面向个人量化研究者与半自动交易的散户的量化交易智能体：把「我想验证一个策略」收敛成 口径清楚、可复现、经独立风控复核的一条链路 —— 取数入库 → 行业研判 → 因子筛选 → 回测 → 信号复核 → 风控限额 → 受限下单。要动真金白银之前，先过独立风控复核与本地下单闸门。
这是一个跑在 DeerFlow（字节跳动开源、基于 LangGraph 的 Agent 框架）之上的行业 Agent 资产包， 也可以不依赖 DeerFlow，用仓库自带的
cli/quantctl.py直接运行。 本仓库不包含、也不是 DeerFlow 框架本体，而是一套可一键挂载到已有 DeerFlow 实例上的「人设 + 技能 + 领域库 + 子智能体」原创配置与内容。运行时、模型调用、工具与 Web UI 均由 DeerFlow 提供。
| 能力 | 说明 |
|---|---|
| 🗄️ 数据运维 | 查本地覆盖度 → 只补缺口 → 落 quant-db；代码统一 code.exchange、复权口径显式声明、退市标的不丢、基本面必带公告日 |
| 🔍 市场研究 | 行业/标的/ETF 的基本面与量价研判，结论先行、证据可追溯、带反方证据与不确定性；不产出下单指令 |
| 🧮 因子筛选 | 给定 universe 与因子做横截面打分排名、产出候选池，落 factor_values（必要时落 signals）；不评历史收益 |
| 📈 策略回测 | 含成本模型、数据快照日与复现哈希，强制做「信号后移 1 日」对照与样本外验证；结论必须经 risk-reviewer 复核 |
| 📋 信号复核 | 读 signals、核可成交性（停牌/涨跌停/一字板/T+1/最小单位）、对照限额编排调仓执行清单；不含下单 |
| 🛡️ 风控限额 | 维护 strategies.risk_limits_json，给单标的/行业集中度与流动性约束；不给放宽风控或加杠杆的捷径 |
| 🔐 受限下单 | 唯一持有 trade-gateway_* 工具的技能；强制「看模式 → 验凭证 → 拿确认码 → 用户贴回 → 下单」五步，四道代码闸门 |
主助手（lead agent）与一个只读、不可再委托的 risk-reviewer 子智能体协作。它不是装饰性的
「二次确认」，而是下单凭证的唯一来源：
用户提问 / 回测交付 / 调仓计划
│
▼
quant-agent（主助手：7 技能 + 3 MCP，temperature=0.2）
│ 回测跑完要交付，或执行清单要进入下单
│ 通过 task 工具委托（白名单：仅 risk-reviewer）
▼
risk-reviewer（资深量化风控，只读复算）
│ 工具：read_file + quant-db_list_tables / describe_table / read_query
│ disallowed_tools: task / write_file / quant-db_write_query
│ 11 个维度逐条核对；只审风控，不改写策略逻辑
▼
三档结论：通过 / 补充措施后可执行 / 不建议执行
│
▼
主助手用 quant-db_write_query 落 risk_reviews
（review_id + verdict + findings_json + lag_shift_test）
│
▼
trade-gateway_prepare_order 去查这张表
│ 可执行档 → 生成 6 位确认码
│ 否则 → 直接拒绝，不生成确认码
复核覆盖的 11 个维度：前视偏差、幸存者偏差、过拟合、样本内外、绩效、集中度、流动性、 可成交性、交易成本、杠杆与资金、红线。
复核结论是硬凭证而非装饰。 它会真的写进 risk_reviews 表，而 trade-gateway_prepare_order
会真的去查这张表 —— 少了 risk_review_id、记录不存在、结论不是可执行档、或凭证指向的标的
与本次下单不一致，都不会生成确认码。子智能体本身没有任何写库工具，所以「自己给自己发一张
通过凭证」这条路在代码层就被堵死了。
| # | 闸门 | 落点 | 具体约束 |
|---|---|---|---|
| 1 | 默认关闭 | extensions_config.json + 环境变量 |
MCP 条目 enabled:false；只有 install.ps1 -EnableTrading 才写 true；QUANT_TRADE_DRY_RUN 默认 1 —— 即便打开也只写本地 orders 表、不报券商 |
| 2 | 风控凭证硬闸门 | gates.check_risk_review |
prepare_order 必须带 risk_review_id，且记录真实存在、verdict 落在可执行档（通过 / 补充措施后可执行），不建议执行 一律拒绝；给定 signal_id 时还要求凭证目标一致（防「拿 A 的复核下 B 的单」） |
| 3 | 6 位人工确认码 | gates.create_intent / consume_intent |
prepare_order 返回 intent_id + 6 位数字 confirm_token，TTL 120 秒、单次消费，完整生命周期落 order_intents；确认码必须由用户从对话里贴回，模型不得编造、不得循环重试 |
| 4 | 下单前重校验 | gates.consume_intent + check_limits |
place_order 重查 token 时效与消费状态、风控凭证、单笔金额上限、最小交易单位整数倍、涨跌停越界、停牌/退市；dry_run=1 时只写 orders 且 xt_order_id 必须为空 |
