Privora 泊睿操作手册

• 注册与问卷： 首次注册登录后，系统会引导您填写「欢迎问卷」（所属角色、使用目的等），完成后系统将自动为您播放功能引导（Product Tour），逐一走一遍侧边栏各个模块，帮助您快速熟悉布局。
• 重新触发引导： 若您跳过了引导，可随时点击左侧导航栏底部的「功能引导」重新学习。
• 中英切换： 点击侧边栏的「语言」即可实时切换系统语言。

1. 入口

• 登录后，侧边栏底部（语言切换旁）会出现「AI 助手」入口，点击展开对话抽屉；当前以文字输入为主，不需要开麦克风也能使用。该入口仅在管理员为你所在环境启用此功能后才会出现。

2. 能做什么

• 用自然语言问平台怎么用、查某个看板/资产的数据；也可以问「你能做什么」，它会列出当前对你开放的操作清单。

3. 口述记账

• 可以口述录入一笔真实持仓交易（买/卖），资产类型覆盖股票、黄金、场外基金（说 6 位基金代码）；账户、金额等关键信息会先在确认卡片里回显，你确认后才真正入账。

4. 组合摘要卡

• 问类似「我的持仓怎么样」的问题，会返回一张汇总卡：合计市值与浮动盈亏一目了然。

1. 六张统计卡

• 持仓总市值、当日盈亏、订阅数、Token 数、近 7 天 API 调用次数、调度作业总数/活跃数——任意一张卡没有数据时都会给出对应的引导操作（如「去创建 Token」），不会只显示一个冷冰冰的 0。

2. 新用户引导

• 刚注册、还没有持仓或订阅的账号会看到 2 张场景卡，指向典型用法的入口；同时提供一份 7 步上手清单：创建 Token → 订阅一个数据资产 → 完成第一次 API 调用 → 配置一条告警规则 → 接入 Webhook（飞书/微信）→ 跑一次回测 → 接入 Agent，完成度会体现在欢迎语和进度条里。

3. 活跃用户运营看板

• 清单全部完成后，该区域切换为 Quick Actions 快捷入口，加上近 24 小时作业健康与今日告警三栏，方便日常巡检，不再展示新手清单。

1. 搭建仪表板与全局变量

• 数据绑定： 将时序图、表格直接绑定到「资产目录」中已注册的资产，或选择「Custom SQL Query」直写底层 SQL。
• 联动筛选： 添加全局下拉变量（如 stock_code），在图表 SQL 中通过 ${stock_code} 引用。切换下拉框，全量图表秒级联动刷新。

2. 指标告警

• 点击「新建规则」，选择监控场景（A股 / 港股 / 基金 / 黄金内置标的搜索，或选择「自定义指标」绑定任意已订阅的数据资产 + 字段过滤）来确定监控范围。
• 设定触发条件（如：当收盘价的最新值小于 1500 时通知我），并在「通知方式」里选择一个已配置的 Webhook 数据源作为通知渠道——如果还没有，需先在「资产工作室 -> 数据源连接」里添加一个 WEBHOOK 类型的数据源。
• 在「高级设置」中设置静默期（分钟，默认 60）与每日触发上限次数，避免短时间内被同一条规则反复轰炸。

1. 配置数据源连接

• Category: 选择系统类型，如 Database（数据库）、API、Webhook（用于绑定告警通知，如飞书/钉钉群机器人）等。
• Authentication: 数据库填账密；API/Webhook 可配置 Token 或在高级设置中填写 Sign Secret 验签以确保安全。
• Server Type: 可选 Production（生产）、Development（开发）或 Test（测试），实现数据源的多环境物理隔离。
• 数据源类型新增 Hologres（阿里云实时数仓）。

2. 注册与管理数据资产

• 敏感度管控： Public — 公开资产，平台内其他团队可见。Internal — 内部私密资产。

• 数据探查： 在详情页点击「Data Profile」，系统会自动统计并生成各列的空值率、极大极小值与数据分布图。

3. 新增数据资产家族

• 市场目录新增了两类可直接订阅的数据集：场外/场内基金日行情与净值（fund_day，历史约 15 年）、基金分红（fund_dividend）；用法与个股行情类资产一致，在 Marketplace 里搜索订阅即可。

