看量化 Agent 项目时，很容易被“研究员、分析师、交易员、风控员”这些角色吸引。但真正动手以后，更需要知道的是：这个角色吃进什么数据，交出什么文件，下一个环节怎么检查。
这里用 Qlib、RD-Agent 和 TradingAgents，整理一条研究任务的分工路线。项目功能依据官方仓库；下文的交接方式是本站建议，不代表三个项目已经开箱即用地互相接好，也没有做收益对比。
先把研究链路拆成五段
| 环节 | 需要解决的问题 | 至少留下什么 |
|---|---|---|
| 数据 | 当时究竟能看到哪些资料 | 来源、期间、字段含义和可用时间 |
| 假设 | 为什么认为这个信号可能有用 | 一段可反驳的解释和一个简单基线 |
| 实验 | 怎样把假设变成可运行的研究 | 数据切分、配置、代码与版本 |
| 评估 | 结果能否经得住换条件 | 费用、约束、样本外结果和失败记录 |
| 复盘 | 哪个判断需要保留或推翻 | 结论、限制和下一步只改什么 |
一个 Agent 可以跨几段工作，但每次交接都应留下能继续检查的东西。只有长篇结论、没有输入和配置，下次很难分辨是想法进步了，还是条件悄悄变了。
三个项目各自适合放在哪里
Qlib：组织数据、训练、回测与评估
Qlib 官方仓库提供量化研究工作流，包含数据集、模型训练、回测与评估。它可以作为组织机器学习量化实验的一套基础设施。
如果你已经有一个想验证的特征或模型，可以先看怎样用固定配置跑通一个基线，再逐项改变条件。建议先保留“原配置得到什么结果”，这样后面由 Agent 提议的新实验才有比较对象。
RD-Agent：帮助提出、实现和迭代研究想法
RD-Agent 的量化示例包含因子、模型及二者联合迭代，也有基于报告提取因子的场景。这类工具值得研究的地方，是把“提出想法—写实现—运行—根据反馈修改”组织起来。
接手它的结果时，重点看本轮改了什么、用什么数据评估、为什么继续尝试。连续试了很多种方案后挑出最好的一种，还需要警惕对测试条件的反复适配。
TradingAgents：观察多角色怎样组织分析和决策
TradingAgents 官方仓库按分析、研究、交易与风险管理等角色组织任务。它适合用来观察不同信息怎样进入讨论，以及最终判断如何形成。
分析报告可以帮助你生成待验证的问题。把报告里的观点进一步变成可测量信号、限定数据时间、安排历史检验，仍然需要明确的研究设计。角色之间达成一致，也不能代替这些检查。
每次交接，用一张实验卡就够了
不必先搭复杂平台，可以从一份短记录开始：
问题：这次只验证什么？
数据：来源、日期范围、当时可用时间是什么？
对照：跟哪个简单方法比较？
改变：这次只改了哪个因子、模型或参数？
条件：交易费用、成交假设、持仓限制是什么？
结果：训练、验证、最终测试分别怎样？哪些尝试失败？
下一步：继续、停止，还是补数据？理由是什么？
这张卡可以让人填写，也可以让 Agent 先起草。关键字段为空时，先补信息，再解释结果。
对于从新闻、报告中生成的判断，还可以补两列：原文发布时间、系统实际取得内容的时间。文章说的是哪个季度，与当时是否已经能看到这篇文章，是两个问题。
人优先检查三处
第一，数据口径。 复权方式、缺失值、股票池和财报可用时间会影响研究结果。可以从本站的AKShare＋DuckDB 数据检查开始，先把数据说明留下。
第二，时序。 未来数据有没有进入特征或预处理？前缀一致性小检查能帮助发现一部分异常，但通过它不等于排除了所有泄漏。
第三，比较条件。 不同实验是否用了同样的费用、时间区间与约束？留一段没有反复参与调参的数据，记录所有主要尝试，不只留下最好的一次。
从哪一步开始最实用
还没跑通一个基线，就先选一套研究环境，把数据到结果走一遍。已经能重复基线，但写因子和整理实验耗时，再试 Agent 协助实现和记录。希望研究多角色分析，就单独看它如何引用资料、处理分歧和保存过程。
先让 AI 替你减少一个具体环节的重复劳动，再逐步扩大职责。每增加一个自动环节，都明确它交出什么、谁来接、怎样判断完成，这样比同时启动一组角色更容易用起来。
需要比较更多底座时，可以回到量化工具研究按任务选工具。