闸门落在 MCP 代码层，而不是提示词层。 提示词里写「必须先复核」「不许自己下单」是可以被
模型绕过的 —— 换一种说法、多轮诱导、跳过某个技能，都可能让软约束失效。所以真正拦人的是
prepare_order / place_order 里的 Python 分支与 GateReject 异常码，他们不认识「模型觉得
可以」，只认 risk_reviews 里的记录和 order_intents 里的状态位。
通过 uvx --with mcp==1.2.1 mcp-server-sqlite 挂载一个本地 SQLite 库，工具以
quant-db_ 为前缀暴露。主链路：
instruments ─┬─► bars_daily ─┐
├─► fundamentals ┼─► factor_values ─► strategies
└─► trading_calendar │
├─► backtests ─► equity_curve
│ │
│ ▼
└─► signals
│
risk_reviews ◄──── 复核结论落库 ──┤
▼
order_intents（确认码）
│
orders ─► trades
│
positions_daily（日终快照）
| 表名 | 关键字段 | 设计要点 |
|---|---|---|
instruments |
symbol PK, exchange, asset_type, board, industry_sw1, list_date, delist_date, lot_size, is_st, index_code, status |
保留 delist_date 非空的退市标的 —— 治幸存者偏差；board 决定涨跌幅（main ±10%、chinext/star ±20%、bse ±30%、etf ±10%）；lot_size 科创板为 200 |
trading_calendar |
cal_date PK, is_open, prev_open, note |
prev_open 是 T+1 成交与「信号后移对照」的基础 |
bars_daily |
symbol+trade_date PK, OHLC, pre_close, volume, amount, turnover_rate, adj_factor, adjust_mode, source |
价格带累计复权因子；volume/amount 恒为未复权原始口径；source 记录 akshare / baostock / manual |
fundamentals |
symbol+report_period PK, pub_date, pe_ttm, pb, roe, revenue_yoy, profit_yoy, mkt_cap |
pub_date 是防前视的锚点：as-of 查询只允许看到 pub_date <= as_of 的财报，无公告日的记录直接丢弃 |
factor_definitions |
factor_name PK, formula, direction, params_json, lookback_days, category |
公式与方向落库，禁止凭记忆编造因子 |
factor_values |
factor_name+symbol+trade_date PK, raw_value, z_score, pct_rank |
横截面标准化只在同一 trade_date 内进行 |
strategies |
strategy_id PK, universe_json, params_json, risk_limits_json, rebalance_rule |
参数与风控限额同库同源 |
backtests |
run_id PK, cost_model_json, param_grid_size, data_snapshot_date, repro_hash, lag_shift_checked |
可复现：数据快照日 + 代码/参数/快照哈希；未做后移对照降档，成本缺失直接不通过 |
equity_curve |
run_id+trade_date PK, nav, bench_nav, drawdown |
净值与基准同表对齐，回撤逐日留痕 |
signals |
signal_id PK, trade_date, symbol, side, score, target_weight, status, risk_review_id |
trade_date 是信号生成日，成交必须在下一交易日；status 走 new → reviewed → approved |
risk_reviews |
review_id PK, target_type, target_id, verdict, findings_json, lag_shift_test |
下单硬闸门的唯一凭证来源 |
order_intents |
intent_id PK, expires_at, consumed_at, status, confirm_token, risk_review_id |
确认码的完整生命周期：TTL / 单次消费 / 拒绝原因 |
orders |
order_id PK, intent_id, status, is_dry_run, xt_order_id, fee, tax, transfer_fee |
dry_run 单必须 status='dry_run' 且 xt_order_id 为空 |