1. 流程编排画布

• 节点拖拽与配置： 从左侧面板将 Database、API、Transform、Filter 等节点拖入网格并双击配置。对于 SQL 节点，可直接编写业务逻辑并点击「Format SQL」美化。支持配置节点失败的 Retry Times。
• 连线控制： 从节点右侧拖出连线到下一个节点。双击连线可设置触发条件（On Success 正常流转，或 On Failure 降级补偿）。
• 版本快照： 系统会自动保存每次修改的快照，支持版本差异对比「Compare」与一键回滚「Restore」。
• Agent / API 更新： Agent 或脚本可通过 PUT /api/ingestions/{id}（scope process.pipeline.update）更新已有流程：省略 nodes = 只改名/描述，保留步骤；nodes=[...] = 完整替换。每次 PUT 都会写入版本快照，出问题可直接在「版本管理」Tab 里一键回滚。`team_name` 为空的历史流程会直接 403，需先补齐归属团队。

2. 内置组件说明

流程编辑器左侧面板提供多种组件，拖入画布后双击配置。每个组件都可以切换到「说明」Tab 查看详细用法。

Python 脚本 (python_script)

运行自定义 Python 代码，内置 lg_utils 工具库，无需安装即可调用：

• get_context() — 查看当前团队可用的资产、数据源、仪表盘、流程列表
• get_asset_data("name", filter_column=..., filter_value=[...], filter_operator="eq") — 按名称或 ID 获取资产数据。filter_value 传 list + filter_operator="eq" 可一次 IN 查询多只标的（如 stock_num IN (601985,600050,002085)）
• get_portfolio_positions(stock_num=None) — 读取当前团队持仓；每一行都带最近一次 Process 推荐（Action / Add1,2 / Reduce1,2）
• get_trading_records(account_id=None, market=None, stock_num=None, trade_type=None, page=1, size=50) — 分页读取当前团队的交易记录。可选过滤 accountId / market / stockNum / tradeType。适用于做摇摆监控（取最近 BUY/SELL 锚点）或交易记录驱动的回测。
• write_recommendations([{...}]) — 追加写入个股推荐（历史全保留）。持仓页每行「推荐」按钮弹出分页历史，按时间倒序显示。
• get_connection("ds_name") — 连接团队数据源（自动获取配置，支持 PostgreSQL/MySQL/Oracle/SQL Server）
• get_variable("key") — 读取调度上下文变量（作业名称、批次号等）
• put_variable("key", value) — 把变量回写到流程上下文，下游 step 可用 ${key} 引用（适合传递日志摘要、计数、字典等小型 JSON 值，单个值 ≤ 64 KB）
• log.info() / warn() / error() — 标准化日志输出，实时显示在执行日志中
• backtest(..., persist=True, persist_name="...") — 跑历史回测并一步持久化结果到「我的回测」页；支持多次回测按 persist_name 对比夏普、最大回撤、总收益。
• result.persist(name="...") — 手动把已有的回测结果写入「我的回测」页，用于在 backtest() 之外的位置追加持久化或补录。

SQL 执行 (sql)

在指定数据源上执行 SQL 语句。支持多条 SQL 分号分隔、变量替换 ${variable}，执行后 row_count 变量记录影响行数。

获取资产数据 (fetchAssetData)

把某个资产的分页数据取进流程变量，下游 Python / SQL / 循环节点通过 ${变量.data} 读取；支持单值和多值过滤（如 stock_num="601985,600050" 走 IN 查询）。团队权限自动校验，步骤配置里无需填任何凭证。

获取团队持仓 (fetchPortfolioPositions)

把当前团队持仓取进流程变量，每行自带最近的 Process 推荐。典型用法：fetchPortfolioPositions → pythonScript 给每只股票算档位 → write_recommendations() 把结果写回持仓页。

