QuantMind 量化金融知识引擎
将海量金融信息（论文、新闻、文件）转化为结构化、可溯源、可查询的知识。
- Star 数
- ★ 3.1k
- 最近更新
- 2 个月前
- License
- MIT
- 主语言
- Python
- FA 评分
- 35/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Codex · Claude Code
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 量化研究员需要从 arXiv 论文中提取结构化知识，用于策略研究。
- 不适合
- 只想直接安装使用、不愿让编码代理在仓库内改代码的用户
- 需要 SEC 文件或预测市场等尚未实现数据源的团队
这个 Agent 能做什么，适合哪些场景？
QuantMind 是一个面向量化金融的智能信息处理框架，它将原始金融信息（如学术论文、新闻、监管文件）转化为带类型、带引用和时间戳的结构化知识。核心组件包括确定性预处理流程（获取、解析、格式化、清洗）、配置驱动的操作（PaperFlow、collect_news）、批处理工具（batch_run）以及多种检索方式（RAG、库、思维）。此外，该仓库还强调“装备工程”（Harness Engineering），通过 AGENTS.md 等契约、分层上下文、可移植技能和确定性校验，将通用编码代理升级为领域专家。QuantMind 已发布为开源 Python 库，并作为 LLMQuant Data 生产平台的核心引擎。该项目论文已被 NeurIPS 2025 GenAI 金融研讨会接收。
QuantMind 执行端到端的知识提取和检索流程：首先通过确定的预处理步骤（fetch/parse/format/clean）获取并清洗数据，然后使用配置驱动的操作（如 PaperFlow）将输入（如 arXiv 论文标识符）转换为类型化的知识结构（如 PaperStructureTree 或 PaperSemanticResult）。它还提供新闻收集（collect_news）、批处理（batch_run）和意图解析（magic）功能。检索方面，包括 RAG（文本分块+BM25/向量相似度）、本地持久化库（library/）和基于推理的思维检索（mind/）。这些操作可通过 Python API 调用，也支持编码代理在仓库内直接使用。
- 量化研究员需要从 arXiv 论文中提取结构化知识，用于策略研究。
- 金融分析师需要自动收集并整理特定时间段内的新闻，用于事件驱动分析。
- 数据科学家希望将多种金融数据源统一为带时间戳、可追溯的知识库，供下游 RAG 应用使用。
- 开发人员想要构建一个基于代理的金融数据管道，并希望利用现成的检索和验证工具。
- LLMQuant Data 等平台希望集成 QuantMind 作为其知识提取引擎。
如何安装或部署这个 Agent？
安装 QuantMind 需要 Python 3.8+ 和 uv 包管理器。克隆仓库后，使用 uv 创建虚拟环境并安装： git clone https://github.com/LLMQuant/quant-mind.git， 然后 cd quant-mind && uv venv && source .venv/bin/activate && uv pip install -e .
如何使用这个 Agent？
推荐的使用方式是让编码代理（如 Claude Code 或 Codex）在仓库内工作：克隆仓库，在代理会话中描述你想要的管道，代理会读取契约、加载上下文、编写代码并运行验证脚本。也可以作为 Python 库使用：导入 quantmind，配置相应配置类（如 PaperStructureCfg），创建流程实例（如 PaperFlow），然后调用 build 方法处理输入（如 ArxivIdentifier）。示例见 examples/ 目录。
这个 Agent 有哪些优点和局限？
- 确定性预处理确保数据来源精确可复现，降低模型幻觉风险。
- 类型化知识结构自带时间戳和引用，便于时间点查询和持久化。
- 支持 agent 原生开发，通过契约、上下文、技能和验证脚本提升代理代码质量。
- 提供多种检索方式（RAG、库、思维），适应不同应用场景。
- 评估体系尚在设计阶段，没有公开的基准测试结果来量化性能。
- 目前仅支持论文和新闻两类源，SEC 文件等其他类型尚未实现。
- 需要配置 LLM 模型（如 gpt-5.6-luna），依赖外部模型提供商。
- 文档中未明确列出所有依赖项，安装可能需要额外的系统配置。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| QuantMind 量化金融知识引擎 当前 | 35 · 缺口较多 | Agent 插件 / 技能免费 + 模型费 | ★ 3.1k | 2 个月前 | Python | Codex · Claude Code |
| OpenBB 开放数据平台 | 37 · 缺口较多 | 代码库 / SDK免费版 + 付费版 | ★ 74k | 今天 | Python | — |
| ALTA 研究交易工作台 | 83 · 表现良好 | 网页应用 | ★ 1.1k | 1 个月前 | Python | — |
| EDSL（Expected Parrot 领域特定语言） | 63 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 507 | 1 天前 | Python | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示仓库没有提供权限管理、用户确认、数据流透明性、敏感数据处理、依赖安全、外部影响、回滚或来源归属的机制。没有发现恶意行为，但也没有任何安全控制。因此所有信任标准得分为0。
自一致性：README、pyproject.toml和CI工作流在架构和验证方面保持一致，但缺少执行验证。依赖可用性：依赖列表完整，但未验证可用性。失败消息：文档提到错误处理，但未提供具体消息。
受众和场景：明确面向量化金融和编码代理。能力边界：通过架构合同和验证脚本定义。触发精度：magic功能存在但未详细说明。环境适配：支持Python 3.10+，有CI配置。
信息架构：有清晰的目录结构和文档。安装说明：提供uv安装步骤。命名稳定性：版本0.2.0，但无变更日志。示例和FAQ：有示例代码，但无FAQ。已知限制：提到评估在设计阶段。许可证：MIT。版本控制：有版本号但无变更日志。维护责任：未明确。
输出可用性：提供结构化知识输出。边际价值：提供独特的代理原生框架。成本效益：未提供性能或成本数据。
声明可追溯性：部分声明有引用，但未验证。跨来源佐证：未提供。事实与推断分离：未明确区分。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 未发现安全控制，如权限管理、用户确认、数据流透明性等。
- 依赖安全性未评估，存在潜在漏洞风险。
- 评估结果未发布，性能声明未验证。