trades |
trade_id PK, order_id, price, qty, fee, tax, trade_time |
成交明细，xt_trade_id 对得上券商回报 |
positions_daily |
account_id+trade_date+symbol PK, qty, avail_qty, avg_cost, market_value, weight |
日终快照；avail_qty 体现 T+1 可卖约束 |
单位约定：金额=人民币元；数量=股/份；比率类字段一律小数（0.12 表示 12%）；日期 YYYY-MM-DD；
时间戳为 Unix 秒。
口径错了，后面所有因子、回测与复核都是错的 —— 这是量化里最贵的一类 bug。
- 价格复权：
get_daily_bars的adjust取none/qfq/hfq，默认qfq。库里adj_factor统一存累计复权因子（后复权口径），qfq = price × adj_factor / latest_factor。 - 量恒未复权：
volume/amount永远是原始未复权口径，任何情况下都不要对成交量做复权 换算；同一组计算里的价格必须声明口径（none/qfq/hfq），不可中途换口径。 - 基本面必带
as_of_date：工具只返回pub_date <= as_of_date的记录；无处公告日的记录丢弃 并计入 warnings。回测调仓取数不带as_of_date即为前视。 - 信号 T+1 成交：
signals.trade_date是信号生成日，成交必须在下一交易日；回测不允许用 当日收盘价成交。 - 最小交易单位：A股 / ETF 100 股（份）；科创板
688开头 200 股（以instruments.lot_size为准）。 - 成本模型：佣金万 2.5（最低 5 元）、卖出印花税 0.05%、过户费 0.001%、滑点；
backtests.cost_model_json与gates.estimate_costs必须同口径。 - 指数成分：免费源多只提供当前成分股，
get_index_members会如实返回point_in_time=false， 历史回测据此判定引入成分股前视。 - 不可判定即不可交易：
get_limit_status取不到前收、或tradable=false，一律按不可成交处理。
quant-agent/
├─ README.md # 中文主文档
├─ README_EN.md # 英文完整版
├─ LICENSE # MIT + 投资风险附加声明
├─ .gitignore # 排除 *.db / venv / 本机配置
├─ persona/SOUL.md # 人设：角色、口径纪律、复核委托规则、免责
├─ config/agent.config.yaml # Agent 配置（7 技能 / 3 MCP / 子代理白名单 / temperature=0.2）
├─ skills/ # 7 个领域技能（SKILL.md + 可填写模板）
│ ├─ data-ops/ # 取数入库（templates/dataset_template.md）
│ ├─ market-research/ # 行业与标的研判（templates/research_template.md）
│ ├─ factor-screening/ # 因子打分与候选池（templates/screening_template.md）
│ ├─ strategy-backtest/ # 回测与绩效评估（templates/backtest_template.md）
│ ├─ signal-review/ # 信号复核与执行清单（templates/execution_template.md）
│ ├─ live-trading/ # 受限下单（templates/order_template.md）
│ └─ risk-limits/ # 风控参数与限额（templates/risk_limits_template.md）
├─ mcp-servers/ # 2 个自建 MCP server（Python / stdio）
│ ├─ quant-data/ # server.py + normalize.py（口径与错误信封）
│ └─ trade-gateway/ # server.py + gates.py（四道闸的纯函数实现）
├─ integrations/
│ ├─ quant-data/mcp.example.json # 取数 MCP 配置片段（含 UTF-8 关键设置）
│ ├─ quant-db/
│ │ ├─ schema.sql # 15 张表 DDL + 常用检索 SQL
│ │ ├─ seed.sql # 演示种子（不含任何行情/财务数值）
│ │ └─ mcp.example.json # 状态库 MCP 配置片段
│ └─ trade-gateway/mcp.example.json # 交易 MCP 片段（enabled:false + PYTHONPATH 注入 xtquant）
├─ subagents/risk-reviewer.yaml # 风控复核子智能体（4 空格缩进片段 + 幂等标记块）
├─ cli/ # 独立运行入口（不依赖 DeerFlow）
│ ├─ quantctl.py # MCP 桥 + 工具循环 + 技能收窄 + 复核委托
│ ├─ config.example.json # 配置模板（本机路径请用 config.local.json）
