01 一个退役架构师的“不妥协”
今年3月中旬，又一次被大A教育之后，真的很想退出这个市场，但作为技术人真的不愿意服输，决定用技术来解决“管不住手”的问题。
和多数人一样，我的第一反应是找个现成的量化平台。注册、新建策略、打开编辑器——一个空空荡荡的代码窗口，里面躺着两个函数 initialize 和 handle_data，全是 pass。
然后呢？然后我就不知道该怎么写了。
我意识到：平台的边界就是我的边界。想加个自定义因子？不行。想用自己的数据源？没门。策略写好了想带走？代码不是你的，策略也不是你的。
我关掉浏览器，打开 VS Code。既然工具不顺手，那就自己造一个。
我没有疯。我知道一个人从零写一套完整的量化系统，传统模式下至少需要半年甚至更长时间，而且涉及很多陌生领域的知识，根本没法靠我一个人完成。但我有一个秘密武器——AI。 我给自己定了一个看似疯狂的目标：1.5 个月，从零写出一个可用的 A 股量化系统。并且全程开源。 项目取名 KHunter。
02 技术栈：只选 AI 最熟的
选型原则很简单：AI 最熟什么就用什么。
| 模块 | 选型 | 原因 |
|---|---|---|
| 语言 | Python 3.10 | AI 训练数据最多，写策略像呼吸 |
| 数据 | Tushare Pro | 文档全，AI 能直接生成调用代码 |
| 存储 | SQLite | 零配置，AI 永远写不错 |
| 计算 | Pandas / NumPy | 向量化，AI 的强项 |
| Web | Flask | 极简，AI 生成的代码几乎不用改 |
| 前端 | 原生 HTML+JS | 不折腾框架，AI 也能写 |
一个关键决策：不用异步框架。量化回测是 CPU 密集型，异步没有任何收益，反而会让 AI 生成的代码变得复杂且容易出错。
03 AI 辅助开发：我的真实工作流
3.1 启动期：一夜搭好地基
第一个晚上，我给 AI 下了第一个指令：
“帮我写一个 A 股数据获取模块，基于 Tushare Pro，支持自动重连、增量更新、本地 SQLite 缓存。”
几分钟后，AI 输出了一套完整的 data_fetcher.py，包含：
- Token 管理
- 自动重试机制
- 增量更新逻辑
- 数据库 ORM 映射
我几乎一行代码没写。只是把需求描述清楚，然后验收、微调。
3.2 成长期：测试驱动 AI 修复
很快，我遇到了第一个大坑：回测结果完全不对劲，收益高得离谱。
我把代码和日志一起贴给 AI：
[日志] 策略在 2025-03-15 买入，当天收盘价 10.2，买入价却是 9.8...
AI 秒回： “你用了未来数据。计算信号时用了当天的收盘价，而不是前一天的。”
它直接把修复代码写出来，加了 .shift(1)。从此我的 AGENTS.md 里多了第一条铁律：所有信号判断必须基于昨日数据，禁止未来函数。
3.3 迭代期：把“坑”写成文档，让 AI 自己学
每踩一个坑，我就让 AI 把解决过程总结成一个条目，塞进项目根目录的 AGENTS.md。
一个月下来，这份文档积累了 12 条量化开发的“常见病” ：
- 复权数据用错 → 统一
adj='qfq' - 除权日价格突变 → 动态调整持仓成本
- 资金流向数据不全 → 换接口
- 仓位满了新信号进不来 → 实现动态换仓
- 趋势初段假信号太多 → 分层入场，先试探再重仓
- 参数过拟合 → 做敏感性分析 + 样本外验证
神奇的事情发生了：从那以后，AI 写的新代码几乎不会再犯这些低级错误。它每次动手前会主动去读 AGENTS.md。
这才是 AI 编程真正的复利：不是 prompt 技巧，而是把知识外化成一个可被 AI 引用的文档。
04 三个 AI 搞不定的时刻
AI 帮我写了大半的代码，但有几个坎，它完全跨不过去。
4.1 策略创新：AI 给不出“灵光一闪”
KHunter 里有一个“仙人指路”策略——利用长上影线识别主力试盘，然后捕捉突破。这个想法来自我复盘时看到的一张 K 线图。
我试图让 AI 帮我设计类似的形态识别逻辑。它给出了非常通用的“长上影线检测”代码，但完全抓不到“试盘后缩量横盘再启动”的那种微妙感觉。
交易认知，AI 学不会。
4.2 取舍与风控：AI 没法替你拍板
回测显示分层入仓策略收益更高，但参数怎么设？
- 初段用 10% 还是 15%？
- 中段用 30% 还是 40%？
- 凯利用全凯利还是半凯利？
AI 给了一堆数学分析和理论值，但最终拍板的必须是我自己。因为不同的参数对应不同的风险偏好，这是交易哲学，不是数学。
4.3 长上下文里偷偷“优化”不该动的代码
有一次我给 AI 三个任务：优化回测速度、增加资金流向过滤、同时重构持仓管理模块。
结果它把 BaseStrategy 的接口改了，导致所有派生策略全部报错。
教训：一次只让 AI 做一件事，做完立刻 commit。否则它会“好心”地帮你重写半个项目。
05 成果：KHunter 现在能做什么？
1.5 个月后，这套系统长这样：
- 11 种选股策略（底部拐点、涨停回马枪、W 底、仙人指路……）
- 5 维评分（技术面 35% + 资金面 35% + 基本面 10% + 板块 10% + 事件 10%）
- 4 种择时策略（海龟、RSI、布林带、支撑位）
- 完整回测引擎（输出胜率、盈亏比、最大回撤、夏普比率）
- 策略运行引擎（多日连续运行，每日输出 CSV 信号文件）
- Web 管理界面（选股结果、回测报告、实盘信号一目了然）
06 给想用 AI 做独立项目的你几条大实话
✅ AI 真正擅长的
- 快速搭建项目骨架，把想法变成可运行的第一版
- 写那些“模式固定、逻辑清晰”的模块（数据获取、数据库操作、基础计算）
- 帮你读文档、调试错误日志、解释复杂代码
❌ AI 做不好的
- 替你做产品决策（到底要不要加某个功能？）
- 提供真正创新的策略逻辑（它只能组合已知的东西）
- 在长上下文里保持稳定（一次给太多任务会崩）
- 替你承担风险（仓位、止损、交易哲学必须自己定）
07 最后一件事：文档即代码
这个项目给我最大的启发不是技术，而是对“工程”的全新理解。
在 AI 时代，写给人看的需求文档、设计文档、踩坑记录，才是真正的“源代码”。
因为 AI 能直接读懂它们，并据此生成高质量的程序。而传统的代码文件，反而成了编译产物的角色。
第一次发文章，请各位点赞收藏 + 关注支持一下。 下一篇预告：《手搓量化系统系列》，详细分享这神奇的一个半月。
KHunter 已在 GitHub 完全开源，欢迎 Star、Fork、试用。
⚠️ 本文所有内容均为量化技术研究记录，不构成任何投资建议。股市有风险，投资需谨慎。
