一、摘要

我是一名金融科技领域的开源开发者（FinAnalyzer），致力于将全球领先的开源金融数据平台 OpenBB 引入中国市场。本次实践中，我使用 Trae IDE + SOLO，通过创新的 Agent Skills 预训练策略，仅用 9 天（4月16日-4月24日） 完成了 openbb_tdx 项目的框架搭建与核心功能开发——这是一个将通达信 TdxQuant 官方量化接口深度集成到 OpenBB 生态系统的数据扩展插件，覆盖 A 股/港股历史行情、实时报价、财务报表、分红数据、关键指标等核心能力，累计 29 次提交。

二、背景

2.1 我的角色与挑战

我此前已成功开发了两个 OpenBB 中国市场数据扩展插件：openbb_akshare（对接 AKShare）和 openbb_tushare（对接 Tushare）。2025年底，通达信官方推出了 TdxQuant Python 量化接口，提供免费、高质量、低延迟的 A 股/港股实时与历史数据。TdxQuant能够提供高质量的数据，我想尽快开发第三个扩展插件 openbb_tdx，将这条全新的数据通道接入 OpenBB 生态。

核心挑战：

• OpenBB Provider Framework 有严格的架构规范（Fetcher 三方法模式、标准化数据模型、缓存策略等），学习曲线陡峭
• TdxQuant 是全新的 Python SDK，API 文档需要消化整理
• 需要处理通达信中英文字段映射、股票代码格式转换、缓存策略选型等复杂问题
• 开发过程中需要频繁查阅 OpenBB 官方文档、TdxQuant API 文档和已有项目的参考实现

2.2 为什么选择 SOLO + Agent Skills

在正式开发之前，我面临一个效率瓶颈：SOLO 虽然强大，但每次让它开发 OpenBB Provider 的新 Fetcher 时，都需要反复解释架构规范、字段映射规则、缓存策略等上下文信息。这些「重复教学」消耗了大量时间。

我的解决方案是：先开发两个 Agent Skills，让 SOLO 在后续开发中「自带知识库」，从而大幅提升开发效率。

三、实践过程

3.1 任务拆解策略

我将整个项目开发分为三个阶段：

阶段一：知识沉淀（Day 1-2）→ 开发 Agent Skills
阶段二：框架搭建（Day 3-4）→ 项目骨架 + 基础设施
阶段三：功能迭代（Day 5-9）→ 逐个实现数据接口

3.2 阶段一：开发 Agent Skills（核心创新点）

这是本次实践中最关键的步骤。我在正式写业务代码之前，先让 SOLO 帮我开发了两个 Agent Skills：

Skill 1：openbb-data-provider（OpenBB 数据提供者开发指南）

目的： 将 OpenBB Provider Framework 的完整开发知识注入 SOLO，使其在后续开发中无需重复解释架构规范。

包含内容：

• OpenBB 架构概览（Provider → Fetcher → Router 数据流）
• 项目目录结构模板（provider.py、router.py、models/、utils/）
• Fetcher 三方法模式的完整代码模板（transform_query → extract_data → transform_data）
• TdxQuant API 完整参考文档（get_market_data、get_market_snapshot、get_financial_data_by_date 等全部接口的参数说明和代码示例）
• 缓存策略选型指南（BlobCache vs TableCache 的使用场景和代码模式）
• TdxQuant vs AKShare 对比分析表，帮助 SOLO 做出正确的技术决策

关键 Prompt 示例：

请帮我创建一个 Agent Skill，用于指导 OpenBB 数据提供者的开发。
需要包含：OpenBB Provider Framework 架构说明、Fetcher 类实现模式、
TdxQuant API 参考文档、缓存策略指南。
参考文档：https://docs.openbb.co/odp/python/reference

Skill 2：openbb-tests（OpenBB 数据扩展兼容性评估）

目的： 自动化测试脚本的生成与数据兼容性评估，让 SOLO 在开发每个新接口后能快速生成对应的测试代码。

包含内容：

• 测试脚本自动生成框架（基于 pytest 规范）
• 多 Provider 数据兼容性对比评估逻辑
• 字段完整性验证、数据类型校验、响应时间测量
• 跨数据源对比报告生成（tdxquant vs akshare vs tushare vs yfinance）
• CI/CD 集成规范

