夜雨聆风
在龙虾OpenClaw里跑通你的第一份回测,龙虾 + khQuant 对话式部署、AI 接管量化研究流程
适用版本：khQuant v3.3.1+
前提：已经跑起了 Openclaw（龙虾）实例（无论是部署在 Windows 还是 Linux 上），并且可以与它对话。
Openclaw（龙虾） 是一个强大的 AI 助手。由于 khQuant 本身就完美支持 Windows 和 Linux 双平台，把 khQuant 装进龙虾之后，你可以用一句”帮我用 RSI 策略回测一下平安银行近一年”，让它一条龙跑完数据下载 → 回测 → 报告生成。
但要享受这种体验，得先让龙虾完成 GitHub 私有库认证 并 安装 khQuant CLI。这两件事完全不用你自己敲命令，只要照着本文的对话模板复制粘贴发给龙虾就行。
零、准备一份 GitHub PAT
因为龙虾的 shell 环境没法弹浏览器登录，所以我们需要一个 Personal Access Token (PAT) 丢给它直接用。
执行后续步骤需要加入khQuant的github私有库，也就是需要加入软件内测，加入内测方式见文末。
生成步骤（手动一次，2 分钟即可）：
-
浏览器登录 GitHub → 打开 github.com/settings/tokens -
点击 Generate new token (classic) -
填写 Note（如 khquant-openclaw），Expiration（建议 90 days） -
关键：Select scopes 必须勾选 repo这一项（私有库读取用） -
点 Generate token，把输出的ghp_xxxxxxxxxxxxxxxxxxxx字符串完整复制并保存好。
点击 Generate new token (classic)
勾选 repo 这一项
把输出的 ghp_xxxxxxxxxxxxxxxxxxxx 字符串完整复制并保存好
准备好之后，按顺序把下面四个 Step 的提示词（Prompt）发给龙虾。
Step 1：让龙虾装好基础环境
直接复制下面这段发给龙虾：
请在当前用户下完成基础环境准备：用 apt 装好 git、gh、pipx；跑一次 pipx ensurepath；最后分别打印 git –version、gh –version、pipx –version 的输出给我。任何一项装失败立刻停下来告诉我。
预期结果：龙虾会打出这三个工具的版本号。
Step 2：让龙虾完成 GitHub 私有库认证
把这段发给龙虾（记得把 ghp_xxx 换成你刚才生成的真实 token）：
我要配置 GitHub 私有库认证，token 如下：
ghp_xxxxxxxxxxxxxxxxxxxxxxxx
请把它设置成永久的 GITHUB_TOKEN 环境变量（写进 ~/.bashrc，并 chmod 600），source ~/.bashrc 让它生效，然后用 gh auth status 验证 ✓ Logged in、Token scopes 含 repo，最后用 gh api repos/khscience/CSkhQuant/releases/latest 抽查一次。不要把 token 打印到聊天里。
预期结果：龙虾会输出 ✓ Logged in to github.com 并且 Token scopes 里包含 'repo'。
Step 3：让龙虾下载并安装 khQuant
直接复制下面这段发给龙虾（默认安装最新的 v3.3.1）：
请用 gh 工具把 khscience/CSkhQuant v3.3.1 的 release 资产全部下载到 ~ 目录，然后 pipx install 那个 wheel，exec $SHELL -l 让 PATH 生效，最后跑 kh version 给我看输出。pipx install 失败就用 –force 重试一次；其它错误立刻停下来贴报错。
预期结果：龙虾会输出 3.3.1 的版本号。
Step 4：让龙虾装上 khQuant Skill 插件
khQuant 提供了一份官方的 Skill 知识包（基于 Anthropic Skill 规范）—— 把它装进龙虾后，它在写策略、改配置、跑回测时能精准调用看海量化的内置函数（如 khMA、khRSI、khIndex 等），不会再凭空捏造 API。
直接复制下面这段发给龙虾：
请帮我把 khQuant 的 Skill 知识包装进你的 Skill 加载路径，以便你后续操作时能精准理解 kh 命令、策略 API 和 .kh 配置：
-
git clone https://github.com/khscience/khquant-skill.git ~/khquant-skill -