条件分支 (if)

根据条件表达式将流程导向不同分支。支持比较运算符（>、<、==）、逻辑运算符（&&、||）和 else 默认分支。

循环 (for)

循环执行子步骤。支持三种模式：计数循环（i=0;i<10;i++）、SQL 游标循环（row in SELECT ...#datasource）、文件行循环（line open path）。

变量赋值 (var)

设置或计算变量值。支持字符串、数字、JSON、SQL 查询结果、数学表达式等多种赋值方式。勾选 setGlobal 可将变量写入全局上下文。

HTTP 调用 (callService)

调用外部 REST API。支持 GET/POST/PUT/DELETE 及自定义 Headers，响应内容通过 ${logInfo} 在后续步骤中引用。

发送邮件 (sendMail)

通过 SMTP 发送邮件通知。支持 HTML/纯文本正文、多收件人/抄送、变量替换。适用于执行完成通知和异常告警。

3. 团队公共 Python 方法

• 把团队里反复用到的函数/类沉淀成公共模块，在 python_script 步骤里用 from team_lib.<模块名> import ... 直接调用；保存时会做安全扫描，禁止 os.system/subprocess/eval 等高危调用；模块内部可以直接用 get_variable/put_variable 读写与 python_script 步骤共享的流程上下文变量。

1. 三步快速开始

1. 在 流程列表 新建一个流程。
2. 拖入 python_script 节点，编写策略代码（参考下方示例）。
3. 执行流程，结果自动保存到 我的回测。

2. 最小可运行示例（stock_day 单股）

使用平台内置的 stock_day 资产（A/H 股日线）。列名映射：date_column="day_id"，price_columns={open: "OPEN_PRICE", close: "CLOSE_PRICE"}，filter_column="STOCK_NUM"。

from lg_utils import get_variable
from lg_utils.backtest_examples.stock_day import run_stock_day_backtest

def my_strategy(bar, ctx):
    if len(ctx.history) < 20:
        return
    ma20 = sum(b.close for b in ctx.history[-20:]) / 20
    if bar.close > ma20 and ctx.position == 0:
        ctx.buy(size="all")
    elif bar.close < ma20 and ctx.position > 0:
        ctx.sell(size="all")

result = run_stock_day_backtest(
    strategy=my_strategy,
    stock_num=get_variable("stock_num", "000001"),
    start=get_variable("start_date"),   # 'YYYYMMDD' or 'YYYY-MM-DD'
    end=get_variable("end_date"),
    initial_cash=1_000_000,
    commission_bps=3,
    slippage_bps=1,
)
print(result.summary())
result.export_to_context("run1")   # snapshot to run log
result.persist(name="run1")        # save to My Backtests