│ └─ requirements.txt # mcp / httpx
├─ scripts/
│ ├─ install.ps1 # Windows 一键安装器（9 步，幂等）
│ └─ check_consistency.py # 一致性校验（离线，8 类检查）
├─ tests/ # pytest（离线，不联网、不需要 QMT）
│ ├─ conftest.py # 用真实 schema.sql 建库，按文件路径加载被测模块
│ ├─ test_order_gate.py # 四道闸的拒绝路径
│ ├─ test_data_ops.py # 代码/板块/涨跌停/复权/错误信封
│ ├─ test_risk_reviewer_fixtures.py # 复核提示词覆盖度 + 3 错 1 对判定回归
│ └─ fixtures/risk_reviewer/ # clean / future_function / missing_cost_model / no_out_of_sample
├─ examples/ # 3 个可复现操作样例（runbook，非伪造对话）
│ ├─ 01-data-ops-runbook.md
│ ├─ 02-backtest-with-risk-review.md
│ └─ 03-dry-run-order-two-step.md
└─ docs/architecture.md # 架构、闸门设计、挂载点与踩坑记录
- 一个可运行的 DeerFlow 实例（本仓库在 DeerFlow 主分支 后端 + Web 网关上验证）
- Python 3.12、uv/uvx（用于拉起 MCP server 与建独立 venv）
- 一个 LLM API Key（DeerFlow 支持的模型均可；不需要联网搜索专用 Key，默认走免 Key 的 DuckDuckGo）
- 实盘可选：QMT / MiniQMT 客户端（xtquant 随客户端分发，不在 PyPI），以及券商开通的量化 交易权限
- Windows / macOS / Linux 均可；安装脚本与排障说明主要面向 Windows + 中文系统
以普通 PowerShell 运行（脚本默认对接 d:\...\deepflow\deer-flow，可用 -DeerFlowRoot 覆盖）：
.\scripts\install.ps1
# 或指定实例与用户：
.\scripts\install.ps1 -DeerFlowRoot "D:\path\to\deer-flow" -UserId "<your-user-id>"
# 启用实盘网关（仍然默认 dry_run，不报券商）：
.\scripts\install.ps1 -EnableTrading -QmtPath "C:\国金QMT" -QmtAccount "你的资金账号"
# 卸载（保留 quant.db 与 venv）：
.\scripts\install.ps1 -Uninstall安装器幂等地完成 9 步：
- 复制 Agent（
SOUL.md+config.yaml）与 7 个技能到用户空间agents/quant-agent/与skills/custom/； - 把
mcp-servers/*复制到<deer-flow>\backend\.deer-flow\mcp\quant-agent\（此后仓库可移动，安装不再依赖仓库路径）； - 为
quant-data建独立 venv 并安装akshare/baostock/mcp>=1.28,<2（与 machine-db 锁定的mcp==1.2.1环境隔离；此步联网且最慢，失败不阻塞后续）； - 合并
quant-data/quant-db/trade-gateway三个 MCP 与 7 个 skill 开关到extensions_config.json（写入本机绝对路径，trade-gateway默认enabled:false）； - 创建
quant.db（15 张表），仅在instruments为空时灌入演示种子； - 以
# BEGIN/END quant-agent managed block幂等注入risk-reviewer，插到既有custom_agents:之下，不新增第二个顶层subagents:键； - 环境自检（
uv.exe/uvx.exe/ QMT 路径 / 8001 端口占用）； - 把
web_search由 tavily（需 Key）切换为 DuckDuckGo（-UseDuckDuckGo:$false可保留原后端）； - 收尾提示：重启 Gateway、先跑一次 data-ops 取数、校验子代理键、卸载方式。
可用参数：-DeerFlowRoot、-UserId、-EnableTrading、-QmtPath、-QmtAccount、-UseDuckDuckGo、
-SkipSubagent（仅调试用）、-Uninstall。
随后重启 Gateway（配置不热加载），在新会话中选择「量化交易助手」。安装前会备份被改动的
config.yaml 与 extensions_config.json（同目录 *.bak_<时间戳>）。
- 把
persona/SOUL.md与config/agent.config.yaml放到用户空间agents/quant-agent/（配置文件重命名为config.yaml）； - 把
skills/*整目录复制到用户空间skills/custom/； - 把
mcp-servers/复制到<deer-flow>\backend\.deer-flow\mcp\quant-agent\； - 按三个