把 ~/khquant-skill/skills/khquant/整个目录注册到你的 Skill 加载路径里——如果你是基于 Claude 协议运行的，复制或软链接到~/.claude/skills/khquant；如果是其它 Agent 框架，请按其规范加载 -
加载之后，你应该能在用户提到”看海量化”、”kh 命令”、”双均线”、”MACD”等关键词时自动激活相关知识 -
装完后跑一次 ls ~/.claude/skills/khquant/给我确认目录已就位（或返回你的 Agent 实际的 Skill 路径） -
如果你的 Agent 框架不支持自动加载 Skill，请直接读取并记住 ~/khquant-skill/skills/khquant/SKILL.md的内容，后续按它的”意图路由 + 执行原则”对话
预期结果：龙虾会确认 Skill 已成功加载到对应路径，并简要复述它从 SKILL.md 中获取到的能力（如数据管理、策略开发、回测执行等）。
Step 5：让龙虾完成初始化和首次跑通
直接复制下面这段发给龙虾：
请帮我把 khQuant 初始化并跑一份回测，整个过程请使用你刚装好的 khQuant Skill 知识来执行：① kh init 全部走默认值 ② kh data download –source baostock –stocks 000001.SZ –period 1d –start 20260101 –end 20260430 ③ 帮我写一个新的 RSI 策略（使用 000001.SZ 的日线数据，回测区间为 2026-01-01 到 2026-04-30），保存到
~/khquant/strategies/my_rsi.kh和对应的 py 文件 ④ kh run my_rsi.kh –report ⑤ 把生成的 HTML 报告文件发给我，并生成一份简短的回测结果报告。中间任意报错立刻停下来贴日志。
预期结果：龙虾会把 HTML 报告文件直接发给你，并在对话中输出一段简短的回测结果总结。
生成的html回测报告就是这样的：
接下来，你就可以通过和龙虾对话验证你的策略思路啦！
提醒：龙虾很方便，但也别神化它
把 khQuant 装进龙虾、用一句话跑回测确实很爽，但实事求是地说，目前用它做量化研究还有几个绕不开的弊端，建议你在投入精力前先了解清楚：
1. 后台运行状态不太可控。龙虾的执行是”对话驱动”的，你很难像在本地那样实时盯进度条。长耗时的批量回测和参数寻优尤其容易”跑了一半失联”，需要你回过头来追问它”上次那个任务到底跑完了没”。并且使用龙虾回测，由于过程的不可控性，可能同一组提示词他写出来的策略代码，回测结果就可能不一样，这也是需要注意的一点。
2. 轻量级硬件容易撞瓶颈。如果你部署龙虾的是入门级 VPS（比如 1C2G、磁盘 40G 起步那种），回测大股票池、下载多年日线/分钟线数据、生成 HTML 报告这三件事都可能撞到天花板：
-
磁盘：DuckDB 全市场日线动辄几个 G，加上分钟线和 tick 一不小心就把磁盘塞满； -
CPU/内存：参数寻优、批量回测会让 CPU 长时间满载，轻量机型上一组实验跑几十分钟到几小时都很正常； -
网络：下载数据时带宽小也会拖慢整体节奏。
3. 模型选择直接决定体验上限。龙虾本质是”壳子 + 大模型”，真正干活的是它背后接的那颗模型大脑。说句实话：
强烈建议把龙虾的底层模型换成 Claude（Sonnet/Opus 系列）或 GPT-5.5 这类顶级国外大模型，体验会事半功倍。
原因很现实——量化策略涉及代码生成、API 调用、报错诊断、结果解读这一整条链路，模型对长上下文的理解力、对 Python 生态的熟悉度、对错误日志的诊断能力直接决定了它能不能”一次跑通”还是”反复试错”
4. 严肃的策略研究推荐使用专业IDE。龙虾作为通用对话助手，在进行深度的量化回测研究和复杂策略开发时，相对来说还是不太专业。建议比较好的方式是使用 Cursor 或者 Claude Code，配合 khQuant 提供的 Skill 知识包来进行策略研究，这样能获得更强大的代码补全、上下文理解和项目级调试体验。
结语、内测渠道与公开版本
支持在龙虾Openclaw部署的的最新版本khQuant已经上线。内测资格目前只对通过作者推荐渠道开通 miniQMT（开通免费）的朋友开放。加入内测群的福利：
-
版本领先体验：永远比公开发布版领先一个大功能版本； -
专属交流群：与作者及众多量化爱好者直接交流；
如果感兴趣，请关注公众号”看海的城堡“，在公众号页面下方点击相应标签即可获取开户方式，开通后联系作者即可加入。
公开版本包含回测历史管理等绝大部分核心功能，可在官网免费下载安装包和获取全部开源代码：
官网地址：https://khsci.com/khQuant/