Auto-Quant 使用教程｜让 Agent 自动构建量化策略
Auto-Quant 是一个允许 Agent 自动构建和迭代量化交易策略的最小原型，灵感源自 Karpathy 的 Auto-Research。文章介绍了该项目的背景、测试效果及详细的运行教程，包括环境配置、使用 Claude Code 启动 Agent 的方法，以及如何监控实验进度。该项目证明了 LLM 在受约束的沙盒环境中具备进行高质量自主量化研究的能力。
相关文档
How to Build an AI Quant Research Team with Claude Code (Full Course)
本文是一篇完整教程，讲解如何将 Claude Code 打造为一个量化研究团队。作者指出单一聊天窗口无法进行诚实的量化研究，缺乏数据、算力、角色分离和记忆四大要素。通过 QuantGPT（基于 MCP 协议的终端工具），AI Agent 可以获得对冲基金级的数据仓库（消除幸存者偏差和前视偏差）、云端回测算力以及固定验证机制。文章详细介绍了如何搭建一个 5-Agent 研究团队：规划者、执行者、质疑者、记录员等角色分工协作，并给出 10 分钟内完成连接的具体步骤，最终让交易策略经受住未见数据的检验。
AI交易员第一步：用DeepSeek跑通量化交易
本文教程介绍如何用 DeepSeek V4 Pro 配合 Pi Agent、OKX Agent Skills 与 OKX CLI，在模拟盘上跑通加密货币量化交易全流程。内容涵盖环境安装与凭证配置、读取 BTC-USDT K线数据、用均线与 RSI、ATR 构建回测策略、创建 dry-run 脚本验证信号，以及最终由人工确认后执行小额模拟订单。文章强调安全边界：只用模拟盘、不碰真实资金、凭证不进入对话，并详细说明了防未来函数、手续费与滑点处理等回测细节。
Auto Quant V2 教程 | 让 Codex/Kimi/DeepSeek 做量化
Auto Quant V2 发布，旨在将通用 Coding Agent 转换为全自动推进量化研究的 Quant Agent。它不绑定特定模型，通过 Harness 架构为 AI 提供长期工作的量化研究环境，支持自我进化，解决了 AI 编写代码但难以持续追踪量化研究的问题。
如何用 AI 逆向工程任何东西（REA 完整指南）
本文介绍了开源工具 REA（Reverse Engineer Anything），一个拥有 33.5 万星标的 GitHub 项目。REA 通过 MCP（模型上下文协议）接入 Claude Code、Codex、Grok Build 等 AI Agent，让 Agent 能够分析网站、桌面应用、移动应用乃至游戏的功能实现原理，并生成规格文档用于构建自己的版本。文章提供了从零开始的完整新手教程，包括安装步骤（npx 命令或自动化 Agent 安装）、健康检查方法，以及五步工作框架：观察架构、深度理解（X-ray）、制定蓝图、构建实现、迭代升级，并附有各阶段的实用提示词模板。核心价值在于可以借鉴喜爱的应用功能，快速打造自己的版本。
学 AI，上名课：先从这 10 门课开始
作者逐一核对了 10 门免费或部分免费的 AI 学习课程，并按学习阶段分为四站：零基础入门（吴恩达 AI for Everyone、Google 生成式 AI 路径）、提升 AI 使用能力（OpenAI Prompting 指南、Karpathy How I use LLMs）、补编程基础（哈佛 CS50x/CS50P/CS50AI）、动手实践（微软 Generative AI for Beginners、Claude Code in Action、n8n 搭 AI Agent）。每门课均附出品方、时长、费用、证书等详细信息和链接。作者建议不必全学，根据自己的阶段挑选两门深耕即可。
万字长文｜超简单 REA：逆向平权，从入门到精通
本文是面向新手的 REA (Reverse Engineer Anything) 详解教程。REA 是一个装在 AI Agent 里的逆向工程 MCP 工具箱，半年内 GitHub star 达 22 万。它本身不发明新技术，而是充当中间翻译层，让 Claude Code、Codex 等 AI Agent 能指挥 Hopper、Ghidra、IDA 等老牌逆向工具，并把结果翻译成大白话，每条结论都带证据。文章覆盖逆向工程和 MCP 的基础概念、REA 能干与不能干的事、安装配置步骤（Node.js 版本要求、npx 安装、doctor 体检）、三个分析引擎的挑选、第一个分析任务的实操、常见坑与 FAQ。新手可从免引擎的 JavaScript/Electron 应用分析入手。