3. 完整 backtest() 函数签名（24 个参数）

所有参数及默认值——只需传入与默认值不同的部分：

• strategy — 可调用对象 fn(bar, ctx)，或带 on_bar(bar, ctx) 方法的实例。可选钩子：on_start(ctx) / on_end(ctx)。
• asset — 资产 ID（int）或资产名称（str），传给 get_asset_data。
• start, end — 日期字符串（闭区间），用于裁剪 bar。None 表示不裁剪。'YYYYMMDD' 与 'YYYY-MM-DD' 均可自动规范化。
• initial_cash — 初始现金。默认：1_000_000.0。
• commission_bps — 按成交金额计算的佣金，基点（1 bp = 1/10 000）。默认：0.0。
• slippage_bps — 滑点，基点。默认：0.0。
• fill — "next_open"（默认）——在下一根 bar 开盘价成交。"this_close"——在当根收盘价成交。
• date_column — bar 日期字段名。默认："trade_date"。stock_day 请用 "day_id"。
• price_columns — 价格字段映射，例如 {"open": "OPEN_PRICE", "close": "CLOSE_PRICE"}。默认：open/high/low/close/volume。
• filter_column, filter_value — 下推给 get_asset_data 的服务端过滤，用于多标的共用一张表的场景（如 filter_column="STOCK_NUM", filter_value="000001"）。
• warmup_bars — 前 N 根 bar 只喂给 ctx.history，不调用策略回调。默认：0。
• max_bars — 加载 bar 的数量上限，防止意外拉取失控。默认：1_000_000。
• max_history — ctx.history 的最大长度，None 表示不限。
• on_trade — 每次完整平仓时触发的回调，签名 fn(trade_dict)。
• benchmark_asset — 可选基准资产名称/ID，计算后会在 metrics 中增加 benchmark_return、alpha、beta。
• benchmark_price_column — 基准收盘价列名，默认与 price_columns["close"] 相同。
• benchmark_filter_column, benchmark_filter_value — 基准资产的服务端过滤（语义与 filter_column / filter_value 相同）。
• persist — 为 True 时，回测结束后自动调用 result.persist(name=persist_name)。默认：False。
• persist_name — persist=True 时使用的标签，与 BacktestResult.persist(name=...) 的 name 参数含义相同。
• bars — 直接传入已加载的 bar 列表（跳过 get_asset_data，用于单测或自定义数据源）。

4. 运行时对象：Bar / Context / BacktestResult

Bar — 每个 tick 传给策略回调的具名元组。

• bar.dt — bar 日期字符串（与 date_column 字段原始值相同）。
• bar.open, bar.high, bar.low, bar.close, bar.volume — 解析后的数值型价格与成交量。若资产中不存在对应列则为 None。
• bar.raw — 原始行字典，可用于读取非价格列。

Context — 策略运行时上下文，持有账户状态并提供下单方法。

• ctx.position — 当前持仓股数（整数，仅多头）。
• ctx.cash — 可用现金。
• ctx.equity — 账户总权益：现金 + 持仓 × 当前收盘价。
• ctx.nav — 相对初始现金的净值（equity / initial_cash）。
• ctx.history — 到当前 bar 为止所有已接收的 Bar 对象列表（长度上限为 max_history）。
• ctx.buy(size="all", limit_price=None) — size："all"（用全部可用现金），浮点数 ∈ (0,1]（现金比例），或正整数股数。limit_price 为上限，成交价超过时跳过。
• ctx.sell(size="all", limit_price=None) — size："all"（全部平仓），浮点数 ∈ (0,1]（持仓比例），或正整数股数。limit_price 为下限，成交价低于时跳过。
• ctx.close_all() — 便捷方法：如有持仓则全部卖出。
• ctx.order_target_pct(pct) — 将持仓调整到目标权重 pct × equity 对应的股数。pct ∈ [0, 1]。

BacktestResult — backtest() 的返回值，包含全部结果数据。

• result.metrics — 包含 total_return、cagr、sharpe、sortino、max_drawdown、win_rate、profit_factor、num_trades、exposure 等指标；配置了基准时额外包含 benchmark_return、alpha、beta。
• result.trades — 逐笔成交记录列表：entry_dt、exit_dt、qty、entry_px、exit_px、pnl、return_bps。
• result.equity_curve — 每根 bar 的账户快照列表（schema 见 §7）。
• result.summary() — 返回格式化的多行指标摘要字符串，可直接 print() 到执行日志。
• result.export_to_context(name) — 向 stdout 写入哨兵行，由 PythonScriptStep 捕获到作业日志。
• result.persist(name=...) — 将结果写入 process_backtest_result 表（追加写入，按团队隔离）。需运行在 PythonScriptStep 内部。

