⚠️ 免责声明

量化交易存在巨大风险。本项目仅提供 QMT API 文档的知识结构化整理与 AI Agent 辅助能力：

• 生成的所有策略代码仅供学习参考，不构成任何投资建议
• 实盘交易前务必在「模拟信号模式」或「模拟柜台」中充分验证策略逻辑
• 因使用本项目代码、文档造成的任何盈亏，由使用者自行承担全部责任

QMT、迅投 为迅投公司或其关联公司的商标。本项目仅为社区用户自发整理的非官方知识库。

一、为什么要做这个 Skill

我之前分享过两篇相关文章：

• 使用 DeepSeek R1 大模型编写迅投 QMT 的量化交易 Python 代码
• QMT 知识库 XtQuant 知识库使用文档 pdf markdown html 格式

最早的做法是把 QMT 官方文档打印成 PDF，再投喂给腾讯 IMA.Copilot、DeepSeek 等大模型，让 AI 帮我写代码。这种方法能用，但有几个明显痛点：

1. 每次都要重新投喂：换一个对话窗口，又得重新上传 PDF，AI 才能再次「知道」QMT 是什么。
2. AI 给的是 miniQMT 代码：直接问 DeepSeek，它默认返回的是基于 xtquant 的 miniQMT 代码，并不是我们大 QMT 客户端里能直接运行的 init / handlebar 钩子代码。而现在券商逐步在关闭 miniQMT 参考，大 QMT 才是后续主线。
3. 枚举值经常被臆造：opType、prType、orderType 这些参数一旦被 AI 凭记忆瞎猜，下单就是废单。
4. 缺少硬性编码约束：AI 经常忘记写 # coding:gbk，或者用上 Python 3.7+ 才有的 dataclass、海象运算符，结果在 QMT 内置的 Python 3.6 环境里跑不起来。

为了解决这些问题，我把整理好的 QMT 官方文档做成了一个标准化的 Skill 包：qmt-knowledge-skill。装上之后，AI Agent 就自带一份结构化、可检索的 QMT 知识库，写出来的代码天然符合大 QMT 的编码规范。

二、qmt-knowledge-skill 是什么

一句话：给 AI Agent 用的 QMT 极速策略交易系统智能知识技能包。

它把 QMT 官方 Python 3.6 API 文档按「入门 → API → 数据与枚举 → 示例与 FAQ」四大类整理成 16 份 markdown 文档，再加一份 SKILL.md 作为 Agent 行为规范。AI Agent 装上这个 Skill 后，就具备以下能力：

场景	示例问题
📖 新手入门	「QMT 怎么运行第一个策略？」「回测和实盘模型有什么区别？」
💻 代码生成	「帮我写一个双均线策略」「写一个获取全市场 Tick 的脚本」
🔎 API 查询	「passorder 的参数有哪些？」「get_market_data_ex 怎么用？」
🎯 枚举参数	「opType 股票买入是多少？」「prType 最新价对应值？」
🧱 数据结构	「Tick 对象有哪些字段？」「Bar 数据包含什么？」
⚠️ 错误排查	「为什么下单是废单？」「取行情数据为空怎么办？」「pandas 报错如何解决？」
📊 指标公式	「MA、MACD、RSI、KDJ 怎么引用？」
🛠️ 环境配置	「如何下载历史数据？」「模拟账号和实盘账号区别？」

三、项目结构

整个 Skill 包结构非常清爽，核心就是一份 SKILL.md + 一个 knowledge/ 知识库目录：

qmt-knowledge-skill/
├── SKILL.md              # ⭐ Skill 主入口（Agent 行为规范 + 索引 + 约束）
├── README.md             # 项目说明
└── knowledge/            # QMT 官方知识库（按四大类共 16 份文档）
    ├── 01-入门/
    │   ├── 快速开始.md                 # QMT架构总览 / 回测实盘对比 / 三种运行机制
    │   ├── QMT新人上手教程.md          # 从零开始上手步骤
    │   ├── 迅投研新手指南.md           # 迅投研云端版本指引
    │   ├── 使用须知.md                 # Python 3.6 环境 / 白名单 / 账号类型
    │   ├── 变量约定.md                 # ContextInfo / 运行模式 / 变量规范
    │   └── 界面操作.md                 # 账号配置 / 数据管理 / 模型交易界面
    ├── 02-API/
    │   ├── 交易函数.md                 # ⭐ passorder 综合下单 / 持仓查询 / 撤单改单
    │   ├── 行情函数.md                 # 下载 / 获取 / 订阅 / Tick 快照全套
    │   ├── 引用函数.md                 # MA/EMA/MACD/RSI/KDJ/DMI/BOLL/ATR 等指标
    │   ├── 系统函数.md                 # run_time / 板块 / is_last_bar 等
    │   ├── 成交回报实时主推函数.md      # 委托/成交/持仓/资金变动回调
    │   └── 绘图函数.md                 # paint/drawline/LINETHICK/COLOR 等
    ├── 03-数据与枚举/
    │   ├── 枚举常量.md                 # ⚠️ opType/orderType/prType/市场代码 等
    │   └── 数据结构.md                 # Tick/Bar/L2Quote/Position/Account 等字段
    └── 04-示例与FAQ/
        ├── 完整示例.md                 # 两融/K线全推/目标持仓/快速交易/组合套利 模板
        └── 常见问题.md                 # 白名单报错/编码/废单/数据空等高频问题

