告别手写代码：Trae + DolphinDB Skill，10 分钟造一个懂期货的投研 Agent

AI Agent 正逐渐从通用问答和代码生成，走向更加专业的业务场景。对于量化投研而言，Agent 的价值不仅在于生成策略代码，更在于能否理解投研人员的策略描述，并调用数据、计算和回测能力完成完整的研究流程。

为探索 Agent 在专业投研场景中的应用，我们基于 Trae，结合 DolphinX Skill、DolphinMind RAG 和系统提示词，搭建了一套 CTA 投研 Agent 工作流。该 Agent 可以根据用户输入的策略描述，自动完成指标计算、主力合约合成和策略回测，并将中间脚本与最终结果进行持久化。

本文将以这一实践为例，介绍如何从工作区、系统提示词、数据模型和任务工作流四个层面构建 CTA 投研 Agent，并展示其在简单策略和复杂截面 CTA 策略中的实际执行效果。

一、任务目标

本项目希望开发一套能够完成 CTA 因子信号计算与策略回测的 Agent 工作流，主要包括以下能力：

多种策略类型：支持时序 CTA、截面 CTA 等多种期货策略类型。
脚本持久化可复用：因子信号计算脚本、主力合约合成脚本、策略回测脚本、回测结果持久化可追溯。
指标数据可复用：支持自动解析 Prompt 中对应因子/信号计算与主力合约逻辑，并复用已有因子/信号 + 主力合约合成规则，避免重复计算。
Prompt 描述简化：支持使用股指期货等模糊表述代替具体的标的池表述，并配置不同类型期货回测下的预设参数，如股指期货默认最后交易日前 1 天平仓，以简化整体策略描述。

这一设计的核心并不是让 Agent 简单地"写出一段回测代码"，而是让 Agent 能够理解一套相对完整的 CTA 投研工作流，并在数据、代码和计算环境之间建立稳定的执行链路。

二、如何构建一个 CTA 投研 Agent？

目前 DolphinX 各 Skills + DolphinMind + 系统提示词（如 AGENTS.md/）这三板斧能够解决绝大部分 Agent 编写 DolphinDB 业务代码时遇到的问题。三者的设计理念如下所示：

DolphinX 各 Skills 能够回答 DolphinDB 有哪些功能函数模块，以及适用于特定场景的任务执行。
DolphinMind RAG 提供 RAG 文档检索功能，详细回答了 DolphinDB 功能函数模块用法。
系统提示词规定了 Skills 如何嵌入至工作流，需要以何种方式解决何种任务。

图 2-1：Skills + RAG 检索 + 系统提示词职责

那么，如何将这三者有机的融合在 Agent 的工作区中呢？需要根据目标任务的工作流进行初步规划。

2.1 如何搭建一个 CTA 投研 Agent？

首先进行 Agent 工作区的设计，以便代码与结果的查看与维护；工作区的设计方式有很多种，这里推荐按照任务流的每个环节建立工作区。通过拆解 CTA 投研回测任务的基本流程，我们可以得到下图的形式，将每个流程得到的脚本文件或结果单独存放在一个文件夹中，最终得到工作区的整体设计。

图 2-2：CTA 回测的基本流程及对应文件夹

由于当前 Agent 都是通过 shell 脚本（Powershell/CMD/Git Bash等）执行命令，DolphinDB .dos 脚本无法在本地编译执行，所以需要通过 DolphinDB SDK 进行封装，使得 Agent 通过 shell 脚本运行 DolphinDB Python/Java/C++ SDK，从而提交脚本至远程 DolphinDB 服务器执行。这里以 DolphinDB Python SDK 作为封装进行开发，并将全部 Python SDK 调度代码存放在同一个文件夹中，方便运维管理。

此外，在 Agent 执行任务的过程中，可能涉及到网络连接、环境检查、debug测试等需要 Agent 额外编写代码调试的场景，这部分调试代码需要单独设置文件夹进行存储，否则 Agent 可能会乱放与主要任务无关的代码，从而破坏原有的代码结构。

