qanat: Agent-native workflow engine for building and backtesting alphas as DAGs（qanat：把 Alpha 构建与回测组织成 DAG 的 Agent 原生工作流引擎）

📅 2026-09-05 创建 | 🏷️ 值得研究的仓库 | ⭐ GitHub 107 星（7 天窗口）
🔗 原文：https://github.com/fidetolabs/qanat

是什么

fidetolabs 开源的 Python 工作流引擎，一周获得 107 星。它把量化投资中的 alpha（超额收益因子）构建与回测流程组织成 DAG（有向无环图），并且明确标注为 agent-native——不是给人点的流水线，而是给 AI 智能体操作的研究工作台：智能体可以在图上创建、修改、回测因子节点，引擎负责执行顺序、依赖管理与结果留痕。

🔍 小白解读

先说几个词

• Alpha：跑赢市场基准的那部分收益。量化研究员的工作就是不断提出"预测涨跌的信号"（因子），再验证它们历史上是否真的赚钱。
• 回测（Backtesting）：把一个交易策略放到历史数据上"演习"，看它过去表现如何——是量化研究的核心工序。
• DAG（有向无环图）：任务依赖图，A 完成才能跑 B，且不会循环。数据处理流水线的标准组织方式，Airflow 就是做这个的。
• Agent-native：接口专为 AI 智能体设计——智能体能读懂、能安全操作、每一步可审计，而不是套一个人机界面让 AI 去点。

这篇到底在说什么

打个比方：量化研究像做化学实验——研究员每天提出几十个"配方"（因子），每个配方都要走"生成数据 → 计算信号 → 回测 → 评估"的固定工序。过去这些工序散落在脚本和表格里，AI 智能体想插手既不好操作也不易审计。qanat 把整条工序画成一张任务图：每个因子是图上的节点，智能体在图上添节点、改参数、触发回测，引擎保证顺序正确、结果可复现。一周 107 星说明"让 Agent 干量化研究的活"正从概念走向工程化——这也和本周 HN 上多智能体量化交易框架 TradingAgents（119 分/81 评论）的热度相互印证。

这跟普通人有什么关系

普通投资者接触不到这类工具，但它预示着机构量化研究的门槛正在被 AI 压低：未来小团队甚至个人借助智能体也能维持过去需要一个研究员团队才撑得起的因子生产线。研究产能的民主化会慢慢改变行业的竞争节奏。

为什么值得架构师关注

• "Agent-native 工作流"的范式样本：把领域流程建模为 DAG、让智能体在约束图内操作，是控制智能体自由度、保证可审计的通用模式——量化之外（数据管道、运维编排、科研计算）同样适用。
• 可复现性设计：因子研究的死穴是"结果不可复现"，DAG + 留痕天然对齐这一要求，可作为内部"智能体科研平台"的架构参照。
• 权限边界清晰：回测引擎是只读历史数据的沙箱，智能体无论怎么折腾都不碰真实资金——这种"安全执行域 + 自由探索"的分层值得所有让 AI 碰生产系统的团队借鉴。
• 垂直 Agent 平台信号：通用 Agent 框架之后，垂直领域的"约束化工作台"正在成为新的产品形态，选型时应关注这类垂直件而非再造通用框架。

核心内容

• 定位：agent-native 工作流引擎，把 alpha 因子构建与回测组织为 DAG。
• 语言与生态：Python 实现，面向量化研究场景（fidetolabs 出品）。
• 热度：创建于 2026-09-05，7 天窗口 107 星，满足入选门槛（stars ≥ 100）。
• 配套热度：同周 HN 上多智能体量化交易框架 TradingAgents 获 119 分/81 评论，"智能体 × 量化"成为可见的小趋势。
• 评估提示：仓库描述未给出性能 benchmark 与生产案例，真实回测吞吐、数据源支持范围需实测确认。

行动建议

• 量化/金融科技团队：克隆评估其 DAG 抽象与回测接口是否匹配自家因子库，重点验证断点恢复与结果可复现性。
• 平台工程团队：即使不做量化，也建议研读其"智能体在约束图内操作"的接口设计，迁移到内部数据/运维编排场景。
• 其他团队：了解即可——它代表"垂直领域 Agent 工作台"这一形态，选型时可作为对标参考。