子名称到中文说明的映射表维护在 _TECHNICAL_FACTOR_DESCRIPTIONS / _FUNDAMENTAL_FACTOR_DESCRIPTIONS 中
数据源优先级策略 数据源优先级采用"对话优先 + 配置兜底"的设计：用户通过自然语言对话即可切换数据源，无需修改环境变量。
完整优先级链（从高到低） 1. ctx.external_data (Agent 系统内置工具/MCP) — 最高，直接跳过降级链
2. ctx.data_sources (用户对话指定) — 用户通过对话明确要求时由 agent 写入
3. 环境变量 DATA_BACKENDS — 高级用户/CI 配置
4. 代码默认值 "baostock,akshare,websearch" — 兜底（仅真正免费源）
5. synthetic (模拟数据兜底) — 全部失败时告知用户
用户对话式切换数据源（推荐方式） 用户直接与 agent 对话即可指定数据源优先级，agent 会解析意图并写入 ctx.data_sources，覆盖环境变量：
用户说什么 agent 解析结果(ctx.data_sources) "用 wind 取数据" ["wind", "baostock", "akshare", "websearch"]"优先用 ifind" ["ifind", "baostock", "akshare", "websearch"]"优先用 ifind，失败用 tushare" ["ifind", "tushare", "baostock", "akshare", "websearch"]"用 tushare 取数据" ["tushare", "baostock", "akshare", "websearch"]"用万得取数据" ["wind", ...]（中文别名）"用同花顺取数据" ["ifind", ...]（中文别名）"用 baostock 和 akshare" ["baostock", "akshare", "websearch"]（未提及数据源） None（走环境变量 → 默认值）
必须同时命中"动作动词"（用/使用/优先/首选/改用/切换/换/use/using/from）和"数据源名称"（tushare/baostock/akshare/wind/ifind/万得/同花顺/掘金/通达信/迅投）
用户只指定部分源时，自动追加默认免费降级链作为兜底
未识别到数据源意图时，ctx.data_sources 保持 None，由 data-engine 走环境变量/默认值
可选数据源（opt-in 源） 以下数据源默认不参与降级链，需要用户通过对话明确指定或通过 DATA_BACKENDS 环境变量启用：
数据源 中文名 前置条件 tushareTushare Pro TUSHARE_TOKEN（商业 API，有免费额度） wind万得 Wind 金融终端 + WindPy ifind同花顺 iFinD iFinDPy + 账号密码（IFIND_USERNAME/IFIND_PASSWORD） xtquant迅投 QMT/xtp 本地券商客户端 gm掘金量化 GM_TOKEN + 付费 SDK tdxquant通达信量化 本地通达信金融终端 TQ 策略
默认免费数据源（无需任何配置） 数据源 说明 baostock老虎量化开源项目（无需 Token） akshare聚合库爬虫（无需 Token） websearch通过 WebSearch 工具查询（终极回退）
精准降级 降级链中某个源失败时，只在该源特定异常类型 触发时才切换到下一源（如 tushare 的 QuotaExceededError/RateLimitError），避免普通错误误降级。详见 data-engine 的 DATA_FALLBACK_RULES。
数据源依赖自动安装 当某数据源适配器所需的第三方库尚未安装时，data-engine 不会直接跳过该数据源，而是先尝试用当前 Python 解释器自动安装依赖（pip install），安装成功后再加载并使用该数据源；仅当自动安装失败时才会按降级链跳到下一个数据源。
开关：AUTO_INSTALL_BACKENDS（默认 true）
后端与 pip 包映射（见 skills/data-engine/scripts/config.py 的 BACKEND_PIP_PACKAGES）
自动安装结果会被缓存，避免在同一次运行的降级链里重复安装
高级：环境变量配置（可选） 如果用户希望通过环境变量持久化配置数据源优先级（适合 CI/服务器场景），可设置 DATA_BACKENDS：
export DATA_BACKENDS=wind,tushare,baostock,akshare,websearch
$env :DATA_BACKENDS = "wind,tushare,baostock,akshare,websearch"
环境变量优先级低于 ctx.data_sources：用户在对话里说"用 wind"会立即覆盖环境变量配置。
运行归档机制 每次运行完整流程时，自动创建归档目录保存所有过程和结果：
在 workspace/archives/ 下创建 YYYYMMDD_HHMMSS 格式的运行归档目录
每个子任务在归档目录中创建 step_N_<阶段名> 格式的子文件夹
每个步骤保存 summary.md 子任务小结报告
全景汇总 pipeline_summary.md 保存在归档根目录
workspace/archives/20260529_143025/
├── pipeline_summary.md
├── step_1_DATA/
│ ├── summary.md
│ └── artifacts/
├── step_2_FACTOR/
│ ├── summary.md
│ └── artifacts/
├── step_3_REPORT/
│ ├── summary.md
│ └── artifacts/
...