因而加入 Python SDK 调度逻辑后的工作流程及文件夹如下所示：

图 2-3：最终 Agent 工作区的整体设计

最终该整体项目文件的设计如下所示：

bash 复制代码

.agents: # trae Skills文件夹
  dolphindb-backtest-skill.zip # dolphindb 回测Skills
  dolphindb-daily-factor.zip # dolphindb 日频因子编写 Skills
  dolphindb-highfreq-factor.zip # dolphindb 高频因子编写 Skills
  dolphindb-ops.zip  # dolphindb 运维 Skills
  dolphindb-rag.zip  # dolphindb RAG Skills
  dolphindb-test.zip # dolphindb 测试 Skills
script: # trae Agent工作文件夹
  indicator: 
    testSignal.dos  # 供Agent参考的CTA信号计算脚本
    testFactor.dos  # 供Agent参考的CTA因子计算脚本
  mainCont:
    default.dos # 供Agent参考的主力合约合成template
  result: 
    # 存放每个策略的回测结果csv文件
  strategy: 
    demo.dos  # 供Agent参考的CTA策略template
  sysScript:  # DolphinDB Python SDK代码, 负责让Agent执行对应 DolphinDB .dos脚本
    getIndicator.py
    getMainCont.py
    getSchema.py
    runIndicator.py
    runStrategy.py # Agent运行策略
    utils.py # 工具函数
  usrScript:
    # 存放其他Agent生成的脚本(系统调试、环境变量检查等与主要任务无关的脚本)
  config.json5: # dolphindb session 配置项

2.2 用 AGENTS.md 定义 Agent 的工作方式

Trae 支持按照 AGENTS.md 以及 CLAUDE.md 作为提示词，因而使用 Codex 与 Claude 的用户可以无缝迁移 Agent 工作项目至 Trae。本项目使用 AGENTS.md 作为系统提示词，系统提示词的设计如下：

图 2-4：系统提示词 AGENTS.md 文件内容结构

以下介绍一些较为简略的提示词，剩余部分在其余章节进行介绍：

角色定义：该部分提示词可结合任务目标自行编写，这里准备了一般粗糙的提示词：

bash 复制代码

你是一个精通使用DolphinDB函数进行因子编写以及使用DolphinDB Backtest回测插件进行期货策略回测专家，Always respond in Chinese-simplified

工作区文件目录：AGENTS.md 中的工作区文件目录如章节 2.1 工作区设计所示，填入文件目录具体内容即可，这里不做赘述。

当前任务说明：当前任务说明为任务流的概述，能够帮助 Agent 快速理解总体任务流所要达成的目标，同时需要说明必要的环境信息，以及工作流执行方式：

2.3 设计库表结构

由前文描述可知，本文设计的 Agent 需要实现一项关键能力指标数据可复用，即支持自动解析 Prompt 中对应因子/信号计算与主力合约逻辑，并复用已有因子/信号 + 主力合约合成规则，避免重复计算。

同时，DolphinDB Backtest 回测插件也需要对应的行情数据与基础数据。特别针对 CTA 策略，每日保证金率与手续费率都可能进行变动，因而在库表层面，不仅需要准备标的的基本信息表，还要准备标的每日信息表。汇总以上 Agent 能力需求与 Backtest 回测插件的数据需求，设计库表结构如下：

图 2-5：Agent 所需 DolphinDB 库表结构设计

2.4 搭建完整任务工作流

根据前文基本工作流的梳理以及库表的设计，我们可以梳理 Agent 端与数据库端的交互过程，这里进一步加入环境检查、SDK 调度等环节。同时为了提升任务执行的成功率，这里在 DolphinX Skills 的基础上增加了 Agent 对样例代码的学习环节。

在任务流执行的全程过程中，特别是在策略代码编写时使用到的 DolphinDB 语法，Agent 可以通过DolphinMind RAG 能力进行搜索并得出正确用法。

最终，我们构建了用于 CTA 因子/信号计算与策略回测的投研 Agent，其任务工作流如下所示：

图 2-6：CTA 投研 Agent 任务工作流设计

三、效果展示

用户向 Agent 输入指标计算与策略具体逻辑的 Prompt，Agent 就会依次执行前文提及的任务工作流。

以下展示了不同详细程度的策略的描述 Prompt 以及 Agent 执行效果，可以看出该 Agent 能够较好地理解用户需求，并执行 CTA 指标计算、主力合约合成以及不同类型的 CTA 策略回测任务。

