什么是 Agent 量化
传统量化里，人写策略；Agent 量化里，Agent 自己做研究。门槛从「会 Python」变成「会提问」，但瓶颈也换了 —— 不再是策略写得对不对，而是 Agent 会不会编。
Agent 量化 = 让 Agent 自己走完「提假设 → 取数 → 回测 → 验证」的闭环，人只负责提问和裁决。它要的不是「数据多」，是「数据可核对」—— 因为 Agent 出错时，你分不清「算出来的」和「编出来的」。
与传统量化的分野
不是「同一件事做得更好」，是换了一个执行者。执行者一换，门槛、瓶颈、平台的角色全跟着换：
| 传统量化（聚宽 / 米筐 / 优矿 / 掘金） | Agent 量化 | |
|---|---|---|
| 谁做研究 | 人写策略 | Agent 自己做研究 |
| 数据给谁用 | 给人写的策略代码调 | 给 Agent 直接调（MCP） |
| 用户门槛 | 会 Python | 会提问 |
| 主要瓶颈 | 策略写得对不对 | Agent 会不会编 |
| 平台的角色 | 数据 + 回测引擎 + 策略社区 | 可信数据层 |
| 自动化程度 | 人定规则，机器执行 | Agent 自己提假设、自己验 |
⚠️ 关键区分：传统平台的「AI」是用大模型帮你写策略代码（人仍在环内）⇒ 他们做的是 Copilot；我们做的是 Autopilot 的底座 —— Agent 自己完成「取数 → 提假设 → 验证 → 迭代」的闭环。
最锋利的一刀：可核对
Agent 量化最大的风险，不是数据少，是「AI 编了你不知道」：
传统量化出错：人写的代码，能 debug
Agent 量化出错：你分不清「算出来的」和「编出来的」
⇒ 所以 Agent 量化真正需要的不是「数据多」，是「数据可核对」。下面这些设计不是卖点包装，是让 Agent 的结论能被复算：
| 我们的设计 | 对 Agent 意味着什么 |
|---|---|
| K 线固定前复权，无 `adjust` 参数，除权除息日不跳空 | Agent 算的涨跌幅可复现 —— 换个时间再跑，结果一样 |
| 单位统一（元 / 股 / 手写清） | Agent 不会算错量级 |
| 空结果 ≠ 故障 | Agent 不会把「没有数据」误判成「服务坏了」 |
| 固定信封 `{ ok, endpoint, tier, elapsed_ms, source, data }` | Agent 能自己判断「这次调用成没成」 |
一条闭环长什么样
Agent 量化不是「问一句就出选股结果」，是一条可以查错的链路：
把数据接成 Agent 能直接调的工具（MCP 或 REST），不是让它读网页
Agent 自己提：「放量突破 20 日高点后 5 日胜率如何」
Agent 调工具拿真实数据 —— 结构化、带口径、可复算
按统计门槛裁决：样本量够、置信区间下界 > 0、样本外方向一致
结论和数据对不上 —— 这一步才是 Agent 量化真正的难点
回到原始数据复算。口径固定 ⇒ 复算结果必然一致，编没编一验就清楚
我们的边界（先说清）
这一页讲的是品类，不是承诺。三件事我们不做：
我们不告诉你哪只票会涨。数据和验证方法给你，判断在你。
我们只提供数据与验证能力，不下单、不接管账户。
那是给散户的收益承诺。我们讲的是给开发者的能力承诺：AI 说的怎么验。
想动手做
这一页定义品类；具体怎么做在下面这几篇：
四条数据路径对比 · REST 与 MCP 两条接入路 · 回测最容易骗自己的四个坑
取数 → 回测 → 裁决，含四条裁决规则
一个 URL 接进 Claude Code / Cursor / Codex 等客户端
常见问题
不是。AI 选股通常指用模型给出一份股票名单（对散户的收益承诺）；Agent 量化指 Agent 自己做研究、自己取数、自己验证的整套流程（对开发者的能力承诺）。我们不承诺选股结果，只保证数据可核对、结论可复算。
可以起步。Agent 量化把门槛从「会 Python」降到「会提问」—— 你把假设说清楚，Agent 去取数、去算。但裁决这一步仍需要你判断：样本量够不够、样本外还成不成立。
传统量化里代码是人写的，出错能 debug；Agent 量化里结论是模型生成的，出错时你分不清是算出来的还是编出来的。所以口径固定（前复权、单位统一、固定信封）不是细节，是能不能用 Agent 做量化的前提。
提供。单标的 / 组合回测、多标的 × 多策略的批量回测，含佣金 / 印花税 / 滑点 / 涨跌停。策略与因子库也可以直接调。详见 MCP 接入说明。