Skip to content

Agent 开发 ​

AxonX 为 Agent 开发研究插件、执行实验和检查证据提供工具。先选择宿主,准备代码工具与执行服务,再明确研究目标。

外部与内置 Agent 入口及共同研究流程

选择路径 ​

外部 Agent内置 Agent
入口Codex、Claude Code 等宿主Studio → Agent,或 agent_chat Job
模型配置外部宿主负责服务端 Claude Agent SDK 配置
AxonX 连接CLI 直连或服务 /mcp内置组件通过 Dispatcher 调用配置的 Job
操作说明AxonX Skill与开发指南可按需加载随包分发的开发指南
工具范围CLI 可用命令或服务公开 MCP 目录job_tools 与 SDK 自身工具、权限设置
会话记录外部宿主管理AxonX 会话存储管理

外部 Agent 接入不要求配置 CLAUDE_CODE_* 或开启内置开发指南。内置 Agent 默认加载开发指南,按指南使用 CLI;进程内 job_tools 桥接为可选配置。外部 MCP 公开目录可能包含查询、文件变更和 cli 命令 Job。Task 执行、停止和插件安装分别使用其 exec、kill 和 plugin 命令。实际能力以所用路径的配置与 Schema 为准。

准备环境 ​

  1. 提供 AxonX 源码仓库与待修改插件。仅安装 Python 包不会提供示例插件源码。
  2. 让 Agent 阅读 AxonX Skill,或按宿主支持的机制安装。内置 Agent 也可加载随包提供的开发与运行指南。
  3. 提供可访问源码的文件与命令工具。内置 Agent 的 cwd、SDK 工具与指南加载分别配置,见内置配置。
  4. 确定执行服务,准备该服务中的插件、依赖和数据。后续安装、提交、等待与查询使用同一目标。

外部 Agent 的模型由宿主配置;内置 Agent 的模型由服务端配置。AxonX 服务 token 与模型凭据分别设置。

先完成快速开始。Skill 使用绝对源码 URL,可独立复制;示例源码路径相对于仓库根目录。不要将 token 放入 Prompt 或报告。

验证 CLI 接入 ​

使用 CLI 的 Agent 需要能运行 axonx。远程连接先设置 AXONX_TARGET_TOKEN,后续保持相同 --target。不带目标的 plugin list 查询 CLI 解释器,带目标则查询该服务。连接方式见远程接入与客户端配置。

bash
axonx version --target 192.0.2.10:1024
axonx get_task_def --task demo --target 192.0.2.10:1024
axonx exec --task demo --task-name agent-check --x 2 --y 3 --target 192.0.2.10:1024
axonx status --task-id 'base#demo#agent-check' --detail full --target 192.0.2.10:1024

替换示例地址。Exec 等待并输出业务结果,核对退出码、Task 状态和 started_at。默认 cli Job 在客户端断连后继续执行,重试前先检查记录。停止 Task 使用显式 kill。

研究 Prompt ​

text
阅读 AxonX Skill 与 qlib_a158 源码,开发独立研究插件,
探索残差波动与下行风险能否改善 Alpha158 排序。

仅使用信号时点可得的信息。比较因子时固定数据快照、标签、
样本筛选、训练参数、窗口与交易成本。先明确开发窗口、
候选选择规则和独立确认窗口;缺少必要条件时先列出缺口。

实现并测试量化代码,注册插件,再安装到指定执行服务。
查询该服务的实际 Task Schema,核对上游兼容性,
依次执行 ETL、训练、预测与回测,每次等待上游成功。

保留代码版本、数据设定、参数、成本、实际 Task ID 和 metadata `started_at`。
报告 RankIC、净收益、回撤、换手、失败与证据限制。
锁定候选后再做独立确认,根据证据提出下一轮改动。

也可以指定训练性能优化或持仓策略改进。改特征通常重跑完整研究链;改模型可复用兼容 ETL;改持仓策略可复用兼容预测。是否可复用取决于实际 Task Schema、字段、特征顺序与产物协议。

共同的研究循环 ​

  1. 明确研究目标与控制条件,提供 Skill、源码仓库和代码工具。
  2. 开发或优化插件,验证代码,再安装到选定的执行服务。
  3. 查询实际 Task Schema,检查上游兼容性,执行所需阶段。
  4. 记录各 Task ID 与 metadata started_at,确认上游成功后再运行下一阶段。
  5. 检查产物、比较结果,根据证据继续调整代码或参数。

通过 CLI 直连时,各阶段持续使用同一 --target;在 Studio 中选择机器时,请求经同源后端转发。任务、数据和插件位于执行服务的环境,接入 Agent 不会自动迁移它们。

验证与后续阅读 ​

源码修改、执行服务安装与 Task 提交分开完成。代码测试通过说明实现得到检查;研究指标与独立确认决定是否支持改进结论。Task 成功表示执行完成。

开发步骤见开发与运行指南,阶段命令见 Alpha158 研究流程,比较方法见实验设计,完整实例见 Alpha158 改进实验。

报告执行目标、Task ID 与启动时间、终态、参数、产物、指标和证据限制。内置 Agent 的配置与会话操作见配置和使用,外部工具发现见 MCP 接入。

Agent-native quant research.