Agent 开发入门｜最小版的智能体 Supervisor
本文是 Agent 开发入门系列的实操篇，教读者用 88 行 Python 代码实现一个最小化的 Supervisor（主管）智能体。Supervisor 本身不干活，只负责拆任务、派活给手下 worker（coder 和 tester）、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异，详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念，并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明，最后引导读者扩展更多 worker 角色。
Agent 开发入门｜手写一个 Claude Code，机制很多循环就一个
本文是开源系列「Learn Claude Code」的介绍入口，该系列共 20 集，从 102 行代码的 while 循环起步，逐步拆解 Claude Code 的 20 个机制。核心观点是：智能体机制很多，但循环就一个。文章介绍了 20 集地图，分为骨架（循环、工具、权限、钩子、计划）、干得久（子智能体、技能、压缩、记忆）、干得多（任务系统、后台任务、调度）、组队（多智能体协作）和外接（MCP）五段，并给出 S01 的完整安装运行教程，包括环境搭建、API 配置（支持 GLM、DeepSeek 等兼容服务）和常见错误排查。
15 分钟打通 Muse 和你的电脑：写代码、办公、写文章、记笔记全交给它｜保姆级教程
本文介绍如何用开源文件同步工具 Syncthing 在 Mac 与 Muse 的云端 Linux 虚拟机之间建立双向同步文件夹，从而打通本地电脑与 Muse。作者分四步讲解：Mac 端安装并配置 Syncthing（brew 安装、开机自启、获取 Device ID）；通过一段现成 Prompt 让 Muse 在虚拟机里自动完成安装配置；两边互相添加设备并共享文件夹；最后双向测试连通性。配置完成后，Muse 生成的文件（如用 Claude Code 写的 HTML 页面）几秒内即可同步到本地，代码仓库、文档、笔记也能放入同步文件夹直接交给 Muse 处理。文中还总结了 unknown device 报错等常见坑及解决方法。
Build a business second brain: the 13-lesson guide
本文是 Nick Spisak 的 13 节课教程指南，讲解如何为企业搭建'第二大脑'（second brain）知识库，并结合 AI Agent 使用。作者以自己的公司 Capstone Brands 为例，完整展示了从选择业务问题、创建 GitHub 组织与仓库、用 GitHub Desktop 克隆本地副本、在 Codex 中使用知识库模板发起构建请求，到按销售、营销、情报、财务、运营五大业务职能组织知识的全过程。最终目标是让 Slack 中的 Agent 能阅读公司知识库、回答真实业务问题并引用来源文件。教程还涵盖版本历史管理、访问权限控制、标准操作流程转化为 Agent Skill 等实践要点。
从零开始，用 LangGraph 搭建你的第一个 AI Agent
本文是一篇面向初学者的 LangGraph 实战教程，介绍如何用 Python 从零搭建一个具备工具调用、推理决策和会话记忆能力的 AI Agent。文章首先讲解 LangGraph 的三个核心概念：State（状态/共享记忆）、Node（执行步骤）和 Edge（跳转逻辑），随后通过完整代码演示项目创建、工具定义、模型节点编写、条件路由实现、Graph 组装，以及通过 InMemorySaver 和 thread_id 实现多轮对话记忆。最终实现一个 ReAct 循环（思考→行动→观察→回答）的基础 Agent，并给出网页搜索、数据库查询、RAG 检索等扩展方向。
Hermes Agent 不完全指南：从入门到放弃
本文是一篇面向新手和 OpenClaw 迁移用户的 Hermes Agent 部署与使用教程。Hermes 是一款开源的 AI Agent 框架，主打持久运行、自动提炼复用技能以及按需召回的分层记忆系统。文章详细图文指导了 Hermes 的环境准备、一键安装、模型 API 配置及接入 Telegram 等即时通讯平台的方法，并深入解析了其技能生成、语音交互、多平台人格定制等核心特性。最后，提供了费用参考、安全防御机制说明及常见问题解答，帮助用户零成本、高效率地搭建专属的数字 AI 员工。