3.1 简易策略：以一个时序 CTA 策略为例

3.1.1 策略描述 Prompt

以下是这个简易版本的策略描述 Prompt：

bash 复制代码

现需要执行DolphinDB Backtest：
标的池规则：股指期货
初始资金：10000000
回测开始时间：2022.01.01
回测结束时间：2023.01.01
止盈止损比例：保证金比例10%
开平仓条件：结算价计算金叉死叉，金叉多头信号+死叉空头信号；下一个交易日开盘价开仓，已有持仓则跳过

3.1.2 任务流分析

遇到类似金叉死叉这类模糊表述，Trae 会自动生成若干候选精确表述指标，根据需求选择即可：

图 3-1：Agent 解析金叉死叉指标

同时，由于 Prompt 中为给出明确的平仓信号，Agent 也会进行询问：

图 3-2：Agent 确认平仓信号

之后，Agent 会自动按照 AGENTS.md 中规划的工作流进行执行，遇到报错也会按照工作流进行调试。遇到无法通过命令行 shell 脚本调试的行为，Agent 会自动在 ./script/usrScript 文件夹下编写相关代码进行调试。

3.1.3 执行结果观察

下图展示了回测的执行工作流结果与策略回测结果，可以发现 Agent 严格按照了 AGENTS.md 中规划的工作流，并将计算的因子与策略脚本文件保存至指定的文件夹。

图 3-3：Agent 工作流执行结果

图 3-4：Agent 策略回测结果

3.2 复杂策略：以一个截面 CTA 策略为例

3.2.1 策略描述 Prompt

如果将策略的复杂程度提升，增加更多的策略条件；同时自定义主力合约合成规则，这里假设按照前一交易日的成交量区分主力合约，从而得到如以下所示策略 Prompt 的复杂策略描述。

bash 复制代码

现需要执行DolphinDB Backtest：
指标计算规则：
    - kurtRet10D: 过去10日settle涨跌幅的kurtosis
标的池规则：除了['ZC', 'PM', 'WH', 'RI']以外的所有商品期货品种
初始资金：10000000
资金分配规则：开仓固定为1手
回测开始时间：2022.01.01
回测结束时间：2023.01.01
调仓日规则：每周第一个交易日为调仓日
主力合约规则：volRule，上一个交易日成交量第一的合约定义为该交易日该品种的主力合约，若新主力合约到期日<旧主力合约，则保持旧主力合约不变
止盈止损比例：按照保证金比例计算的10%止盈 + 5%止损，多单空单均适用
到期日条件：离最后交易日15天必须强行平仓，且不得开该合约新仓
开多仓条件：当前交易日为调仓日 + 未持有该品种多单 + 到期日条件满足 + kurtRet10D排名TOP10大  -> 下一交易日开盘价主力合约开仓
开空仓条件：当前交易日为调仓日 + 未持有该品种空单 + 到期日条件满足 + kurtRet10D排名TOP10小  -> 下一交易日开盘价主力合约开仓
平多仓条件：下一个交易日为调仓日 or 止盈止损 or 到期日条件不满足 -> 下一交易日开盘价平仓
平空仓条件：下一个交易日为调仓日 or 止盈止损 or 到期日条件不满足 -> 下一交易日开盘价平仓

3.2.2 执行结果观察

下图是该截面 CTA 策略的执行结果汇报，可以看出在复杂的 CTA 策略投研场景下，该 Agent 依然能够理解用户的意图并根据工作流严格执行。

图 3-5：Agent 策略运行结果

此时观察工作区，可以发现 indicator 文件夹与 strategy 文件夹下已经出现了Agent 生成的指标计算脚本文件与策略文件。result 文件夹下按照策略名称创建了一个名为 kurtRet10DStrategy 的子文件夹，其中保存着具体的回测结果。

由于策略描述 Prompt 文本中包含了名为 volRule 的主力合约规则及描述，因而 Agent 在 mainCont 文件夹下生成了一个名为 volRule.dos 的主力合约合成脚本，并按照 volRule 规则在回测中进行调仓。

图 3-6：Agent 工作区生成脚本文件与结果文件

同时观察 DolphinDB 表 dfs://factorDB/infoCTA，发现其已经记录了所有的信号与因子名称及其描述。当新的 Prompt 中涉及到与库内因子/信号语义一致的指标时，Agent 会自动使用含义一致的这些指标，从而实现指标复用的功能。

