PowerQuant RAG 配置教程：四种方式，五分钟接入

上一篇文章《PowerQuant RAG 上线：让你借助 AI 五分钟成为量化代码专家》讲了 RAG 能帮你做什么。文末我说「下一篇写怎么装怎么接」——今天就是那篇。照着做，五分钟跑通。

太长不看版：直接把这个文章复制给AI就行

如果你没看过上一篇，这里一句话补课：PowerQuant RAG 是一个把 11 个主流量化平台官方文档向量化索引的 MCP 服务，AI 调用后能精准回答函数语法、参数说明、跨平台迁移等问题。

11 个平台分别是：股票侧的 PTrade、聚宽、米筐、通达信；期货侧的 TBQuant、天勤 TqSdk、金字塔、无限易 PythonGo、易盛 Esunny；加上 TradingView Pine 和文华财经麦语言。共 12 个分类、6350+ 文档块。

上一篇发出后，最多人问的不是「RAG 能做什么」，而是——

「到底怎么装？」

有人说装了 Claude Code 但不知道在哪改配置，有人说 Cursor 里 MCP 那栏找不到入口，还有人压根不用 IDE，问能不能 Python 直接调。

这些都不是复杂问题，但每一个都能把人挡在门外一下午。我代写量化策略这两年，见过太多客户因为「配不通」而放弃一个好工具——不是工具不行，是文档没说清。

所以这篇把四种接入方式全写清楚：Claude Code、Cursor、Python、curl。前两个是 IDE 用户的主路径，后两个是不用 IDE 时的备选。任选其一，都能跑通。每种方式都配上完整的配置代码和踩坑提示——照着复制粘贴就行。

服务地址先记住：http://pq-rag.powerquant.top/mcp。所有方式都是对这一个地址说话。

服务当前免费开放，无需注册、拿来就用：限流 60 请求/分钟、20000 请求/天、并发 8（按客户端 IP 计算）。个人研究和策略开发完全够用，我自己的重度使用也没踩过限流线。

配置是最后一道坎：四种方式，五分钟接入

第一步：Claude Code 配置

Claude Code 配置四步流程

Claude Code 是 Anthropic 官方的 AI 编程助手，跟 VSCode 无缝集成。如果你上一篇已经装好了，这里只需要改一个配置文件。

找到配置文件：

Windows：C:\Users\你的用户名\.claude.json
macOS / Linux：~/.claude.json

用任何文本编辑器打开。如果文件里已经有 mcpServers 字段，在它下面加一项；如果没有，整个粘贴进去：

{
  "mcpServers": {
    "powerquant-rag": {
      "type": "http",
      "url": "http://pq-rag.powerquant.top/mcp"
    }
  }
}

两个细节容易踩坑：

如果 mcpServers 里已经有别的服务（比如你装了别的 MCP 工具），在最后一个服务后面加逗号，再粘 powerquant-rag 这段。JSON 不允许最后一个键后面有逗号，搞错了整个文件都解析不了。
保存后必须重启 Claude Code。不重启的话，新配置不会生效。

重启完，在 Claude Code 里随便发一句：

帮我调用 list_categories 工具

如果返回 12 个分类（函数参考、指标公式、语法说明、策略示例、Python 接口等），说明配置成功。

如果报错怎么办：

「Tool not found」：检查 JSON 格式有没有错（逗号、引号、缩进）。把整个 mcpServers 段贴到 JSON 校验网站跑一遍最快。
「Connection refused」：网络不通，先 curl http://pq-rag.powerquant.top/mcp 看能不能通。

第二步：Cursor 配置

Cursor 用户不用改配置文件，图形界面操作就行。

操作路径：

打开 Cursor → Settings（设置）
左侧找到 MCP 标签
点 Add new MCP Server
填写：
- Type：http
- URL：http://pq-rag.powerquant.top/mcp

保存后重启 Cursor。Cursor 对 MCP 配置变更是热加载的，但偶尔需要重启才能识别新服务。重启后，在对话框里让 AI 调用 list_platforms，应返回 11 个平台。

Cursor 跟 Claude Code 的区别在于：Cursor 的 AI 是 Cursor 自己的模型（或你接入的模型），而 Claude Code 背后是 Claude。两者都能调用 PowerQuant RAG，选你顺手的那个就行。