SKILL.md 是 Skill 的灵魂——它告诉 Agent 遇到什么问题该读哪个文件、生成代码必须遵守哪些硬性约束、回答末尾必须附什么风险提示。这样 Agent 不再凭「记忆」乱写，而是先去知识库里查准了再回答。

四、安装

任选其中一条命令即可：

命令 1：

openclaw skills install @he-yang/qmt-knowledge-skill

命令 2：

npx skills add https://clawhub.ai/he-yang/skills/qmt-knowledge-skill

装上后，在你的 AI Agent 里直接提问，例如「帮我写一个获取全市场 Tick 的脚本」「passorder 的 prType=11 是什么意思」，Agent 就会自动调用本 Skill 查阅知识库并给出符合 QMT 规范的答案。

五、Skill 内置的代码硬约束（重点）

这是这个 Skill 区别于「直接把 PDF 丢给 DeepSeek」最关键的地方。SKILL.md 里硬编码了以下规则，Agent 生成的所有代码都会自动遵守：

规则	说明
🔤 GBK 编码	所有脚本第一行必须写 # coding:gbk，否则中文乱码
🪝 双钩子结构	必须有 def init(ContextInfo): + def handlebar(ContextInfo):
🐍 Python 3.6	不支持 3.7+ 语法特性（f-string = 3.6 可用，但 dataclass / 海象运算符不可用）
📊 第三方库	默认自带 NumPy/Pandas/TA-Lib/SciPy，其他库需要券商开通白名单
🔢 枚举值	opType/orderType/prType 等必须使用 枚举常量.md 中合法数值，禁止臆造
⚠️ 实盘风险	所有生成的 passorder 代码自动附带风险提示语

标准代码模板

Agent 生成的代码都会长这样：

# coding:gbk

"""
功能：双均线策略
模式：回测模型 / 实盘模型
机制：逐K线 handlebar / 订阅 subscribe / 定时 run_time
"""

account = "test"  # 策略交易界面运行时会自动替换为配置账号

def init(ContextInfo):
    """初始化，策略启动时仅执行一次"""
    pass

def handlebar(ContextInfo):
    """逐K线回调，核心策略逻辑"""
    pass

六、高频 API 速览

Skill 里内置了一份 Top 10 高频查询索引，Agent 会优先在这张表里定位：

#	功能	核心函数	知识库位置
1	🛒 综合下单	passorder(...)	02-API/交易函数.md
2	📈 获取K线行情	ContextInfo.get_market_data_ex(...)	02-API/行情函数.md
3	⬇️ 下载历史数据	download_history_data(...)	02-API/行情函数.md
4	📡 订阅行情回调	ContextInfo.subscribe_quote(...)	02-API/行情函数.md
5	📊 获取 Tick 快照	get_full_tick(...)	02-API/行情函数.md
6	🏦 查持仓/资金	ContextInfo.get_trade_detail_data(...)	02-API/交易函数.md
7	🏭 获取板块成分	ContextInfo.get_stock_list_in_sector(...)	02-API/系统函数.md
8	📐 技术指标	MA(...) / MACD(...) / RSI(...) 等	02-API/引用函数.md

七、和「PDF 投喂」方案的对比

对比项	PDF 投喂给 DeepSeek	qmt-knowledge-skill
上手成本	每次对话都要重新上传	装一次，长期生效
生成的代码类型	默认 miniQMT / xtquant 代码	大 QMT 原生 init/handlebar 代码
GBK 编码	经常漏掉	强制写入
枚举值准确性	凭记忆可能臆造	强制查阅 枚举常量.md
Python 3.6 兼容	可能用上 3.7+ 语法	硬性约束禁用
实盘风险提示	无	自动附带
Fallback 渠道	无	本地未覆盖时访问 https://invest.wtsolutions.cn

简单说：PDF 投喂是「一次性参考」，Skill 是「常驻专家」。

八、配合我整理的 QMT 知识库使用

这个 Skill 里的 knowledge/ 目录，其实就是我在 QMT 知识库使用文档 那篇文章里持续维护的 markdown 版本的子集。如果你想要 pdf / html 版本，或者想自己搭一份本地知识库，可以去那篇文章里下载网盘资源。

由于现在券商逐步在关闭 miniQMT 参考，所以这个 Skill 后续也只更新大 QMT 的内容，不再维护 xtquant 部分。

特别说明：资料是从 QMT 官方网站通过 AI 爬取的，大家使用前可以自己和官方的文档对比一下，具体以官方文档为准。

项目地址：https://github.com/he-yang/qmt-knowledge-skill ，MIT 协议开源，欢迎 Issue / PR 一起维护。

小技巧，我的其他关于qmt的文章

QMT使用指南 开始阅读

国债逆回购-闲钱理财 开始阅读

开户qmt 开始阅读

判断当前时段是交易/非交易/竞价/盘后等时间段 开始阅读

如何判断今天是不是交易日 开始阅读

如何低成本选择讯投QMT 的服务器/电脑，低成本运行？ 开始阅读

为什么每天早晨QMT会退出登录/重新启动/自动初始化 开始阅读

迅投QMT量化交易系统服务器连接 中断与再连接 开始阅读

迅投QMT交易系统 延迟 委托/成交/持仓/账号信息延迟 get_trade_detail_data延迟 开始阅读

量化交易策略中如何判断当前MACD是否达到最小值 开始阅读

迅投QMT自带策略-双均线实盘示例PY策略-解读 开始阅读

使用DeepSeek R1大模型编写迅投 QMT 的量化交易 Python 代码 开始阅读

本文更新于2026年8月11日