QuantMind 指南 2026：把金融数据变成「AI 可信知识」的开源框架（NeurIPS 2025 入选）

---

结论先行：QuantMind 是把金融原始信息变成「AI 能 100% 信任的知识」的信息处理器

论文、新闻、申报文件——金融信息从不缺乏，但 AI 直接使用时，「信息截止到什么时候」含糊不清，来源也存疑。

QuantMind（https://github.com/LLMQuant/quant-mind）是一个把金融原始信息提炼为「结构化知识」的开源信息处理器。

• 每条知识都带类型、来源、时间戳——例如「Acme 公司 2026 年 Q2 财报（来源：新闻稿）」，可独立持久化、按时间点查询
• 入选 NeurIPS 2025 GenAI in Finance Workshop（arXiv:2509.21507）——金融×LLM 研究的最前沿
• MIT 许可证・Python 3.8+——免费，可商用
• 「智能体原生」设计——打开仓库说「给我建一个这样的流水线」，AI 智能体（Claude Code / Codex）就会帮你构建

一句话总结：「别再把原始 PDF 和新闻直接扔进 LLM/RAG 管道了」——这就是这种设计理念的结晶。

QuantMind 是什么？基本信息

厉害在哪：三大支柱

1. 知识工程——「任意来源 → 结构化知识」

QuantMind 的核心是「知识工程」：把原始信息源提炼为带类型、来源、时间戳的知识。

具体机制：

• 确定性预处理——fetch / 解析 / format + clean，全程无模型参与，保证来源准确、可复现
• 结构化知识形态——论文用 Paper 结构树，新闻用 News / Earnings / Factor / Thesis 扁平卡片。每件产物自带文本、as_of 时间戳、轻量来源引用
• 配置驱动操作——PaperFlow(cfg).build(input) 绑定不可变配置；batch_run 批量执行（无需手写 asyncio.gather）
• 基于知识的检索——rag/（分块 + BM25/相似度）、library/（本地持久化 + 语义搜索）、mind/（智能体式、基于推理的检索）。支撑 RAG、Agentic RAG、深度研究、数据 MCP 服务

2. Harness Engineering——「不要 import，打开它」

第二大支柱是「Harness Engineering（工程化环境）」：「仓库本身就是产品」。

Don't import it. Open it.（不要 import，打开它。）

• 仓库级契约——AGENTS.md / CLAUDE.md 对打开仓库的所有智能体强制始终生效的规则
• 渐进式披露 contexts/——带 Quick Summary 的智能体页面，只加载任务需要的那一页
• 可移植技能——quantmind-dev 已发布，同时适配 Claude 和 Codex
• Claude + Codex 钩子——共享钩子脚本给两个智能体相同的硬保证
• 确定性验证——scripts/verify.sh 按固定顺序运行 lint → 类型 → import 边界 → 测试；CI 跑同一脚本

这个设计的赌注是：「弱模型 + 好环境 > 强模型裸奔」。这正是 2026 年 AI 智能体开发的最前沿思想。

3. 生产落地——LLMQuant Data

QuantMind 是开源引擎，LLMQuant Data是在其上运行的数据平台产品。

• 依赖方向单向——llmquant-data import quantmind，绝不反向
• 「开源引擎 + 运营产品」的分离是 OSS 的理想形态

用法：两条路

智能体模式（推荐）

QuantMind 的设计初衷是「被打开」而不是「被 import」。

git clone https://github.com/LLMQuant/quant-mind.git
cd quant-mind && claude      # 或: codex

然后在智能体会话中说：

「为 arXiv 1706.03762 构建一个 source-first 的论文工件，持久化它，并搜索摘要。」

智能体会读取仓库契约（AGENTS.md）、加载相关 contexts/ 页面、编写流水线，并在交回变更前运行 scripts/verify.sh。

库模式

QuantMind 也是一个普通 Python 包。

uv venv && source .venv/bin/activate
uv pip install -e .