第三步：Python 直接调用

MCP 两步握手流程

不用 IDE、想脚本化、想批量调用——Python 直接打 HTTP 最自由。

PowerQuant RAG 基于 MCP streamable-http 协议（HTTP + SSE），所以不是简单的「发一个 POST 拿结果」，而是两步走：先初始化握手拿 session id，后续请求都带这个 id。

import requests

URL = "http://pq-rag.powerquant.top/mcp"
HEADERS = {
    "Content-Type": "application/json",
    "Accept": "application/json, text/event-stream",
}

# 第一步：初始化握手，拿 session id
init = requests.post(URL, headers=HEADERS, json={
    "jsonrpc": "2.0", "id": 1, "method": "initialize",
    "params": {
        "protocolVersion": "2025-06-18",
        "capabilities": {},
        "clientInfo": {"name": "pq-client", "version": "1.0"}
    }
})
session_id = init.headers["mcp-session-id"]
HEADERS["mcp-session-id"] = session_id

# 第二步：调用工具
result = requests.post(URL, headers=HEADERS, json={
    "jsonrpc": "2.0", "id": 2, "method": "tools/call",
    "params": {
        "name": "search",
        "arguments": {"query": "MACD 金叉", "limit": 5}
    }
})
print(result.text)

几个关键点：

Accept 头必须包含 text/event-stream——MCP streamable-http 协议要求，少了会报错。
session id 从响应头取，不是响应体。init.headers["mcp-session-id"] 这一行别漏。
session id 要带回后续请求——HEADERS["mcp-session-id"] = session_id 这一行也别漏。
id 字段是请求序号，每次请求递增就行，用于匹配响应。
protocolVersion 当前是 2025-06-18——MCP 协议还在演进，如果将来报版本错误，去 MCP 官方仓库查最新版本号。

跑通后，result.text 里会返回 5 条文档块，每条带 score（相似度）、platform、category、source_path、content 五个字段。score 越高越相关，0.7 以上基本就是你要的东西。

Python 调用的适用场景：

不用 IDE、纯脚本化跑策略回测的用户
想把 RAG 集成到自己工作流里（比如先搜文档、再生成代码、再回测）
批量调用——比如遍历 11 个平台的所有函数做对比表
想绕开 IDE 的 AI 模型，直接用 RAG 检索结果配合自己的模型

Python 直调的代价是没有 IDE 的上下文管理——每次调用都要自己维护 session id、自己解析响应。但对工程师来说这反而是优势，可控性更高。

第四步：curl 验证流程

curl 适合两个场景：一是服务出问题时快速验证是不是网络的事；二是非 Python 环境下做一次最小验证。

# 1. 初始化握手，拿 session id
curl -X POST http://pq-rag.powerquant.top/mcp \
  -H "Content-Type: application/json" \
  -H "Accept: application/json, text/event-stream" \
  -d '{"jsonrpc":"2.0","id":1,"method":"initialize",
       "params":{"protocolVersion":"2025-06-18","capabilities":{},
                 "clientInfo":{"name":"test","version":"1.0"}}}'

响应头里会有一行：mcp-session-id: <SESSION_ID>。把这串字符复制下来。

# 2. 后续请求带上 session id
curl -X POST http://pq-rag.powerquant.top/mcp \
  -H "Content-Type: application/json" \
  -H "mcp-session-id: <SESSION_ID>" \
  -d '{"jsonrpc":"2.0","id":2,"method":"tools/list"}'

tools/list 会返回 5 个工具的完整定义。如果这一步成功，说明网络通畅、协议正确——后面任何调用问题都是参数层面的事，不是接入层面的事。

curl 调试有一个坑：Windows CMD 里的 JSON 引号需要转义，建议用 Git Bash 或 WSL 跑。PowerShell 也可以，但 JSON 字符串里的双引号要写成 \"。