5. 组合回测（backtest_portfolio）

多资产共享一个现金池。内置 stock_day 资产可直接用 run_stock_day_portfolio_backtest。result.metrics["per_asset"] 包含每只股票的收益率、最大回撤、交易次数和贡献度。assets / stock_nums 列表顺序决定同一 bar 上 size='all' 的现金消耗顺序。

from lg_utils.backtest_examples.stock_day import run_stock_day_portfolio_backtest

def make_ma_strategy(fast, slow):
    def strategy(bar, ctx):
        if len(ctx.history) < slow:
            return
        ma_fast = sum(b.close for b in ctx.history[-fast:]) / fast
        ma_slow = sum(b.close for b in ctx.history[-slow:]) / slow
        if ma_fast > ma_slow and ctx.position == 0:
            ctx.buy(size=0.5)   # use 50% of available cash
        elif ma_fast < ma_slow and ctx.position > 0:
            ctx.sell(size="all")
    return strategy

result = run_stock_day_portfolio_backtest(
    strategies={
        "000001": make_ma_strategy(5, 20),
        "600519": make_ma_strategy(10, 30),
    },
    stock_nums=["000001", "600519"],  # settlement order for size='all'
    start="20240101", end="20241231",
    initial_cash=1_000_000,
    commission_bps=3,
)
print(result.summary())
# result.metrics["per_asset"] has per-stock contribution / max_dd
result.persist(name="portfolio-v1")

6. 交易记录驱动的回测

通过 get_trading_records() 读取历史真实买卖锚点，将这些入场日期复现到回测引擎，量化「如果当时那样操作」的结果。

import datetime
from lg_utils import get_trading_records
from lg_utils.backtest_examples.stock_day import run_stock_day_backtest

# Load actual BUY anchors from trading history
# Response shape: {"success": True, "data": [...], "totalElements": N, ...}
# Field names use Jackson camelCase: tradeDate, stockNum, price, tradeType
records = get_trading_records(stock_num="000001", trade_type="BUY", size=1)
if records.get("totalElements", 0) == 0:
    print("No BUY records found.")
else:
    latest_buy = records["data"][0]
    last_buy_date = str(latest_buy["tradeDate"])[:10]  # e.g. '2024-01-15'
    buy_price = float(latest_buy["price"])
    upper = buy_price * 1.10
    lower = buy_price * 0.90

    def swing_strategy(bar, ctx):
        if bar.close is None:
            return
        if ctx.position == 0 and bar.close <= lower:
            ctx.buy(size="all")
        elif ctx.position > 0 and bar.close >= upper:
            ctx.sell(size="all")

    end_date = datetime.date.today().strftime("%Y-%m-%d")
    result = run_stock_day_backtest(
        strategy=swing_strategy,
        stock_num="000001",
        start=last_buy_date,
        end=end_date,
        initial_cash=500_000,
    )
    result.persist(name="replay-from-records")

7. equity_curve JSON Schema

result.equity_curve 中每个元素对应一根 bar：

// equity_curve: list of objects, one per bar
[
  {
    "dt":       "20240101",   // bar date (string, same format as date_column)
    "equity":   1_000_000.0, // total portfolio value (cash + position mark)
    "cash":     800_000.0,   // available cash
    "position": 100,         // shares held (int; portfolio mode: count of non-zero positions)
    "close":    55.80        // bar close price (portfolio mode: weighted mark equity)
  },
  ...
]

「我的回测」页面将此曲线渲染为折线图（权益随时间变化），并用 equity 字段计算最大回撤。cash 和 position 字段显示在详情面板中。

8. __LG_BACKTEST_RESULT__ 哨兵行

回测结果有两种对外输出方式：

// Emitted by result.export_to_context("name") — appears in the run log:
__LG_BACKTEST_RESULT__:<name>:<json-payload>

// Emitted by result.persist(...) — writes to process_backtest_result table:
// Returns the new row id. Visible at /profile/backtest-results.