把论文转成结构树（PaperFlow）

import asyncio

from quantmind.configs import PaperStructureCfg
from quantmind.configs.paper import ArxivIdentifier
from quantmind.flows import PaperFlow

async def main() -> None:
    flow = PaperFlow(PaperStructureCfg(model="gpt-5.6-luna"))
    tree = await flow.build(ArxivIdentifier(id="1706.03762v7"))
    print(tree.id, len(tree.nodes))

asyncio.run(main())

语义形态：摘要 + 分块

import asyncio

from quantmind.configs import PaperSemanticCfg
from quantmind.configs.paper import ArxivIdentifier
from quantmind.flows import PaperFlow

async def main() -> None:
    flow = PaperFlow(PaperSemanticCfg(model="gpt-5.6-luna", chunk_size=512))
    result = await flow.build(ArxivIdentifier(id="1706.03762v7"))
    print(result.global_summary.summary)
    print(result.source_revision.id, result.chunk_set.id)

asyncio.run(main())

批量采集新闻（batch_run）

import asyncio
from datetime import datetime, timedelta, timezone

from quantmind.configs import NewsCollectionCfg, NewsWindow
from quantmind.flows import batch_run, collect_news

async def main() -> None:
    end = datetime.now(timezone.utc)
    windows = [
        NewsWindow(
            source="pr-newswire",
            start=end - timedelta(days=day + 1),
            end=end - timedelta(days=day),
        )
        for day in range(3)
    ]
    result = await batch_run(
        collect_news,
        windows,
        cfg=NewsCollectionCfg(retain_raw_html=False),
        concurrency=3,
        on_error="skip",
        on_progress=lambda done, total: print(f"{done}/{total}"),
    )
    print(f"ok={result.success_count} failed={result.failure_count}")

asyncio.run(main())

用 magic 解析自由意图

import asyncio

from quantmind.flows import collect_news
from quantmind.magic import resolve_magic_input

async def main() -> None:
    inp, cfg = await resolve_magic_input(
        "Collect the last day of PR Newswire company news.",
        target_flow=collect_news,
    )
    batch = await collect_news(inp, cfg=cfg)
    print(f"documents={batch.success_count} complete={batch.complete}")

asyncio.run(main())

评估（设计阶段）

• quantmind-bench——仿 SWE-bench：同一模型、同一任务集，素仓库 vs QuantMind 工程化环境配对对比。报告 cost-to-green、pass@1、pass^k、耗时
• llmquant-data-bench——评估知识质量（正确性、引用精确率/召回率、时点正确性）

[!NOTE] 评估处于设计阶段，尚未发布任何结果。遵循 Anthropic「Demystifying evals for AI agents」框架。

诚实评测

优点

• 用类型保证「时点 + 来源」——对 RAG「信息过时 / 来源不明」问题的本质回答
• NeurIPS 2025 入选——有学术背书
• 智能体原生设计与 2026 年潮流完全契合——「仓库本身就是产品」
• uv 起步快——uv pip install -e . 即可使用
• MIT 许可证——可自由商用和修改

不足与注意

• 评估还在设计阶段——bench 数值尚未公布（态度诚实，但实证尚待）
• 目前只覆盖论文和新闻——SEC/申报文件、预测市场在路线图中
• 需要自己指定 LLM——例如 model="gpt-5.6-luna"
• 智能体模式需要 Claude Code / Codex 技能——纯 Python 用户建议走库模式

路线图

读者想了解的内容

Q1. QuantMind 免费吗？

是的，MIT 许可证完全开源。可商用。

Q2. 能处理哪些数据？

目前是论文（arXiv PDF）和新闻（PR Newswire 等）。SEC/申报文件在路线图中。

Q3. 需要 LLM 吗？

知识抽取需要 LLM（通过 model="gpt-5.6-luna" 指定）。预处理是无需模型的确定性处理。

Q4. 支持中文吗？

LLM 能理解自然语言，中文文档可以处理（解析效果取决于源语言和解析器）。

Q5. 纯 Python 能用吗？

可以——库模式（uv pip install -e .）独立可用。使用 Claude Code / Codex 时推荐智能体模式。

Q6. 和 TradingAgents 有什么区别？

TradingAgents 是「AI 智能体做交易分析和决策」的框架。QuantMind 是「把金融信息变成结构化知识」的基础设施。两者可以组合：先知识转换，再分析。

总结：QuantMind 是金融 AI 的「地基」

• 原始金融信息 → 带类型・来源・时间戳的知识——RAG 信任问题的答案
• NeurIPS 2025 入选——学术背书
• 智能体原生设计——「仓库本身就是产品」
• 库模式 / 智能体模式——任何人都能上手

想让 AI 信任 你的金融数据，QuantMind 的设计思想值得先研究。打开仓库，AI 智能体就会帮你构建流水线——这就是 2026 年的开发方式。

相关文章

• 腾讯 WeKnora v0.8.0 深度解析：RAG 进化为 Agentic RAG，具备记忆与沙箱的知识智能体平台（2026年版）

• TradingAgents 指南 2026：101K Star 的 AI 交易框架

• WikiSkill 指南 2026：Google「从执行日志自动生成技能」的三层架构

• reverse-skill 指南 2026：GitHub Trending 第一的 AI 安全智能体技能路由器