图 3-7：更新后的 infoCTA 表

四、部署方式

下载附件中的压缩包，按照以下操作进行部署即可：

step1. 确保 powershell 读取中文注释不会输出乱码。

以管理员身份打开 powershell，粘贴执行以下命令：

bash 复制代码

#允许运行自定义脚本
set-executionpolicy remotesigned

#创建默认profile，如果存在则不创建
if (!(Test-Path -Path $PROFILE)) {
  New-Item -ItemType File -Path $PROFILE -Force
}

#查看创建的profile文件位置
$PROFILE

根据输出的位置，找到 profile 文件，

bash 复制代码

C:\Users\Admin\Documents\WindowsPowerShell\Microsoft.PowerShell_profile.ps1

使用任意文本编辑器打开该 profile 文件，加入一行：

bash 复制代码

$OutputEncoding = [console]::InputEncoding = [console]::OutputEncoding = New-Object System.Text.UTF8Encoding

重启 powershell，输入 chcp 查看编码，若为 65001 则说明修改成功，此时 powershell 执行 shell 脚本读取代码文件遇到中文不会输出乱码。

step2. 将压缩包解压至 windows 用户允许读写的任意路径下，若当前存在 pandas + dolphindb + json5 环境，可以修改 AGENTS.md 中的本地 Python Conda 环境为该环境。

图 4-1：指定 Agent 执行某一 Conda 环境

step3. 配置 DolphinDB 连接，打开解压后的文件夹，修改 ./script/strategy 文件夹下的 config.json5 文件，填入对应的配置项，该配置项将作为 DolphinDB 的连接配置在 Agent 中全局使用：

bash 复制代码

{  "session": {  "host": "",  "port": "",  "userid": "",  "password": ""  } }

step4. 建库建表 + 数据导入，打开解压后的文件夹，依次运行 Python 代码即可完成教程数据导入。后续可以接入 tushare 或通联等数据提供商的数据，并通过设置定时任务的方式实现数据的增量更新。

图 4-2：建库建表 + 导入示例数据的 Python 代码文件

step5. 运行 Trae Agent 客户端，打开目标文件夹。为确保网络端沙箱放行，尤其是 DolphinDB 部署在远程 linux 服务器上的情况，这里需要以自定义权限模式进行执行。点击设置 - 权限审批 - 自定义配置，进入 global.json 文件，修改配置项 enable 为 false：

bash 复制代码

 "shellSandbox": {  "enable": false, // 默认为true,导致沙箱拦截部分行为  "onRestrict": "request_permission_retry_sandbox"  },

step6. 根据网页 DolphinMind 中的提示，并在该页面上申请 DolphinMind api-key，将 DolphinMind 接入 agent，使其可以通过 DolphinMind 的 RAG 能力查询文档中 DolphinDB 函数用法。

图 4-3：Agent 接入 DolphinMind RAG

step7. 输入策略描述 Prompt，即可让 agent 生成对应的主力合约拼接、因子信号计算与期货策略回测脚本，agent 执行最终的回测脚本返回对应结果。

五、总结

本文利用 Trae + DolphinX Skills 实现了一个能够进行 CTA 因子信号计算、主力合约合成以及策略回测全套流程的 Agent，展现了当前 DolphinMind RAG、DolphinX Skills 与系统提示词相结合的强大执行能力。

以下是基于 DolphinX Skills 进行 Agent 开发的几点实际体验：

在初始建库建表时，可以通过 setTableComment 和 setColumnComment 函数为整个表以及每个字段添加注释，这样减少了后续向 Agent 的字段解释成本，可以直接将整个表的 schema 返回给 Agent。
在强业务逻辑的场景下，受限于 Agent 自身的能力以及 Skills 本身的文档属性，Agent 生成的代码可能较为混乱，且运行效率较为低下。此时可以针对性地给出一个或几个业务场景中的真实代码，让 Agent进行学习，能够大幅提升任务执行的成功率。
**数据层面必须遵守的逻辑，须同时在系统提示词 AGENTS.md 与原始库表注释中均加以说明，**保证 Agent 在取数过程中的行为符合预期。
在测试过程中，应当结合真实用户输入的 Prompt，**尝试简化 Prompt，并观察 Agent 的任务执行是否符合预期，**该过程有助于预防工作流执行时的潜在问题。
在测试过程中，对于回测场景下常用但 Agent 需要迭代多轮才能写出的函数，可在 ./script/strategy 文件夹中的 demo.dos 策略样例文件中予以使用。