9. 执行后结果在哪里查看

通过 result.persist() 或 backtest(..., persist=True) 保存的结果，可在 个人设置 → 我的回测 查看。该页面展示所有命名回测的可排序指标表格；点击任意行可打开权益曲线图和交易明细。

10. CLI 参数注入（get_variable）

后端将调度变量作为命令行参数传给脚本。--start_date 和 -start_date 等价——运行时会剥离所有前导短横线，通过 get_variable("start_date") 暴露值。

# Both forms are equivalent — the runtime strips leading dashes:
#   --start_date 2024-01-01
#    -start_date 2024-01-01
# Both surface as:
from lg_utils import get_variable
start = get_variable("start_date")   # => "2024-01-01"

1. 配置调度作业

• 绑定需要执行的 Process 流程代码或脚本。利用自带的「Cron Expression Builder」快速生成定时策略（如每天凌晨2点）。可配置依赖（Dependencies），确保上游成功后才触发下游。

2. 实例监控与干预

• 开启右上角「Auto Refresh: ON」即可作为实时监控大屏使用，实时掌控 Pending/Running/Success/Failed 状态。
• 人工干预： 支持 View Logs（调取底层真实执行日志）、Kill（强杀卡死任务）、Redo Job（修复逻辑后一键重跑）以及 View Lineage（查看三级血缘依赖关系）。

3. 依赖组：组内 OR、组间 AND

• 给多个依赖填上同一个 Group 名字，组内任意一个依赖满足即可触发（OR）；不同 Group 之间仍然要求全部满足才触发（AND）。不填 Group 的依赖各自独立，等价于原来「全部 AND」的行为，不受影响。

4. 远程执行：多机器池 + 分发策略

• 执行方式选择「Remote machine (SSH)」后，可以从已有数据源连接里勾选多台机器组成一个池并设置优先级；分发策略支持轮询（Round Robin）、故障转移（Failover）、随机（Random）三种，决定每次实际运行在哪台机器上。

1. 资源市场

• 查阅全平台已公开（Published）的优质数据资产与看板。点击「Subscribe（订阅）」后，该资产即进入您的可用权限池。发布方新发布或修改条目需先经过管理员审核，审核通过前会显示「审核中」，其他用户暂时看不到也无法订阅；条目若被管理员强制下架，已订阅用户的访问权限会被同步撤销。

2. Token 管理

• 高光场景： 将生成的 Token 直接配置到官方的 OpenClaw Agent 插件中，或传递给你自己的 Python 脚本，即可实现无需登录的底层数据全自动化抓取。
• 安全机制： 可控制细粒度权限（Scopes），Token 仅生成时明文展示一次。如遇泄漏请立刻点击「Revoke（撤销）」阻断访问。
• Scope 选择： 新建 Token 默认就带一组可直接取数的 scope（资产列表/详情/数据读取等），不用先摸索该勾哪些；勾选面板按接口的真实 HTTP 方法分组展示，并提供几套按场景预置的快捷勾选。

3. 免登录预览

• 未登录也可以直接打开 Marketplace 浏览已发布的数据资产和看板（默认停在「数据资产」标签页）；点击「获取 API / 订阅」等写操作会被拦下并跳转到登录页，登录后再重试即可完成。

4. 积分用量（影子模式）

• 个人设置页新增「积分用量」卡片，市场里部分数据集条目会带一个费率徽章（如「N 行 / 积分」），发布方也可以为自己发布的数据集条目设置费率。当前是影子模式：只展示预估用量，不实际扣费或限流。

/agent-guide 是面向未登录访客的完整版接入指南（含安装命令与新手常见坑），本节是登录后的操作细节。

1. 三步快速接入

2. Bearer Token + HTTP API

完整 skill catalog 见 skill manifest（含每个 skill 的 risk tier、必填字段、gotchas）。

3. 官方插件支持：

• 在 OpenClaw Hub / ClawHub 中执行 clawhub install privora-cn-quant 即可安装覆盖数据 / 流程 / 回测 / 模拟交易的全量官方插件；只需要实时告警场景可以改装更精简的 clawhub install privora-alert。也可以在 Coze/GPT Store 搜索 Privora 挂载使用。

