miniQMT+AI高效协同：用Trae Skill打通策略配置与验证闭环（上）

发布时间：2026/9/27 13:29:31来源：尧图网络

1. miniQMT 与 AI 协同的真实卡点在哪如果你正在用 miniQMT 跑量化策略大概率遇到过这种场景脑子里想好了一个选股逻辑比如“全市场 RSI 小于 20 的标的筛出来导出 CSV”然后打开 AI 编程工具让它写代码。结果 AI 给你的代码里塞满了 tushare token 输入、akshare 备用接口、甚至还有一段“请确保已注册账号”的提示文本。代码能跑但跟你的 miniQMT 环境完全对不上——数据源不是 miniQMT 内置的字段名对不上导出路径也是随手编的。这不是 AI 能力不行而是它不知道你的运行环境长什么样。miniQMT 作为轻量化量化交易终端自带行情数据接口和交易接口支持 Python 策略编辑灵活度确实高。但 AI 工具默认走的是公开数据源那套逻辑你不告诉它“用 xtquant 的 xtdata 取行情”它就会按训练数据里最常见的 tushare 方案来写。Trae Skill 解决的就是这个问题。Skill 本质上是一份 SKILL.md 指令文档用 When/How/What 的结构告诉 AI什么条件下触发、按什么步骤执行、输出什么格式。把它跟 miniQMT 的接口规范绑在一起AI 生成的代码就能直接落在你的本地环境里跑而不是生成一堆需要手动改的“半成品”。这篇是上篇聚焦环境打通统一 Key/API 通道怎么接、config.toml 骨架怎么写、settings.json 怎么配、验证动作怎么做。下篇再展开策略逻辑的 Skill 封装和回测验证闭环。2. 前置准备TaoToken 统一通道与 Trae 环境2.1 为什么需要统一 Key/API 通道Trae 本身是 AI 原生 IDE内置了 AI 编程能力。但如果你想让 Trae 里的 AI 助手调用外部模型能力来做策略代码生成、参数调优、报错分析就需要一个稳定的 API 通道。TaoToken 在这里的角色是统一入口一个 Key 管多个模型不用在 Trae、miniQMT 脚本、验证工具之间来回切换配置。我试过把 Key 散落在各个工具的配置文件里结果改一次 Key 要动三四个地方还容易漏。统一通道的好处是Trae 的 AI 对话走这个 KeyminiQMT 策略脚本里调模型也走这个 Key验证请求还是走这个 Key。改一处全链路生效。2.2 获取 API Key打开 TaoToken 控制台进入 API Keys 页面创建一个新 Key。建议按用途命名比如trae-miniqmt-dev方便后面排查问题时定位是哪个环境在用。创建完成后复制 Key注意它只显示一次。如果你在团队里协作建议每个人用自己的 Key不要共用否则用量统计和排障都会乱。2.3 Trae 侧配置入口Trae 下载安装后在设置里找到模型配置区域。不同版本的 Trae 设置入口位置略有差异但核心逻辑一致选择自定义 API 提供商填入 Base URL 和 API Key。Base URL 填https://taotoken.net/api不要加 UTM 参数那是给网页链接用的。API Key 填刚才创建的那串。模型名称根据你实际要用的填比如claude-sonnet-4-20250514或gpt-4o这类。配置完成后在 Trae 的 AI 对话窗口发一条测试消息比如“用一句话说明 xtquant 的 xtdata 和 xttrader 分别负责什么”。如果能正常返回说明通道通了。3. 可复制配置config.toml 骨架与 settings.json 片段3.1 config.toml 骨架miniQMT 的策略项目通常需要一个配置文件来管理路径、账号、数据源参数。下面这个骨架你可以直接复制把占位符替换成自己的值# config.toml - miniQMT AI 协同配置骨架 [miniQMT] # miniQMT 安装路径Windows 下通常在 userdata_mini 目录 install_path C:/国金QMT交易端/userdata_mini # 资金账号 account_id 你的资金账号 # 账号类型STOCK / CREDIT / FUTURE account_type STOCK [data] # 行情数据缓存目录 cache_dir ./data/cache # 导出 CSV 的默认路径 export_dir ./data/export # 默认取数周期1d / 1m / 5m / tick default_period 1d # 复权方式none / front / back adjust_type front [ai] # TaoToken 统一通道 base_url https://taotoken.net/api api_key sk-你的Key # 默认模型 default_model claude-sonnet-4-20250514 # 请求超时秒数 timeout 60 [skill] # Skill 文档目录 skill_dir ./skills # 是否启用 Skill 自动加载 auto_load true这个骨架的关键点[miniQMT]段告诉 AI 你的终端在哪、账号是什么[data]段统一了数据缓存和导出路径避免 AI 生成代码时乱写路径[ai]段把 TaoToken 通道固化下来[skill]段为下篇的 Skill 加载做准备。3.2 settings.json 配置片段Trae 的 settings.json 里需要把模型通道和项目级配置对齐。找到 Trae 的用户设置或工作区设置文件加入以下片段{ ai.providers: [ { name: taotoken, baseUrl: https://taotoken.net/api, apiKey: sk-你的Key, models: [ claude-sonnet-4-20250514, gpt-4o ] } ], ai.defaultProvider: taotoken, ai.defaultModel: claude-sonnet-4-20250514, miniQMT.configPath: ./config.toml, miniQMT.skillDir: ./skills, editor.formatOnSave: true, python.defaultInterpreterPath: C:/Python311/python.exe }注意miniQMT.configPath指向你项目根目录下的 config.toml这样 Trae 里的 AI 助手在生成代码时能读到你的环境配置。