之前讲到我在V3版本中把VSCode内联到看海量化回测系统中，从而可以实现一站式地实现策略AI生成、修改、调试、回测。此时的量化回测系统已经基本接近我所设想的系统的最终状态了。
这篇教程将带你使用内联编辑器实现一个完整的量化策略，对于常规的量化策略，基本可以使用本章的方式实现。复杂的策略，后续会逐渐完善并补充案例。
我将通过一个详细的图文教程，一步步教你如何正确使用这套提示词工程，真正实现“用说话的方式写代码”，将你脑中的策略灵感，轻松变为现实。
一、准备工作
在开始之前，请确保你已经准备好以下三样东西：
1. 一个AI大模型工具
2. 看海量化AI提示词工程
3. 一个清晰的策略思路
1. AI大模型工具
由于内置的编辑器是VSCode，所以VSCode支持的AI编程工具你都可以使用，比如augment、Copilot等等。但是现在插件的订阅费用越来越高，augment一个月就要50美元了，对于非重度用户来说成本较高。
因此，我在这里推荐另一类插件，例如 Roo Code, CodeLine 或 Continue。它们的共同点是都通过调用API来使用大模型。
使用API有几个核心好处：
* 经济实惠：平台按量计费，用多少算多少，避免了按月订阅造成的浪费。
* 模型库丰富：可以在一个平台内轻松切换使用 Gemini, Claude, GPT 等多种模型。
* 应用场景广泛：API不仅可以在AI编程插件中使用，在后续我们开发AI直接决策的策略时也会用到。
下面，我们以 Roo Code 插件为例，详细介绍配置过程。
(1) 获取API密钥
既然要用API，那么API从哪里来呢？
根据此前的详细测评和日常使用经验，强烈推荐使用 Gemini 或 Claude 模型，这可以极大节省反复折腾的时间成本。但在国内直接访问官网并使用API有诸多不便，且每个模型都要单独购买，比较麻烦。
因此，我推荐一个开源的模型聚合平台——CloseAI。它的计费方式是官方API定价乘以一个系数。默认系数是1.5，但通过下方链接注册的用户，可以有三个月的大客户套餐优惠，系数降为1.1，这个时间足够前期策略研究阶段使用了。
注册链接：
https://referer.shadowai.xyz/r/1027594
操作步骤：
1. 点击上方链接，在官网主页注册账号。
2. 登录后，在后台点击充值，初次尝试可以先充几块钱体验。
3. 在后台的“控制台”可以看到接入信息，其中最重要的是 API密钥，这个密钥一定要保存好，不要泄露给他人。
4. 点击“接入文档”，可以看到不同模型的域名设置方式，先有个印象，稍后配置时会用到。
(2) 配置Roo Code插件
现在，我们开始配置看海系统内置编辑器中的Roo Code插件。
- 打开编辑器：在看海回测系统，点击右上角的“编辑器”，随意新建或打开一个策略文件进入编辑器界面。
- 安装插件：点击侧边栏的“扩展”图标，打开插件市场。在搜索框输入
Roo，找到插件后点击 安装。
- 打开插件：安装完成后，侧边栏会出现Roo Code的图标，点击它。
- 切换中文(可选)：默认是英文界面，如果需要，可以点击右上角的齿轮图标 -> 地球图标，切换为中文。
- 添加模型提供商：点击最上方的图标，进入“提供商”页面。
下面我们分别添加 Claude 和 Gemini 这两个模型。
配置Claude:
1. 在“配置文件”处，将默认配置重命名为 Claude。
2. API提供商 选择 Anthropic (Claude的服务商)。
3. 将你在CloseAI上获取的 API密钥 填入。
4. 勾选“使用自定义基础URL”，并输入对应的域名：https://api.openai-proxy.org/anthropic (这就是前面在CloseAI“接入文档”里看到的地址)。
5. 模型 选择一个较新的版本，如 claude-3-sonnet-20240229。
6. 点击 保存 完成。
配置Gemini:
1. 在“配置文件”处，点击 加号，新建一个配置文件，命名为 Gemini。
2. API提供商 选择 Google Gemini。
3. 填入同一个 API密钥。
4. 基础URL 设置为 https://api.openai-proxy.org/google。
5. 模型 选择一个较新的版本，如 gemini-pro。
6. 点击 保存 完成。
此时，两个模型就配置完毕了。你可以在插件主界面的下方随时切换使用这两个模型。
2. 看海量化AI提示词工程
这是一个关键步骤，目的是让AI理解我们平台的代码规范和函数结构，成为一个“懂规矩”的KhQuant策略专家。
- 通过下方链接获取最新版的提示词工程全文：
https://khsci.com/khQuant/prompt/ - 点击页面上的 Copy 按钮，复制提示词全文。
- 把它粘贴到Roo插件的对话框中，发送。
现在，AI已经准备就绪。你只需要在同一个对话窗口里，接着向它描述你的策略想法即可。
3. 一个清晰的策略思路
这是最重要的基础。你需要想清楚你的策略逻辑，一个完整的策略描述应该包含两部分：
(1) 策略逻辑部分
- 交易对象：是针对股票池里的所有股票，还是只针对某一支？
- 使用指标：用到了哪些技术指标？（比如MA, RSI, MACD…）
- 指标参数：指标的周期参数是多少？（比如MA(20), RSI(14)…）
- 买入条件：在什么情况下触发买入？
- 卖出条件：在什么情况下触发卖出？
- 仓位管理：买入/卖出多少？（比如全仓、半仓、使用50%资金…）
(2) 回测配置部分
- 回测时间段：从什么时候到什么时候？
- 触发方式：策略多久判断一次？（日线、分钟级、Tick级）
- 复权方式：使用什么复权方式？（推荐前复权）
- 股票池：测试哪些股票？
- 初始资金：回测用多少资金？
- 交易成本：是否需要自定义佣金、印花税、滑点等？
二、实战演练：从提问到回测
准备工作就绪后，我们来看一个实例。
1. 好的提问 vs 坏的提问
一个好的提问（清晰、具体）：
请帮我写一个RSI超买超卖策略和对应的配置文件。
策略逻辑：
- 使用14日RSI指标
- 当RSI小于20时（超卖），如果当前没有持仓，使用50%资金买入股票池第一只股票
- 当RSI大于80时（超买），如果当前有持仓，全部卖出
- 每日收盘时检查一次信号
回测配置：
- 回测时间：2025年1月1日到2025年6月30日
- 触发方式：每日收盘时判断
- 复权方式：前复权
- 测试股票：平安银行(000001.SZ)
- 初始资金：100万
一个不好的提问（模糊、宽泛）：
给我一个能赚钱的均线策略。
2. 生成与回测
- 将上述“好的提问”发送给已经学习过提示词工程的Roo。
- AI会按照要求，直接修改你当前打开的
.py文件，并生成一个对应的.kh配置文件内容。
- 在看海量化回测系统中，加载这个
.kh配置文件，并重新选择一下策略文件的路径。
- 检查一下策略代码是否正确，然后点击 运行回测。
很快，你就可以看到回测结果了。一个符合你预期的策略已经成功运行！
后续，你还可以不断在Roo的对话窗口中，继续向AI描述你的策略修改想法，进行迭代优化，直到得到满意的结果。
提示：策略的单步调试是验证逻辑的重要环节，具体方法在相关教程中有介绍，这里不再赘述。