Da_Zhuang的博客

量化投资通过数据驱动的理性决策体系，避免了人类情绪对投资的干扰，提升了决策效率和可验证性。其核心在于将交易经验转化为程序化规则，依赖高质量数据作为基础。数据获取与处理方面，利用异步编程和工具库（如asyncio、AKShare、Pandas）加速数据采集、清洗和指标计算。计划模式通过状态机管理复杂分析流程，将任务分解为多步执行，确保流程可控。完整案例展示了如何通过计划模式分析量价关系，最终生成投资结论。相比单一函数调用，计划模式更适合处理多阶段复杂任务，提升分析效率和准确性。

本文介绍了一种结合异步数据抓取技术和大模型工具的股票分析系统，旨在提升金融量化分析的效率与智能化水平。首先，通过Python的asyncio库实现多协程并发抓取，显著提高了海量股票数据的获取效率，相比传统同步方式，时间开销降低了10倍。其次，利用大模型工具封装股票查询逻辑，并通过langchain_core.tools的@tool装饰器将其集成到大模型中，实现了智能化的股票信息查询。最后，通过状态图（StateGraph）设计工作流，确保系统能够根据条件进行循环控制，进一步提升了系统的自动化与智能化程度。该

GraphRAG能够根据用户的查询，详细列出相关代码的描述，并对其进行总结。比如在查询UserModel相关代码时，它可以清晰地展示UserModel类的结构、方法的功能以及与其他代码的交互关系，总结出UserModel在整个代码系统中的作用。通过使用GraphRAG，结合Cursor进行代码预处理，开发者可以更高效地分析代码结构。这种方法不仅能够解决传统RAG的局限性，还能提供更准确、更全面的代码分析结果。从代码预处理到知识图谱构建，再到查询测试，整个流程为开发者提供了一种系统化的代码分析解决方案。

通过使用 RAG 技术、LangChain 和 Qdrant 等工具，我们可以实现根据已有代码库生成新的 FastAPI 代码。设计 Agent tool 让大模型能够灵活调用历史代码，通过向量相似度匹配实现历史代码的复用与借鉴，同时优化提示词和工具描述可以提高工具的易用性和效率。而 main 函数则将这些功能整合起来，形成一个完整的代码生成系统。这些技术的结合将大大提升开发效率，让开发人员能够更专注于业务逻辑的实现。

在中我们生成的FastApi代码目前没有对数据库的链接和使用，但是实际开发过程中很多时候我们是需要连接数据库的，以下将会介绍如何使用LLM生成可以连接数据库的代码。

在软件开发领域，代码生成工具正逐渐成为开发者和测试工程师的得力助手。今天，我们来深入聊聊一款颇具潜力的工具——langgraph，并探讨如何使用它生成FastAPI代码，以及这对测试工程师意味着什么。

Selenium、Appium 和 Playwright 都基于 WebDriver 协议，通过 HTTP 进行通信，主要用于 UI 自动化测试。Selenium Grid 是 Selenium 的扩展，在 WebDriver 协议基础上实现了分布式测试的任务分配和管理。A2A 协议为智能体之间的协作提供了通信机制，底层可基于多种网络协议。MCP 协议基于 OPENAPI 协议构建，利用 OPENAPI 的规范来定义通信接口，实现自动化测试的远程控制。

对测试人员：无需精通复杂代码，通过自然语言提示词即可设计测试流程，聚焦业务逻辑而非技术实现。对开发团队：通过标准化MCP服务接口，快速接入不同测试工具（Web/APP/桌面端），实现跨平台测试的统一管理。对企业：降低自动化测试门槛，加速CI/CD（持续集成/持续部署）流程，让“全链路自动化测试”从高端技术转化为普惠工具。随着大模型与MCP生态的深度融合，未来的自动化测试将更加智能——不仅能执行预设步骤，还能通过历史测试数据自主优化提示词、动态调整测试策略，真正实现“AI驱动的自动化测试”。