PowerQuant RAG
让 AI 看懂所有量化平台的函数与文档
PowerQuant RAG —— 量化知识库 MCP 服务:把文华、TBQuant、通达信、天勤、金字塔、TradingView 等 11 个平台的官方文档向量化索引(共 12 分类、6350+ 文档块),AI 一查就懂,精准命中各平台接口。
让 AI 帮你自动配置
把下面这段内容完整复制给你的 AI 助手(Claude / Cursor / ChatGPT),它会自动完成 MCP 配置、Key 申请说明与验证测试
你是 PowerQuant RAG 接入助手,请帮我完成 MCP 服务接入。
## 服务简介
PowerQuant RAG 把 11 个主流量化平台的官方文档向量化索引(共 12 分类、6350+ 文档块),通过 MCP 协议让 AI 精准回答函数语法、参数说明、示例代码等问题——让每一次回答都对应平台真实接口,把你的量化思想完整落地。
## 服务信息
- 域名:http://pq-rag.powerquant.top
- MCP 端点:http://pq-rag.powerquant.top/mcp
- 协议:MCP streamable-http(HTTP + SSE)
- 鉴权:Bearer Token
- 计费:免费(限流 60 RPM / 20000 RPD / 并发 8)
## 接入步骤
### 第一步:申请 API Key
当前我还没有 API Key。请告诉我申请渠道(公众号 / 邮箱 / 微信群),拿到 Key 后替换下方 <YOUR_API_KEY>。
### 第二步:配置 MCP 客户端
编辑 ~/.claude.json(Cursor 用户:Settings → MCP → Add new MCP Server),加入:
{
"mcpServers": {
"powerquant-rag": {
"type": "http",
"url": "http://pq-rag.powerquant.top/mcp",
"headers": {
"Authorization": "Bearer <YOUR_API_KEY>"
}
}
}
}
### 第三步:验证连接
请帮我依次调用:
1. list_categories — 应返回 12 个分类
2. list_platforms — 应返回 11 个平台
3. search("MACD 金叉") — 应返回相关文档
### 第四步:开始使用
配置成功后我可以这样提问:
- "TBQuant 的 Buy 函数怎么用"
- "通达信里 MACD 金叉公式怎么写"
- "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"
## 可用工具(5 个)
- search(query, category?, platform?, tags?, mode?, limit?) — 语义搜索
- list_categories() — 列出分类
- list_platforms() — 列出平台
- resolve_entity(query, platform?) — 概念 → 平台函数名
- list_entities(category?) — 跨平台实体映射
请现在确认你能读懂这份配置,然后引导我完成第一步。 核心价值
为什么 AI 编写量化策略时需要 RAG
全平台知识向量化
11 个平台、12 个分类、6350+ 文档块已向量化入库。基于 BAAI/bge-m3 嵌入模型与 bge-reranker-v2-m3 重排序,召回精度远超关键词检索。
精准函数查询
用自然语言提问即可拿到函数签名、参数说明、示例代码。AI 调用前先查后答,每一次回答都对应平台真实接口,不再因不熟悉平台 API 而卡壳。
策略跨平台迁移
把文华麦语言翻译成 TradingView Pine、把通达信公式改写成天勤 Python——AI 同时检索双边文档,函数对应关系一一映射。
免费开放
当前完全免费,限流 60 RPM / 20000 RPD / 并发 8,个人研究与策略开发完全够用。联系客服即可申请 API Key。
覆盖平台
11 个主流量化平台 · 持续扩充中
共 12 个分类、6350+ 文档块,涵盖函数参考、语法说明、策略示例、Python 接口。
典型使用场景
接入后你可以这样用
search("TBQuant Buy 函数"),返回函数签名、参数说明、示例代码search("MACD 金叉 通达信"),给出完整公式代码与变量说明resolve_entity("止损单"),返回各平台对应函数名清单手动配置方法
习惯自己动手的工程师,可选以下两种方式
适用于 Claude Code、Cursor、Cline、Continue 等支持 MCP 协议的 AI 工具。
Claude Code
编辑 ~/.claude.json,在 mcpServers 下添加:
{
"mcpServers": {
"powerquant-rag": {
"type": "http",
"url": "http://pq-rag.powerquant.top/mcp",
"headers": {
"Authorization": "Bearer <YOUR_API_KEY>"
}
}
}
} Cursor
- 打开 Settings → MCP
- 点击 Add new MCP Server
- Type 选择
http - URL 填
http://pq-rag.powerquant.top/mcp - Headers 添加
Authorization: Bearer YOUR_API_KEY
验证
重启客户端后,让 AI 调用 list_categories 工具,应返回 12 个分类。
基于 MCP streamable-http 协议,所有请求发送至 http://pq-rag.powerquant.top/mcp,需 Bearer Token 鉴权与 session 管理。
curl 示例(完整 MCP 流程)
# 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" \
-H "Authorization: Bearer <YOUR_API_KEY>" \
-d '{"jsonrpc":"2.0","id":1,"method":"initialize",
"params":{"protocolVersion":"2025-06-18","capabilities":{},
"clientInfo":{"name":"test","version":"1.0"}}}'