integrations/*/mcp.example.json注释，把mcpServers与skills两段合并进deer-flow/extensions_config.json，并把command、QUANT_DB_PATH、PYTHONPATH换成你本机的 绝对路径； sqlite3 <db> < integrations/quant-db/schema.sql，空库时再灌seed.sql；- 把
subagents/risk-reviewer.yaml两个标记之间的 4 空格缩进片段插到config.yaml既有subagents.custom_agents:之下。
细节与挂载点见 docs/architecture.md。
DeerFlow 提供编排、UI 与登录，但不是运行前提。三个 MCP server 本身就是 stdio 独立进程，
cli/quantctl.py 把它们直接挂起来跑同一套资产：
# 1. 准备依赖（mcp + httpx；也可直接用 quant-data 的 venv）
pip install -r cli/requirements.txt
# 2. 复制配置并改成你本机的绝对路径
copy cli\config.example.json cli\config.local.json
# 3. 自检：MCP 连接数 / 技能与子代理加载 / 模型连通性
python cli\quantctl.py --config cli\config.local.json doctor
# 4. 一次性执行 / 交互式会话
python cli\quantctl.py --config cli\config.local.json run "查一下本地 510300 的日线覆盖到哪一天"
python cli\quantctl.py --config cli\config.local.json chat它复用了同一批资产，行为与 DeerFlow 内一致：
| 环节 | quantctl 的做法 |
|---|---|
| 人设 | persona/SOUL.md 作为系统提示词 |
| 技能 | 系统提示词只放 name + description；模型调 describe_skill 时才读入全文，并按技能 allowed-tools 收窄工具集 |
| 取数 / 状态库 / 下单 | 三个 MCP 经 stdio 挂载，工具名带 server 前缀（quant-data_*、quant-db_*、trade-gateway_*） |
| 风控复核 | task 工具只接受 risk-reviewer，子代理提示词取自 subagents/risk-reviewer.yaml，工具白名单只有 read_file + quant-db 的三个只读工具 |
| 四道闸 | 完全在 MCP 代码层，quantctl 不绕过、也不重复实现 |
cli/config.local.json 已被 .gitignore 覆盖（含本机路径），不要提交。模型默认
deepseek-v4-pro，API key 从 DEEPSEEK_API_KEY 读取；换成任何 OpenAI 兼容端点只需改
base_url 与 model。
两条命令，都离线可跑，不需要联网、不需要 QMT、不需要模型：
python scripts/check_consistency.py # 跨文件一致性（8 类检查）
python -m pytest tests -q # 单元与回归测试check_consistency.py 校验的 8 类：① 配置里引用的技能 / MCP / 子代理都有对应文件；
② 每个 SKILL.md 的 allowed-tools 逐项在已声明工具清单内；③ 除 live-trading 外任何技能
都不得含 trade-gateway_ 前缀工具；④ schema.sql 建出的表覆盖技能与 MCP 里 SQL 引用的表名；
⑤ install.ps1 引用的仓库路径真实存在、开关与默认值正确；⑥ trade-gateway 在示例与安装器里
都默认关闭；⑦ risk-reviewer.yaml 是缩进片段、工具在清单内、禁写禁再委托；⑧ schema.sql 恰好
15 张表、交付物齐全。
tests/ 的 88 个用例覆盖三类：
- 下单闸门（
test_order_gate.py）：确认码 TTL 过期、重复消费、缺risk_review_id、verdict非可执行档、dry_run不报单这五种拒绝路径，外加猜错确认码不消耗、过期 pending 意图清理、单笔限额 / 整手 / 停牌 / 涨跌停越界、仓位上限与费用模型口径。 - 口径归一化（
test_data_ops.py）：代码归一化（含000001沪深同号）、板块推断、涨跌幅 限制、涨跌停价四舍五入、复权换算、上游中英文行归一化、结构化错误信封与拒绝码稳定性。 - 风控复核（
test_risk_reviewer_fixtures.py）：断言提示词写全 11 个维度与三档结论、必须 含「信号后移 1 个交易日」与「cost_model_json缺失直接不通过」，并用 4 个 fixture （3 错 1 对）验证硬判据不会把已知错误样例判过。
只报告可复现的工程结果：
python -m pytest tests -q→ 88 passed；python scripts/check_consistency.py→ 全部检查通过；- 两个自建 MCP server 可被 MCP 客户端正常拉起，含中文的结果（如「沪深300ETF」「通过」）在
