LLMQuant/quant-mind

What it solves

QuantMind 是一个为量化金融设计的信息处理器。它将原始、非结构化的金融数据（如研究论文、新闻文章和备案文件）转换为可供下游检索与推理使用的结构化、带类型的知识，并且每条抽取的知识都保留原始引用和时间戳，从而支持精确的时间查询和来源追溯。

How it works

QuantMind 通过一系列确定性的预处理和配置驱动的操作流程运行。它采用“harness engineering”方法，使整个 repository 本身被设计成供编码代理（如 Claude 或 Codex）使用。这些代理利用 repo‑level 合约、可移植的技能以及确定性的验证脚本来构建和细化流程。

对开发者而言，QuantMind 提供了以下 Python 库和特定流程：

• PaperFlow：将 arXiv PDF 转换为结构化层级（结构树）或具页面感知的 chunk 集合，并生成全局摘要（semantic shape）。
• collect_news：在指定时间窗口内，从如 PR Newswire 等来源收集新闻的工具。
• batch_run：可并行对多个输入执行操作的实用程序。
• magic：将自由形式的自然语言意图解析为特定流程输入和配置的模块。

Who it’s for

• Quantitative Researchers：需要将金融论文和新闻转化为结构化数据库以供研究的人员。
• AI Agents/Developers：希望拥有可靠、原生支持代理的框架来构建金融数据管道的编码代理和开发者。
• Financial Data Engineers：负责为金融领域打造 RAG（Retrieval‑Augmented Generation）或代理式 RAG 系统的工程师。

Highlights

• Agent-Native Design：此 repository 以“harness”方式构建，通过合约和钩子将通用编码代理升级为领域专家。
• Source-Faithful Extraction：使用确定性的预处理，确保来源的完整性与可重现性，且不在循环中使用模型。
• Typed Knowledge Shapes：生成自包含的工件（Paper、News、Earnings、Factor、Thesis），每个工件都携带自己的元数据。
• Deterministic Verification：包含 verify.sh 脚本，强制执行 lint、类型检查和测试，以确保代码质量在部署前符合标准。