在实际的RAG系统中，Qwen3-Embedding用于初步检索，Qwen3-Reranker用于优化候选结果，这样可以兼顾效率和精度。甚至会多轮召回并执行函数，获取所需要的信息。LLM通过tools调用扩展能力，tools，包含MCP，可以通过api， 搜索以及本地知识库获取知识（传统称为RAG）。API，MCP更偏向查询和返回结构化数据，而RAG则偏向在非结构化的文本，数据集中用“向量化”去召

原创内容第1042篇，专注AGI+，AI量化投资、个人成长与财富自由昨天，我们把金融量化多智能体的总体框架和技术选型梳理清楚了。星球里排名第一的策略更新了，可以免费订阅了: 年化560%，回撤9%，夏普6.01。从目前看到的多智能量化框架和代码来看，更多是基于像akshare或者更多数据源，做mcp服务，或者基于prompts，给大模型设定人设，然后对于某一支证券做评价，有些直接就是把交易规则给大

虽然DRL的训练过程较为复杂，且必须面对市场的不确定性，但它的自适应能力和长期优化的潜力是其显著的优势。这是官方给的代码，大家可以结合论文先看作者的思路，后续会结合我们自己的数据，考虑整合到Quantlab框架中。最近开始，还会把星球沉淀下来的模块，生成相应的专栏，可能会使用小报童的形式，大家这几周可以关注下。爱迪生的研究所，在经济周期面前，仍然需要断臂求生，这就是商业法则——生存为第一要义。“一

说缺点的话，打包后文件夹比较大，200M，压缩后60来M，还算可以接受吧。另外就是杀毒软件可能会误报，我是直接加到信任名单里，不过可以看下，如何解决让它不误报的问题。短期，一天，能做的事情，很有限，其实不必列长长的清单，也许某几天可以完成的很好，但长期会压力大，没有必要。aitrader的框架后续计划在gitee上托管，地址已经同步在星球中，并发布的初始代码。选择脚本，基本参数，然后把本地目录选择

qlib数据库的好处就是在原始序列的基础上，计算指标会很方便，而且内置了多进程，缓存系统等功能，能省我们不少数据处理相关的事情。文档和示例有很多未尽事宜，而且框架本身还没有到1.0，还有持续迭代开发中，所以很多具体的用法，需要到代码中去理解。内置的表达式主要是一些基础的计算函数，我们可以组合出基础的计算功能，而且我们自己自己实现表达式，并注册给系统即可。好在qlib的代码质量还是非常高的，写得非常

而且内容本身，就是价值，结构化的内容，专栏等。比如，要创建一个“价值投资大师”智能体，你的instractions可以这样写，你就想，如何写一个足够聪明的孩子，布置任务，你应该如何描述。这里打一个比方，好比，你对一个特别聪明的大学毕业生说，“按巴菲特的原则”去选股。多智能体的智能投研平台，首先需要一个智能体框架，我选择是agno，选择的理由是：轻量，低侵入，功能强大。从这个理念来讲，金钱系统使用我

长期持有不等于“躺平”。长期持有并不意味着买入之后就不再调整。卖出的逻辑是当初买入的逻辑不成立了。传统的收益率止盈之类的不合适，止盈之后买什么呢？拿着现金？除非有更好的选择，或者当前基金的基本面变坏了，比如基金经理变更。高估止盈是否需要？是需要的。否则就会坐过山车，但怎么止很关键。传统上的做法是估值分位点超过85%止盈20%，超过90%再止盈20%这样的操作，这种操作会上牛市前期，早早就下车了。我

多因子的逻辑，从这个本质看，尤其是机器学习，反而有“预测”的意味，选择好的因子（特征），使用未来收益率的label来预测哪个股票会上涨，然后把它纳入组合持有，定期去筛选。比如发现市场往上走，就加点仓位，回调多少就止损等等。更常见的情况是投入一定比例的资金，比如《以交易为生》里提及的2%的仓位，然后根据变化，再决定加仓还是减仓等。股票本质是有内生增长动力，本质上是好企业融资，发展的逻辑，所以，优质股

个人最喜欢的一个指标： 趋势评分——这个指标看起来比较高级，不是传统技术分析那种加加减减，求平均。而TrendScore是趋势拟合，拟合出斜率，而且还使用了R方置信度来修正，是有统计学意义的。原创内容第1021篇，专注AGI+，AI量化投资、个人成长与财富自由。所以把一个指标做透，把几个策略做好，求精而不求多。对于AI量化社群，用户价值就是策略，如何开发或者订阅有效的策略。本周重点，原生backt

以下是一些可能的途径和策略，但请注意，这些方法都涉及不同程度的风险，并且成功并不是保证的。但在深度学习时代，最大的一点进步就是不需要特征工程，因为特征工程本身是对现实数据的简化。——本身也是一种”拟合“，或者说试图”解释“过往的收益率，有一种符号表达的方式。图像识别就是端到端，AlphaGo就是端到端，深度强化学习端到端构建投资组合——从逻辑上更符合金融投资的场景——它甚至不需要label。所以，