Fleur：AI驱动开发的沪深A股数据平台与策略回测模拟器

背景

随着量化投资和程序化交易的普及，个人开发者与小型团队对沪深 A 股数据的获取、清洗、加工及策略回测需求日益增长。然而，主流金融数据平台往往成本高昂、灵活性不足，且缺乏面向自动化工作流的完整开源方案。在此背景下，作者尝试以 harness-engineering（一种完全由 AI 驱动的工程方法）为核心，构建一个集数据采集、数据仓库、指标计算与投研应用于一体的全栈开源系统 —— Fleur，旨在验证该工程范式在复杂项目中的落地可行性，并为社区提供可复用的 A 股数据基础设施。

核心内容

Fleur 是一个完全由 harness-engineering 驱动的沪深 A 股数据平台与策略回测模拟器，其工程目标包括：

1. 验证完全由 AI（harness-engineering）驱动复杂项目的落地可行性与复杂度上限。
2. 实现一个自动调度采集行情数据与财务会计报表的作业平台。
3. 构建集数据清洗、模型转换、数据加工与指标计算能力于一体的数据仓库。
4. 提供灵活构建指标选股、策略回测、策略订阅和组合业绩评价的投研应用工作台。

应用功能演示（共 6 步）

• Step 1：构建股票池筛选规则
  支持常见技术指标的组合筛选，涵盖行情涨跌（高开低收、涨跌幅、PE、PB、ROE、ROA）、动量指标（KDJ、RSI、MACD）、趋势均线（MA、EMA、BOLL）、量能指标、价格结构（连阳连阴、前低/次低结构、N字结构）等。用户可通过图形化页面配置规则，构建自定义股票池。

• Step 2：权重配置
  对股票池内的个股进行评分排序，计算信号强度与优先级。

• Step 3：股池预览
  预览筛选出的个股走势图，验证是否符合技术面预期，并可调整权重以优化信号强度。

• Step 4：模拟仓位与风控配置
  设定模拟仓的仓位规则、建仓逻辑（T 日选股，T+1 日按开盘价与交易滑点买入）以及风控卖出规则。

• Step 5：策略业绩回测
  对制定的选股规则与调仓规则进行历史行情验证，计算组合净值并输出评价指标。

• Step 6：策略创建与跟踪
  若回测业绩理想，可创建策略组合进行持续跟踪。看板提供 T 日买入信号缩略信息，详情页展示模拟建仓后的业绩走势、评价指标、仓位信息、调仓记录及模拟交割单。

数据资产管理

项目数据流向如下：

1. 采集层：使用 asyncio 协程爬虫采集数据，写入 Parquet 文件后上传至 rustfs 文件系统。
2. 存储层：将 rustfs 中的分区数据同步到 ClickHouse 数据库的 raw 层。
3. 转换层：通过 dbt 模型进行分层转换：raw 源层 → stg 层字段清洗 → int 层可复用模型抽象 → mart 层应用数据集市。
4. 计算层：由于 ClickHouse SQL 在时序计算（如 EMA 等滑动平均）表现不足，增加一个由 Rust 编写的计算引擎（calc 层），专门处理时序指标。
5. 调度层：由 Dagster 框架统一整合上述调度流程，并生成数据资产血缘图。

开发过程与 harness-engineering

项目的全部代码由 codex + gpt5.5 组合完成。工作台业务仅占总工作量的一小部分，大部分“脏活”集中在数据采集、加工、计算与调度。作者为项目定制了 harness 方案（未使用 superpower 或其他现成工具，也未启用 codex 的记忆能力），以 AGENTS.md 作为文档地图入口，并在项目根目录下的 dos 目录存放完整的实施记录（规划、设计、实施、验收的人机交互过程）。理论上，只要有足够 token 和同等能力的模型，可根据 dos 重建整个代码库。

项目共执行了 76 次 goal 命令，每次耗时 45–120 分钟，累计实施工时约 120 小时（不到 10 天，不含作者的设计与思考时间）。

工作流

1. 作者与 codex 讨论概要设计，草案记录在文档地图的 rfc 目录。
2. 通过的草案生成执行计划 plan，后续通过 goal 命令全权交由 codex 执行。
3. 作者负责验收，codex 在 report 目录提供证据链（数据特征报告、后端接口测试日志、前端浏览器截图等）。
4. 所有可能产生“心智负担”的工作（如数据回填、API 格式测试、模型字段维护等）被抽象为 skill，存放在仓库 .agents/skills 目录下，通过软链接加载。辅助任务（worktree 合并、前端 debug 工具、截图管理、版本管理等）也维护为 skill。

前端设计

采用低饱和度、克制的线条风格，UI 符合用户操作直觉，通过分散信息密度降低“AI 味”。设计流程从“绘制”转变为“摆放”：

1. 用线框图（Markdown 文本）表达信息布局，快速调整页面排布与比例。
2. 创建 Vite + shadcn/ui 组件库的简易工程作为快速原型库，封装业务组件。
3. 指挥 codex 将业务组件按线框图布局进行摆放，降低设计精力消耗。

实践中的缺陷

• 代码品味差：76 次 goal 产生的信息堆叠导致代码可读性差。
• 强依赖特定模型组合：仅 codex + gpt5.5 表现稳定；尝试过 opus4.7/4.8、fable、glm5.2、qwen3.7 及 Claude Code 等组合，均不如前者效果（幻觉、信息丢失、不加载 skill 等问题严重）。
• 过度设计：应用层功能尚显简陋，架构偏重（为验证 harness 方案），增加了运维复杂度与硬件成本。

关键要点

• Fleur 是一个开源项目，覆盖从数据采集、数据仓库到策略回测与跟踪的全链路。
• 所有代码均由 codex + gpt5.5 以 harness-engineering 方式生成，作者仅负责设计方向与最终验收。
• 项目使用 Dagster 调度，ClickHouse 存储，Rust 计算引擎补充时序指标，dbt 进行数据分层转换。
• 工作流以 AGENTS.md 为入口，dos 目录记录全部交互，goal 命令执行任务，skill 抽象脏活与辅助流程。
• 前端设计采用“线框图 + 原型库 + 摆放”方法，减少 AI 味。
• 关键局限：代码可读性低、强依赖特定模型、过度设计。
• 作者鼓励社区贡献（PR/Issue），并请求 star 支持。

意义与影响

• 实践验证：Fleur 成功展示了 harness-engineering（纯 AI 驱动）在复杂工程项目中的可能性，为开源社区提供了一种新的开发范式参考。
• 开源基础设施：项目提供了一套完整的 A 股数据采集、处理与回测工具，降低了个人及小团队进行量化研究的门槛。
• 方法论输出：作者将“心智负担”抽象为 skill、采用文档地图与证据链验收等实践，为 AI 辅助开发的工作流设计提供了有益案例。
• 挑战与启示：代码可读性差与模型强依赖问题，揭示了当前 AI 编程在长期任务中的痛点，提示社区需关注模型长程稳定性与技能加载机制的改进。
• 持续演进：尽管功能尚显简陋，但项目开源的姿态与清晰的架构设计，为后续社区贡献与功能扩展奠定了基础。