# 响应头里取 mcp-session-id
# 2. 后续请求都带 mcp-session-id
curl -X POST http://pq-rag.powerquant.top/mcp \
-H "Content-Type: application/json" \
-H "Authorization: Bearer <YOUR_API_KEY>" \
-H "mcp-session-id: <SESSION_ID>" \
-d '{"jsonrpc":"2.0","id":2,"method":"tools/list"}' Python 示例
import requests
API_KEY = "<YOUR_API_KEY>"
URL = "http://pq-rag.powerquant.top/mcp"
HEADERS = {
"Content-Type": "application/json",
"Accept": "application/json, text/event-stream",
"Authorization": f"Bearer {API_KEY}",
}
# 初始化
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
# 搜索
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) 工具清单
MCP 协议暴露的 5 个工具
search 语义搜索知识库,返回相关文档块
list_categories 列出所有分类及文档数
list_platforms 列出所有平台及文档数
resolve_entity 把交易概念解析为平台函数名
list_entities 列出跨平台实体映射
申请 API Key
三步开通 · 当前免费
微信公众号「听雨量化」 / 客服微信 / 用户群,任一渠道均可
简单说明你的目标平台与策略类型,便于我们评估配额
格式形如 kr_live_xxxxxxxx,按上方任一配置方法接入
常见问题
接入前的疑问,先在这里找答案
RAG 数据多久更新一次?
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」。
支持本地部署吗?
暂不支持。RAG 服务依赖 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。
支持英文文档吗?
当前以中文文档为主(11 个平台官方文档大多为中文)。TradingView Pine 文档保留英文原文,搜索支持中英文混合查询。
查询会被记录吗?
查询日志仅用于排查错误与限流统计,不会保存查询内容到数据库,也不会用于训练。API Key 哈希存储,明文不落盘。
实际调用示例
真实请求与响应(2026-07-13 实测,未做任何修饰)
search 工具 POST /mcp HTTP/1.1
Host: pq-rag.powerquant.top
Authorization: Bearer kr_live_xxxxxxxx
mcp-session-id: 53709bae6cc14346844d225beddb0fe1
Content-Type: application/json
{
"jsonrpc": "2.0",
"id": 3,
"method": "tools/call",
"params": {
"name": "search",
"arguments": {
"query": "MACD 金叉",
"platform": "通达信",
"limit": 3
}
}
} {
"score": 0.855,
"platform": "通达信",
"category": "函数参考",
"source_path": "tdx/functions/cross.md",
"content": "CROSS(A, B) { A 上穿 B }
判断 A 是否从下向上穿越 B。
示例 1:均线金叉
金叉:=CROSS(MA(C, 5), MA(C, 10));
示例 2:MACD 金叉(DIF 上穿 DEA)
DIF:=EMA(C, 12) - EMA(C, 26);
DEA:=EMA(DIF, 9);
MACD金叉:=CROSS(DIF, DEA);
// 选股条件:今日刚刚发生金叉
金叉今日:=CROSS(DIF, DEA);"
} {
"score": 0.768,
"platform": "通达信",
"category": "指标公式",
"source_path": "tdx/indicators/macd.md",
"content": "MACD 指标完整公式:
DIF:=EMA(CLOSE,12)-EMA(CLOSE,26);
DEA:=EMA(DIF,9);
MACD:=2*(DIF-DEA);
// 金叉信号:DIF 上穿 DEA
金叉信号:=CROSS(DIF,DEA);
DRAWICON(金叉信号, LOW, 1); // 在 K 线下方画图标"
} {
"score": 0.706,
"platform": "无限易 PythonGo",
"category": "策略示例",
"source_path": "pythongo/strategies/macd_signal.py",
"content": "def calc_macd_signal(close, fast=12, slow=26, signal=9):
'''计算 MACD 金叉/死叉信号'''
dif = ema(close, fast) - ema(close, slow)
dea = ema(dif, signal)
golden_cross = crossover(dif, dea) # 金叉
death_cross = crossunder(dif, dea) # 死叉
return golden_cross, death_cross"
} 通达信里 MACD 金叉选股公式:
DIF:=EMA(C, 12) - EMA(C, 26);
DEA:=EMA(DIF, 9);
金叉:=CROSS(DIF, DEA); { CROSS 函数:A 上穿 B 时返回 1 }
选股器直接把「金叉」作为条件即可——CROSS 是通达信内置函数,
表示今日 DIF 从下向上穿越 DEA。
↑ 完整链路:用户提问 → AI 调用 search → 拿到 3 条真实文档块
(含 score、平台、分类、源文件路径、原文内容)→ AI 综合输出。
所有内容来自 pq-rag.powerquant.top 线上服务,未做任何裁剪或修饰。