5 个 MCP 工具速查

5 个 MCP 工具速查卡片

配置完之后，AI 能调用的工具有 5 个。日常用得最多的是前两个。

工具	作用	关键参数
`search`	语义搜索知识库，返回相关文档块	`query`（必填）、`platform`、`category`、`limit`
`list_categories`	列出所有分类及文档数	无参数
`list_platforms`	列出所有平台及文档数	无参数
`resolve_entity`	把交易概念解析为平台函数名	`query`、`platform`
`list_entities`	列出跨平台实体映射	`category`

search 是核心。它的 platform 参数很关键——不指定时全平台搜索，指定时只搜该平台。比如「MACD 金叉」不指定 platform 会返回通达信、无限易、TBQuant 等多个平台的实现；指定 platform=通达信 则只返回通达信的函数和示例。

resolve_entity 是高阶工具：你给一个概念（比如「金叉」），它返回这个概念在各平台对应的函数名。做跨平台迁移时很有用。

验证与第一次提问

验证三连：12 分类 → 11 平台 → score ≥ 0.7

配置完，按这三步验证一次：

1. 让 AI 调用 list_categories

应返回 12 个分类：函数参考、指标公式、语法说明、策略示例、Python 接口、麦语言、Pine Script 等。

2. 让 AI 调用 list_platforms

应返回 11 个平台，每个平台带文档块数。PTrade、聚宽、米筐、通达信、TBQuant、天勤、金字塔、无限易、易盛、TradingView、文华财经。

3. 让 AI 调用 search，查一个具体概念

帮我查一下 MACD 金叉在通达信里怎么写

应返回 2-3 条文档块，score 在 0.7 以上，内容包含 CROSS 函数的用法和示例代码。

三步都通过，说明 RAG 已经完全接入。接下来就是实战。

第一次实战提问示例：

「TBQuant 的 Buy 函数怎么用？」
「把这段文华财经麦语言翻译成 TradingView Pine Script」
「天勤 TqSdk 怎么订阅行情？」
「通达信里 MACD 金叉公式怎么写？」

每个问题 AI 都会先调 RAG 检索，再基于检索结果回答——不是凭空捏造。

常见问题

Q：连接超时

先 curl http://pq-rag.powerquant.top/mcp 看能不能通。不通就是网络或防火墙问题——部分公司网络会拦非常规端口或非 HTTPS 请求。当前服务是 HTTP（不是 HTTPS），如果你在公司网络里，试一下手机热点。

Q：调用频率超限

报 429 就是限流了。每分钟 60 次、并发 8 个——正常使用基本不会触。如果真触了，等一分钟自动恢复。

Q：中文搜索还是英文搜索？

11 个平台官方文档大多中文，TradingView Pine 保留英文。RAG 支持中英文混合查询——你问「MACD 金叉」或「MACD crossover」都能命中。但跨语言检索时，指定 platform 能显著提升精度。

Q：查询内容会被保存吗？

不会。查询日志只用于排查错误和限流统计，不保存查询内容到数据库，也不用于训练。

Q：能不能本地部署？

暂不支持。RAG 依赖 LanceDB 向量库 + 嵌入 API，本地部署需要自备 SiliconFlow / OpenAI key。后续会开源核心代码。

Q：知识库多久更新一次？

目前手动更新——每次有重大平台文档变更会重新向量化入库。计划后续开放「平台文档更新订阅」，让用户能收到更新通知。如果你发现某个平台的某个函数 RAG 没覆盖到，公众号后台告诉我，下一版本会补上。

写在最后

配置这一步，是 PowerQuant RAG 使用的「最后一道坎」。

坎之前，RAG 是别人嘴里的概念；坎之后，RAG 是你 AI 工具链里随时可调的一个工具。上一篇讲的四个场景——从零写策略、跨平台迁移、策略优化、找 bug——配置完都能直接跑。

四种接入方式任选其一：Claude Code 改 JSON、Cursor 图形界面、Python 直接调 HTTP、curl 验证调试。选你顺手的。

如果你配置过程中卡在哪一步，把报错截图发到「听雨量化」公众号后台，我看到就回。

下一篇会写什么——取决于你们留言。你想看 RAG 的进阶用法（比如跨平台策略迁移的完整工作流），还是想看具体平台（PTrade、TBQuant、TradingView）的深度接入案例？

👉 留言告诉我：你最想用 RAG 解决哪个具体问题？