python.defaultInterpreterPath要指向你实际装了 xtquant 的那个 Python 环境miniQMT 的 Python 接口依赖这个包。3.3 目录结构建议配置写完后项目目录建议长这样miniqmt-ai-project/ ├── config.toml ├── settings.json ├── skills/ │ └── rsi-screen/ │ └── SKILL.md ├── strategies/ │ └── rsi_screen.py ├── data/ │ ├── cache/ │ └── export/ └── logs/skills/目录先建好下篇会往里放具体的 SKILL.md。strategies/放策略脚本data/放缓存和导出logs/放运行日志。这个结构不复杂但能让 AI 在生成代码时知道文件该往哪放。4. 验证请求确认通道与 miniQMT 数据源都通了4.1 验证 TaoToken 通道在 Trae 的 AI 对话里发一条请求让它生成一段读取 config.toml 的 Python 代码读取当前项目根目录下的 config.toml用 Python 的 tomllib 解析打印出 miniQMT.install_path 和 ai.base_url 两个值。如果 AI 返回的代码里正确引用了tomllibPython 3.11或tomli并且路径逻辑对说明它读到了你的项目上下文。运行这段代码输出应该跟你 config.toml 里填的一致。4.2 验证 miniQMT 数据源单独写一个最小验证脚本确认 xtquant 能正常取到行情# verify_miniqmt.py from xtquant import xtdata import tomllib with open(config.toml, rb) as f: cfg tomllib.load(f) period cfg[data][default_period] stock 000001.SZ # 下载历史数据 xtdata.download_history_data(stock, period, 20240101, 20241231) # 读取数据 data xtdata.get_market_data_ex( field_list[close, volume], stock_list[stock], periodperiod, start_time20240101, end_time20241231 ) print(f取到 {stock} 的数据条数: {len(data[stock])}) print(data[stock].tail(3))运行这个脚本如果打印出数据条数和最后三行收盘价/成交量说明 miniQMT 数据源通了。如果报ModuleNotFoundError: No module named xtquant检查你的 Python 解释器路径是否指向 miniQMT 安装目录下的bin.x64或对应版本的 Python 环境。4.3 验证 AI 生成代码能落地让 Trae 的 AI 助手基于你的 config.toml 生成一个完整的取数函数基于当前项目的 config.toml写一个 Python 函数 get_stock_data(stock_code, start, end) 用 xtdata 取日线数据返回 pandas DataFrame列名用 close/volume/amount。不要用 tushare 或 akshare只用 xtquant。生成的代码应该直接引用xtdata路径从 config.toml 读不出现任何外部数据源的 token 输入。如果 AI 还是塞了 tushare说明你的 Skill 或项目上下文没被正确加载检查 settings.json 里的miniQMT.configPath是否生效。5. 本篇常见错排查5.1 Key 无效或 401最常见的原因是 Key 复制时带了空格或者 Base URL 填成了带 UTM 参数的网页地址。Base URL 必须是https://taotoken.net/api不要加?utm_source...那串。另外检查 Key 是否被禁用或额度用完在控制台能看到状态。5.2 xtquant 导入失败miniQMT 的 Python 接口不是 pip 安装的是随终端一起分发的。你需要把 miniQMT 安装目录下的bin.x64或Lib/site-packages加到 Python 的sys.path里或者直接用 miniQMT 自带的 Python 解释器。在 Trae 的 settings.json 里把python.defaultInterpreterPath指向那个解释器。5.3 AI 仍然生成 tushare 代码这说明 Skill 没生效。检查三点skills/目录下是否有对应的 SKILL.mdsettings.json 里miniQMT.skillDir是否指向正确Trae 的 AI 对话是否开启了项目上下文读取。如果都没问题在对话里显式说“只用 xtquant禁用 tushare/akshare”强制约束一次。5.4 config.toml 解析报错Python 3.11 以下没有tomllib需要pip install tomli然后import tomli as tomllib。另外 TOML 里路径用正斜杠/或双反斜杠\\单反斜杠会被当转义符。5.5 数据取到但为空检查股票代码格式miniQMT 用000001.SZ这种带后缀的格式不是纯数字。另外download_history_data要先执行否则get_market_data_ex可能返回空。取数区间也要在交易日范围内。6. 下一步把 Skill 接进来环境通了之后下一步是把 miniQMT 的接口规范、字段映射、常用操作封装成 SKILL.md让 AI 每次生成代码都自动遵循你的环境约束。下篇会给出 RSI 筛选场景的完整 SKILL.md 示例以及如何用 Trae 的 Skill 加载机制实现“说一句话就生成可跑策略”的闭环。如果你还没创建 Key现在可以去控制台建一个把 config.toml 和 settings.json 填好跑一遍第 4 节的验证脚本。通道通了后面的事情才顺。

网站建设高端定制企业官网