关键 Prompt 示例：

请帮我创建一个 Agent Skill，用于自动化生成 OpenBB 数据扩展的测试脚本。
需要支持多 Provider 对比测试，生成详细的兼容性评估报告。

Skill 目录结构：

.trae/skills/
├── openbb-data-provider/
│   ├── SKILL.md          # 核心知识文档（含完整 API 参考）
│   ├── assets/           # 资源文件
│   ├── references/       # 参考文档
│   └── scripts/          # 辅助脚本
└── openbb-tests/
    ├── SKILL.md          # 测试自动化知识文档
    ├── assets/
    ├── references/
    └── scripts/

3.3 阶段二：框架搭建（Day 3-4）

有了 Agent Skills 的知识加持，SOLO 在框架搭建阶段表现出了极高的效率：

4月16日 - 项目初始化

commit: feat: 添加OpenBB TdxQuant扩展和测试文件
commit: docs(openbb-data-provider): 在文档中添加openbb_akshare示例提供者

• SOLO 根据 openbb-data-provider Skill 中的模板，自动生成了标准化的项目骨架
• 包括 provider.py（Provider 注册）、router.py（路由定义）、models/（数据模型）等核心文件
• 同时配置了 pyproject.toml、AGENTS.md、CLAUDE.md 等项目文档

4月17日 - 核心接口开发

commit: feat(equity_historical): 添加TdxQuant股票历史价格数据支持
commit: feat(equity_quote): 添加股票实时报价功能
commit: feat: 添加股票交易所名称映射功能

• SOLO 利用 Skill 中预置的 TdxQuant API 文档，快速实现了历史行情和实时报价两个核心 Fetcher
• 自动处理了通达信中英文字段映射（通过 __alias_dict__）
• 正确选择了 TableCache 作为历史行情的缓存策略

3.4 阶段三：功能迭代（Day 5-9）

4月18日 - 基本面数据

commit: feat(equity): 添加股票基本信息获取功能
commit: feat(equity_search): 添加TdxQuant股票搜索功能
commit: feat(equity_dividends): 新增通达信股票历史分红数据功能
commit: Updated TdxQuant API docs
commit: feat(equity_key_metrics): 新增通达信关键指标数据获取功能

• 一天内完成了 5 个功能模块的开发
• SOLO 根据 Skill 中的 API 参考，独立完成了分红数据、关键指标等复杂接口的实现

4月19日 - 搜索重构与财务报表

commit: feat(equity_search): 添加股票搜索缓存支持和市场自动检测功能
commit: feat(equity_search): 重构股票搜索功能并添加名称查询支持
commit: feat(财务报告): 添加资产负债表、利润表和现金流量表功能
commit: feat(router): 添加TdxQuant股票相关接口

• 完成了财务报表三大表的实现（资产负债表、利润表、现金流量表）
• 股票搜索功能经过两次迭代优化，增加了缓存支持和名称模糊查询

4月20-22日 - 文档与测试完善

commit: feat: 更新项目版本至1.0.0并添加中文文档
commit: docs: 添加文档图片资源
commit: chore(license): add GNU Affero General Public License v3.0
commit: feat(openbb-tests): add data extension compatibility evaluation skill
commit: docs: 添加AKShare与OpenBB股票信息字段映射文档

• SOLO 利用 openbb-tests Skill 自动生成了兼容性评估测试脚本
• 完善了中文 README 文档和字段映射文档

4月23-24日 - 最终完善

commit: docs: 更新示例代码中的股票数据和路径信息
commit: chore(deps): update python version dependency range
commit: Merge pull request #1 from shugaoye/master

3.5 踩过的坑与解决方案

坑 1：TdxQuant SDK 只支持 Windows

• 通达信的 tqcenter.tq 模块依赖 Windows DLL，在 macOS/Linux 上无法运行
• 解决： 在 AGENTS.md 中明确标注 Windows-only 限制，测试中使用 unittest.mock 模拟 TdxQuant 客户端

坑 2：通达信字段与 OpenBB 标准模型的映射

• 通达信返回中文字段名（如「日期」「开盘价」），而 OpenBB 要求英文字段（date、open）
• 解决： 在 Skill 中预置了完整的字段映射规则，SOLO 开发时自动使用 __alias_dict__ 处理

