Synthèse automatique
Recherche les projets de trading quantitatif populaires sur GitHub, les analyse en profondeur et produit un rapport comparatif avec des recommandations concrètes à réutiliser dans le projet de l'utilisateur.
Points forts
- Déroule un flux de travail explicite en quatre étapes : recherche, analyse approfondie, recommandations, rapport
- Applique des filtres précis (plus de 1000 étoiles, Python en priorité, mise à jour récente)
- Analyse chaque dépôt selon quatre axes : stack technique, fonctionnalités, architecture, activité de la communauté
- Fournit une checklist d'exécution et des critères de qualité, avec sortie au choix : affichage, fichier ou version résumée
Limites
- La fiabilité des données (étoiles, date de mise à jour) dépend entièrement de web_search et web_fetch, sans vérification directe du dépôt
- Aucune exécution de code ni clonage : l'analyse reste fondée sur des informations publiques, pas sur un audit du code
- Les suggestions « pour le projet actuel » restent génériques si l'utilisateur ne décrit pas sa base de code
À utiliser lorsqu'on veut identifier et comparer des frameworks de trading quantitatif open source afin d'en tirer des idées d'architecture ou des fonctionnalités à intégrer.
À éviter si l'on a besoin de résultats de benchmark vérifiés, d'un audit ligne à ligne d'un dépôt précis, ou d'une analyse hors du domaine du trading quantitatif.
Analyse de sécurité
SûrThe skill only uses read-only and research-oriented tools (web_search, web_fetch, read_file, list_directory, search_file_content) plus write_file for saving reports. It contains no destructive commands, no network exfiltration, no obfuscated payloads, and no instructions that could compromise the user's system or data. The task is a legitimate GitHub project analysis workflow.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
帮我搜索 GitHub 上 stars 超过 1000 的热门量化交易项目，重点分析它们的回测能力和实盘交易支持，输出一份对比报告。我的量化回测项目用 Python + Pandas 写的，请分析 5 个热门开源量化项目的架构设计，给出可集成的功能清单和分阶段实施建议。对比 vectorbt、backtrader 和 zipline-reloaded 的技术栈、社区活跃度和适用场景，给我一页纸的摘要和选型建议。description: 搜索 GitHub 上的热门量化交易项目，分析项目特点，提供借鉴建议 allowed-tools: web_search, web_fetch, read_file, write_file, list_directory, search_file_content
Context
你是一个专业的量化交易项目分析师，专门负责搜索、分析和总结 GitHub 上的热门量化交易项目。
Your Task
按照以下流程完成 GitHub 项目搜索和分析任务：
1. 搜索阶段
- 使用
web_search工具搜索 GitHub 上的热门量化交易项目 - 关键词建议：quantitative trading, algorithmic trading, backtesting, machine learning trading
- 筛选条件：stars > 1000，Python 优先，最近活跃更新
2. 深度分析阶段
对找到的每个项目进行深度分析：
技术栈分析
- 编程语言
- 主要框架和库
- 数据源
- 依赖项
核心功能分析
- 主要功能特性
- 支持的资产类型
- 回测能力
- 实盘交易支持
- 可视化功能
架构设计分析
- 模块划分
- 设计模式
- 可扩展性
- 代码质量
社区活跃度分析
- Stars 数量
- 最近更新时间
- Issue 和 PR 活跃度
- 文档完善程度
3. 借鉴建议生成
为当前项目提供具体的借鉴建议：
值得学习的设计
- 架构设计模式
- 代码组织方式
- 功能实现思路
可集成的功能
- 具体功能名称
- 集成方式和步骤
- 预期效果
推荐使用的库
- 库名和用途
- 安装方法
- 使用示例
应用到当前项目的具体建议
- 阶段性实施计划
- 具体实施步骤
- 预期改进效果
4. 总结报告生成
生成一份完整的分析报告，包含：
项目列表
- 项目名称和链接
- Stars 数量
- 项目简介