阶段状态机
单一工作流 + 因子用途分支 系统采用单一工作流，根据 strategy_required 标志选择执行深度：
┌─ strategy_required=True ──→ [MODEL] → [BACKTEST] → [PORTFOLIO] → [EXECUTION] → ┐
[DATA] → [FACTOR] → ┤ ├→ [REPORT]
└─ strategy_required=False（默认）──────────────────────────────────────────────┘
分支逻辑
默认分析路径 （strategy_required=False）：因子仅用于分析，跳过 MODEL/BACKTEST/PORTFOLIO/EXECUTION，直接 DATA → FACTOR → REPORT策略构建路径 （strategy_required=True）：完整 7 阶段管线，REPORT 阶段根据 BACKTEST 产物存在性自动生成绩效报告回测失败 → 返回因子调优
模型过拟合 → 触发样本外再验证
LLM 内容注入 个股分析报告中包含 LLM 占位符（<!--LLM_TECHNICAL_ANALYSIS_PLACEHOLDER--> / <!--LLM_FUNDAMENTAL_ANALYSIS_PLACEHOLDER-->），agent 可在 run_pipeline() 时传入 llm_responses 参数自动替换：
result = engine.run_pipeline(
user_input="分析 002594.SZ 比亚迪的技术面和基本面" ,
llm_responses={
"technical" : {"overall_assessment" : "..." , "technical_score" : 75 , ...},
"fundamental" : {"overall_assessment" : "..." , "fundamental_score" : 82 , ...},
}
)
Context 对象 字段名 类型 说明 task_id str 当前任务ID（YYYYMMDDHHMMSS） session_id str 会话ID user_intent str 用户原始意图 current_stage str 当前所处阶段 target_stages List[str] 目标阶段列表 stock_pool List[str] 股票池（股票代码列表，空列表=全市场） benchmark str 基准指数代码（默认 000300.SH） start_date str 开始日期 end_date str 结束日期 strategy_name str 策略名称 strategy_params Dict[str, Any] 策略参数字典 artifacts Dict[str, str] 已完成阶段产物路径 external_data Dict[str, Any] 系统内置工具传入的外部数据 data_sources Optional[List[str]] data-engine 专用：用户对话指定的数据源优先级链（None 时走环境变量/默认值） run_dir str 当前运行归档目录路径 step_dirs Dict[str, str] 各步骤归档子目录路径 metadata Dict[str, Any] 各阶段元数据（含 strategy_required、report_template、factor_source、report_intent 等） errors List[str] 错误记录
使用示例
Python API from engine import run, MasterEngine
from scripts.context import Context
ctx = Context(
task_id="task_001" ,
user_intent="帮我用近3年A股数据做一个20日反转因子选股回测" ,
current_stage="IDLE"
)
result = run(ctx)
print (result)
engine = MasterEngine()
result = engine.run_pipeline(
user_input="分析 002594.SZ 比亚迪的技术面和基本面" ,
llm_responses={
"technical" : {...},
"fundamental" : {...},
}
)
CLI 运行
python engine.py -i "帮我用近3年A股数据做一个20日反转因子选股回测"
python engine.py -i "分析 002594.SZ 比亚迪的技术面和基本面"
python engine.py -c ./workspace/context.json
python engine.py -i "生成上个月实盘绩效报告" -o ./workspace/result.json
python engine.py -i "分析比亚迪基本面" --force
说明：当前 CLI 仅支持 -i/--input（必填）、-c/--context、-o/--output、--force 四个参数。
股票池、日期范围等任务参数请在 -i 的自然语言描述中指定（如 "分析 002594.SZ 比亚迪"），
由意图解析自动提取，无需额外的命令行参数。
子 Skill 映射 阶段 对应子 Skill 说明 DATA data-engine 多源数据采集与清洗 FACTOR factor-engine 因子计算、IC分析、多因子融合 MODEL strategy-model-engine 模型训练与超参优化 BACKTEST backtest-engine 策略回测与绩效评估 PORTFOLIO portfolio-risk-engine 组合优化与风控 EXECUTION execution-monitor-engine 实盘执行与监控 REPORT reports-engine 量化绩效报告 / 个股分析报告
jingni-datafeed 自动部署 启动时自动检测 ：MasterEngine 实例化时自动检查 skills/jingni-datafeed/ 目录：
目录不存在 → 自动从 GitHub 克隆（git clone --depth 1），用户无需手动操作目录已存在 → 运行正常的版本检查（只检测落后、不自动修改文件） 自动克隆失败时不会阻断主流程 ，仅输出警告日志。如需手动安装：
cd jingni-trader
git clone https://github.com/duhanjun/jingni-datafeed.git skills/jingni-datafeed
cp skills/jingni-datafeed/.env.example skills/jingni-datafeed/.env
里程碑检查点
产物完整性
基本合理性
失败时给出清晰错误码
支持从断点重试
错误处理
所有子 Skill 调用包含异常捕获
明确的错误信息和建议
优雅降级策略
配置说明
API 文档
Context 协议
工作流架构 