坑 3：缓存策略选择

• 历史行情数据适合 TableCache（支持日期范围查询），财务报表适合 BlobCache（整体获取）
• 解决： 在 openbb-data-provider Skill 中详细对比了两种缓存策略的适用场景，SOLO 能自动做出正确选择

坑 4：股票代码格式不统一

• 不同数据源使用不同格式（600519、600519.SH、SH600519）
• 解决： 统一使用 normalize_symbol() 工具函数进行格式转换

四、成果展示

4.1 项目仓库

GitHub 仓库：https://github.com/finanalyzer/tdx

4.2 开发数据

指标	数据
开发周期	9 天（4月16日 - 4月24日）
总提交数	29 次
核心功能模块	8 个（历史行情、实时报价、股票搜索、基本信息、分红数据、关键指标、财务报表、板块数据）
Agent Skills	2 个（openbb-data-provider、openbb-tests）
测试覆盖	自动化兼容性评估 + 单元测试

4.3 核心功能一览

from openbb import obb

# 1. 历史行情数据
df = obb.equity.price.historical(
    symbol="600028", start_date="2024-01-01",
    end_date="2025-12-31", provider="tdxquant"
).to_dataframe()

# 2. 实时行情报价
quote = obb.equity.price.quote(symbol="600519.SH", provider="tdxquant")

# 3. 股票搜索
results = obb.equity.search(query="茅台", provider="tdxquant")

# 4. 财务报表
income = obb.equity.fundamental.income(
    symbol="600519.SH", period="annual", provider="tdxquant"
)

4.4 Agent Skills 产出

两个 Agent Skills 已作为项目的一部分开源，其他开发者可以直接复用：

• .trae/skills/openbb-data-provider/ — OpenBB 数据提供者开发完整指南
• .trae/skills/openbb-tests/ — 数据扩展兼容性自动化评估框架

五、效果与总结

5.1 提效分析

对比维度	传统方式（无 Skills）	使用 Agent Skills	提升幅度
单个 Fetcher 开发时间	约 2-3 小时	约 30-45 分钟	约 4x
上下文重复解释次数	每次开发都要解释	仅在 Skill 开发时解释一次	接近 0
代码规范性	需要人工审查	SOLO 自动遵循 Skill 中的规范	显著提升
测试脚本编写	手动编写	Skill 自动生成	从无到有

5.2 SOLO 在流程中做了什么

1. 知识沉淀阶段： 帮我整理 OpenBB 架构文档和 TdxQuant API 参考，形成结构化的 Agent Skill
2. 框架搭建阶段： 根据 Skill 模板自动生成标准化项目骨架
3. 功能开发阶段： 利用 Skill 中的 API 文档和代码模板，快速实现各个 Fetcher
4. 测试阶段： 利用 openbb-tests Skill 自动生成兼容性评估测试
5. 文档阶段： 自动生成中英文 README 和字段映射文档

5.3 可复用的方法论

本次实践总结出了一套 「Skill-First」开发方法论：

1. 识别领域知识 → 哪些知识会在开发中反复使用？
2. 沉淀为 Agent Skill → 让 SOLO 一次性学习
3. 迭代开发 → SOLO 基于已有知识高效开发
4. 持续完善 Skill → 随着项目进展更新 Skill 内容

这个方法论特别适合以下场景：

• 框架/插件开发：有严格的架构规范需要遵循
• 多模块项目：各模块共享相同的设计模式和编码规范
• API 集成项目：需要频繁查阅外部 API 文档
• 团队协作：Skill 可以作为团队知识的载体共享给其他成员

5.4 总结

通过 Trae IDE + SOLO 的组合，配合创新的 Agent Skills 预训练策略，我在 9 天内完成了 openbb_tdx 项目的核心开发。Agent Skills 的引入本质上是将「领域知识」前置注入到 AI 编程助手中，将原本分散在每次对话中的上下文解释工作，转化为一次性的知识沉淀。这不仅大幅提升了开发效率，更重要的是保证了代码质量和架构一致性。

对于类似的框架/插件开发项目，我强烈推荐这种 「先教 SOLO，再让 SOLO 干活」 的工作模式。

---

项目链接： https://github.com/finanalyzer/tdx