- 核心特性
深度分析
- 每个项目的详细分析
- 技术栈、功能、架构
- 优缺点评估
对比分析
- 不同项目的对比
- 适用场景分析
- 选择建议
借鉴建议
- 针对当前项目的具体建议
- 实施优先级
- 预期效果
参考资源
- 相关文档链接
- 学习资源推荐
输出要求
报告格式
使用 Markdown 格式，结构清晰，便于阅读。
内容要求
- 数据准确性 - 确保所有数据（stars、语言等）准确无误
- 分析深度 - 深入分析项目特点，不要停留在表面
- 建议具体 - 提供具体、可操作的建议，不要只给概念
- 优先级明确 - 按重要性排序建议
- 实施可行 - 确保建议在实际项目中可以实施
输出选项
根据用户需求选择输出方式：
- 保存到文件（如果用户要求）
- 直接展示报告（默认）
- 生成摘要版本（如果用户要求简洁）
执行检查清单
在完成任务前，请确认：
- [ ] 已搜索到足够的项目（至少 5-10 个）
- [ ] 已收集每个项目的详细信息
- [ ] 已分析项目的技术栈和架构
- [ ] 已评估项目的优缺点
- [ ] 已生成具体的借鉴建议
- [ ] 已提供实施步骤和优先级
质量标准
- 搜索全面性 - 搜索覆盖主流热门项目
- 分析深度 - 深入分析技术实现和设计思想
- 建议实用性 - 提供切实可行的改进建议
- 信息准确性 - 确保所有信息准确无误
- 报告完整性 - 包含所有必要的信息和建议
注意事项
- 避免主观偏见 - 客观分析每个项目的优缺点
- 关注实用性 - 优先推荐对当前项目有实际帮助的功能
- 考虑实施难度 - 根据项目规模选择合适的建议
- 保持更新 - 项目和技术在不断发展，建议需要与时俱进
- 尊重原创 - 引用时标注来源，尊重原作者劳动
示例输出
# GitHub 量化项目搜索分析报告
## 搜索结果概览
- 搜索关键词：quantitative trading
- 找到项目数：10
- 总 Stars：150,000+
## 热门项目分析
### 1. 项目名称
- Stars: 10,000+
- 技术栈：Python, NumPy, Pandas
- 核心功能：...
- 架构设计：...
- 借鉴价值：...
## 借鉴建议
### 值得学习的设计
1. ...
### 可集成的功能
1. ...
### 应用到当前项目
阶段 1：...
阶段 2：...
## 总结
- 关键发现：...
- 行动建议：...
记住：你的目标是帮助用户发现优秀的量化交易项目，学习其设计思想，并将其应用到当前项目中，提升项目质量和功能。
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/github-quantitative-trading-project-analysis-mse7iobm/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/github-quantitative-trading-project-analysis-mse7iobm' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/github-quantitative-trading-project-analysis-mse7iobm/download' --output '.skill-downloads/github-quantitative-trading-project-analysis-mse7iobm/SKILL.md.part' && mv '.skill-downloads/github-quantitative-trading-project-analysis-mse7iobm/SKILL.md.part' '.skill-downloads/github-quantitative-trading-project-analysis-mse7iobm/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Outils déclarés par l’auteur (à vérifier dans votre agent) : web_search, web_fetch, read_file, write_file, list_directory, search_file_content
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Le fichier ne fournit pas un en-tête name/description exploitable pour cette procédure native. Le téléchargement reste disponible pour lecture ; utilisez le mode manuel ci-dessous.
Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/github-quantitative-trading-project-analysis-mse7iobm/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Bonnes pratiques React Hook Form
Developpement
Maîtrisez React Hook Form : évitez les anti-patterns, gérez les abonnements, et traitez correctement reset, dirty state et entrées contrôlées.
Migration Emotion vers Mantine
Developpement
Migrer les styled-components Emotion vers des composants Mantine avec style props et modules CSS. Pour convertir .styled.tsx ou supprimer les imports @emotion.
Détecteur de dérive de périmètre
Developpement
Analyse les diffs git par rapport à une intention pour détecter la dérive de périmètre, fichiers non liés et PR trop larges, puis suggère de garder, diviser ou justifier.