栏目：量化工具研究
资料核查：2026-10-29。AKQuant 已完成合成数据最小实测；其余项目为资料初评。
GitHub 上不缺量化项目。真正费时间的是判断：这个工具解决什么问题？我能拿它完成哪一步？它只是演示了一个想法，还是提供了一套可以继续研究的工作方法？
“量化工具研究”想做的，就是减少这部分筛选成本。重点关注较新、较有价值的框架，兼顾成熟工具的新能力，也收录数据工具、数据库和量化 Skills。先把值得看的方向讲清楚，再逐步补齐具体用法和对照实验。
第一批整理了 18 项。它们并不属于同一个赛道，也不适合放在一张“最强工具排行榜”里。
如果只选三个入口：想看 AI 怎样参与研究，先读 RD-Agent；想做贴近 A 股约束的策略实验，看 AKQuant；想先把数据整理顺，看 AKShare 加 DuckDB。其余项目可以按下文的问题对照选择。
新变化：AI 从回答问题，走向参与研究过程
过去很容易把 AI 量化理解成“问模型明天涨不涨”。现在更值得研究的变化，是让 AI 参与提出假设、写代码、跑实验、整理证据这些具体环节。
RD-Agent 是一个代表。它尝试把研究想法、程序实现和实验反馈连接起来，金融方向可以结合 Qlib 研究因子和模型。吸引人的地方不是一次生成了多聪明的结论，而是能不能把研究步骤变得可检查、可重复。
这也是评价这类项目时最重要的问题：一次实验用的什么数据？改了哪些参数？失败结果有没有留下？换一个时间段，还能不能成立？如果这些都看不见，再完整的自动化流程也很难积累成可靠研究。
“AI 投研团队”值得看，但要看证据如何流动
TradingAgents 把分析、讨论和决策拆成不同角色。它适合帮助我们理解投研工作如何被拆分，以及多个 Agent 如何协作。
QuantHarness 则更侧重指标、价格图形和趋势。这个项目此前叫 QuantAgent，旧仓库地址现在已跳转。把它与 TradingAgents 放在一起看，可以比较两种不同的信息组织方式。
这类框架的看点不是“模拟了多少位专家”，而是不同角色有没有提供新的信息。五个角色重复同一个来源，并不等于五份独立证据。项目输出交易方向，也不等于已经有可复现的有效策略。
偏公司研究的读者可以关注 FinRobot。当前项目设计强调程序负责财务计算、模型负责表达与分析。这种分工值得研究：数字从哪里来、如何算出来，应当比报告读起来多专业更容易检查。
新框架之外，也要看量化工程有没有变得更好
不是所有值得关注的新变化都来自大模型。
AKQuant 采用 Rust 引擎与 Python 策略接口，提供回测、因子与滚动训练等能力。它对国内读者的吸引力，包括中文资料与 A 股约束配置。但这里有个非常实际的细节：官方快速开始提醒，默认回测不计交易成本、不开 T+1，需要明确配置。工具能跑，不代表默认结果符合真实交易条件。
NautilusTrader 则不是新项目。它值得继续跟踪的，是研究与执行共用事件驱动架构的路线。它回答的是另一个问题：研究中的策略，怎样更少折损地进入执行系统？这比单纯比较计算速度复杂得多。
成熟工具也需要保留为参照：Qlib 对应机器学习研究流程，vn.py 和 LEAN 帮助理解交易开发与执行，vectorbt 适合观察批量实验的组织方式。新框架的价值，要放在这些具体问题里比较。
数据与 Skills，没有那么显眼，却影响能否持续使用
实际研究中，大量时间不花在模型上，而花在数据获取、字段对齐、文件管理和重复代码上。
AKShare 侧重数据接口，OpenBB 侧重数据整合与对外提供能力；DuckDB 和 QuestDB 则负责存储、查询与分析。把这些都叫“量化数据库”，容易选错工具。
对于个人研究，先形成一条可复用的数据流程，往往比同时安装很多框架更有帮助：保存来源与时间，统一字段和复权口径，让同一份数据可以被多个实验使用。
Skills 是另一条值得观察的新方向。QuantConnect 官方 Skills 将特定开发场景的规范交给 AI 助手；QuantSpace 则把 Skills、数据契约和项目结构一起组织起来。后者较新，暂列观察项。它们的价值在于减少重复劳动、约束代码组织，不是给助手装上一个“赚钱技能”。
怎样用这份清单
不需要把 18 个项目都装一遍。先确定眼前的问题，再选一条路径：
- 想理解 AI 如何参与研究：先读 RD-Agent，再看 Qlib 提供了哪些实验基础。
- 想观察多 Agent 投研：对照 TradingAgents 与 QuantHarness，关注信息来源和输出差异。
- 想做自己的策略实验：先比较 AKQuant 与成熟回测工具，明确数据和成交假设。
- 想减少整理数据的时间：先了解 AKShare 与 DuckDB 各负责什么，再决定是否需要更复杂的平台。
- 已经选定开发引擎：再看对应 Skills，别让通用提示词替代框架约束。
还要留意三个容易忽略的地方：仓库开放不等于数据免费；工具生成了报告不等于结论经过验证；源码可见也不等于许可没有附加限制。比如 vectorbt 当前包含 Commons Clause，应与通常理解的宽松开源许可区别对待。许可原文
这个栏目接下来怎么做
先有地图，再把关键路线走通。
目前已完成 AKQuant 的最小配置实验。接下来优先研究 RD-Agent 与 Qlib 的因子流程，以及 AKShare 与 DuckDB 的数据整理路线。模型后端、数据许可和运行成本确认后才进入相应实验；多 Agent 对照后置。
每篇会尽量说明：解决的问题、使用条件、值得借鉴的地方，以及目前还没有验证的部分。跑通样例与完成有效策略验证，会分别记录，不混在一起。
希望这里最终积累的不是一份越长越好的收藏夹，而是一套能帮助你决定“下一步研究什么”的参考。工具只是起点，能留下可检查、可复用的研究过程，才是更长期的价值。
相关阅读：首批 18 个项目短评