PYTHONUTF8=1下正常返回，不出现 60 秒超时； trade-gateway在dry_run=1下可以完整走通prepare_order→ 用户贴回确认码 →place_order，orders表出现status='dry_run'且xt_order_id为空、券商无报单。
这里不提供任何回测收益、夏普、回撤或行情数字 —— 那些必须由你用自己的数据跑出来。 不同模型在工具调用与委托触发上可能有差异，生产使用前请按自己的数据与制度自行验收。
examples/ 下是 3 个可复现的操作样例（runbook），不是伪造的对话记录或回测结果：
01 演示建标的池并补齐日线并核对覆盖度与口径；02 演示一次 ETF 动量轮动回测如何落库并送
risk-reviewer 复核；03 演示 dry_run 下单的两步走与各类拒绝码。
- 本项目是量化研究与自动化工具，不构成任何投资建议。
SOUL.md明确禁止给出「稳赚」「必涨」 之类的确定性承诺，也禁止编造行情、收益率、因子 IC 或回测结果。 - 历史回测不代表未来收益。 实盘盈亏与由此产生的任何后果由使用者自行承担。
- 默认不启用交易网关（
enabled:false），且启用后仍默认QUANT_TRADE_DRY_RUN=1，只写本地orders表不报券商。要真报单必须显式改QUANT_TRADE_DRY_RUN=0，并自行确认已按券商与监管 要求开通量化交易权限、签署相关协议。 - 演示种子（
seed.sql）只含公开的代码 / 名称 / 板块 / 行业等事实，不含任何行情价格与财务 数值；backtests/signals/orders等表刻意留空，必须由真实流程写入。 - 本项目以 MIT 许可发布；DeerFlow 框架遵照其各自许可。
-
现象：MCP 工具在纯 ASCII 结果上正常，一旦返回含中文的内容就 60 秒超时。 原因：stdio 子进程在中文 Windows 默认按 GBK(cp936) 写 stdout，MCP 客户端按 UTF-8 解码失败。 解决：三个 MCP 的
env都要写PYTHONUTF8=1（最好再加PYTHONIOENCODING=utf-8）， 不是只给 sqlite 加；安装器已自动注入，手工安装别漏。 -
现象：技能加载后，MCP 或
task工具报 “not allowed by the active skill policy”。 原因：技能allowed-tools是精确白名单，YAML 列表形式不做别名归一化。写Read/Write/WebSearch不会匹配任何运行时工具。 解决：一律写运行时真名，如read_file、write_file、web_search、task、quant-data_get_daily_bars、quant-db_read_query、trade-gateway_prepare_order。 -
现象：
quant-dbMCP 起不来或工具列表为空。 原因：新版 MCP SDK 移除了旧 sqlite server 依赖的Server.list_resources装饰器。 解决：锁定uvx --with mcp==1.2.1 mcp-server-sqlite；quant-data用独立 venv 装mcp>=1.28,<2，两者互不影响。 -
现象：装完
risk-reviewer后config.yaml解析失败，或原有safety-reviewer消失。 原因：本机config.yaml已有 machine-problems 注入的顶层subagents:键，再追加第二个 同名顶层键会重复 / 静默覆盖。 解决：subagents/risk-reviewer.yaml只是 4 空格缩进的片段，必须插到既有custom_agents:行之后（安装器已这么做）；校验方法：uv run --with pyyaml python -c "import yaml;d=yaml.safe_load(open(r'<deer-flow>\config.yaml',encoding='utf-8'));print(list(d['subagents']['custom_agents'].keys()))" # 应同时看到 safety-reviewer 与 risk-reviewer
注意：
risk-reviewer是自定义custom_agents条目，allowed_subagents只授权这一个 —— 主助手看不到也不能调用其它子智能体。 -
现象：
quant-data首次调用任一取数工具（交易日历、日线、基本面）卡 60100 秒后超时， 而同一台机器上直接100 秒）；在 Python 3.14 的 venv 上尤其明显。 解决：一是 venv 锁 Python 3.12（安装器已用python -c "import akshare"只要 2 秒左右。 原因：在 MCP 的工作线程里首次导入 akshare 时，其依赖numpy._core._multiarray_umath在该上下文下初始化异常缓慢（实测 76uv venv --python 3.12）；二是server.py在mcp.run()前于主线程预热akshare/baostock，把导入成本挪到 会话初始化阶段（session_init_timeout为 180 秒，足够）。 -
xtquant 不在 PyPI：它随 QMT 客户端分发，同名包多为非官方上传。安装器不执行任何
pip install，而是把<QmtPath>\bin.x64\Lib\site-packages通过PYTHONPATH注入。
MIT © 2026 chen1255