4. MCP Server（stdio）

把 GET /agent/skills / POST /agent/skills/execute 包装成原生 MCP tool，适配 Claude Code、Cursor、Windsurf、Cline、Codex CLI 等支持 stdio MCP 的客户端。

npm install -g https://privora.cn/downloads/privora-mcp-server-0.1.1.tgz

curl -fsSLO https://privora.cn/downloads/privora-mcp-server-0.1.1.tgz
curl -fsSLO https://privora.cn/downloads/privora-mcp-server-0.1.1.tgz.sha256
sha256sum -c privora-mcp-server-0.1.1.tgz.sha256

{
  "mcpServers": {
    "lg-agent": {
      "command": "lg-agent-mcp-server",
      "env": {
        "LG_AGENT_BASE_URL": "https://privora.cn",
        "LG_AGENT_TOKEN": "lgatk_your_token_here"
      }
    }
  }
}

• Claude Code —— 项目级写 .mcp.json（随仓库共享），用户级/本项目级由 ~/.claude.json 保存；也可直接用下面的 claude mcp add。（官方说明）
• Cursor —— 全局 ~/.cursor/mcp.json，项目级 .cursor/mcp.json。（官方说明）
• Windsurf —— ~/.codeium/windsurf/mcp_config.json。（官方说明）
• Cline —— CLI 版 ~/.cline/mcp.json；IDE 插件版从界面进:顶部工具栏 MCP Servers → Configure → Configure MCP Servers。（官方说明）
• Codex CLI —— ~/.codex/config.toml（项目级 .codex/config.toml）。格式是 TOML，不是上面那段 JSON，见下方。（官方说明）
• 前四个都用同一个 mcpServers JSON 结构，上面那段可以原样粘贴，只改 lg-agent 这个名字即可。

claude mcp add --env LG_AGENT_BASE_URL=https://privora.cn --env LG_AGENT_TOKEN=lgatk_your_token_here --transport stdio lg-agent -- lg-agent-mcp-server

codex mcp add lg-agent --env LG_AGENT_BASE_URL=https://privora.cn --env LG_AGENT_TOKEN=lgatk_your_token_here -- lg-agent-mcp-server

[mcp_servers.lg-agent]
command = "lg-agent-mcp-server"

[mcp_servers.lg-agent.env]
LG_AGENT_BASE_URL = "https://privora.cn"
LG_AGENT_TOKEN = "lgatk_your_token_here"

固定 11 个 tool：4 个协议层 meta-tool（list_skills / describe_skill / execute_skill / whoami）+ 7 个一等公民 tool（dataasset_list、dataasset_get、dataasset_schema_get、dataasset_metadata_get、dataasset_data_get、dataasset_data_get_realtime、marketplace_item_list），无论有没有 token 都会出现，能不能真正调用取决于 token 的 scope。

5. 匿名只读

• 不设 LG_AGENT_TOKEN、不登录也能用：固定放行 10 个只读 skill（资产列表、schema、市场条目等），按 IP 做三档限流。适合先跑通再决定要不要注册。

6. 自然语言交互： / 零摩擦用户反馈：

• 自然语言交互： 配置好 Token 后，你可以直接在聊天框输入指令：「帮我查一下资产 ID 21 的最新数据。」或「帮我监控中国核电，跌破 9.5 元就马上通知我。」
• 零摩擦用户反馈： 遇到产品 Bug？无需寻找客服入口，直接对 Agent 说「这个功能报错了，帮我提交一个反馈」，AI 将自动截取上下文并直接推送至我们的后台管理系统。

1. 组件权限管理

• 控制每个团队在流程编辑器中可以使用哪些组件类型。管理员输入团队名称后，可勾选该团队允许使用的组件。
• 未配置的团队默认拥有全部组件权限，不受限制。
• 勾选部分组件并保存后，该团队的流程编辑器左侧面板将只显示被授权的组件。
• 全选后保存 = 移除限制，恢复全部权限。

1. 主观→量化复盘工作流（MACD 区间胜率分析）

把你真实的交易记录转成可量化的优势区间分析。上传交割单 CSV → 算每笔交易买入时刻的 MACD 斜率 → 按斜率分桶统计胜率 → 找出你自己策略最强的区间。4 步走完。

1. 上传交割单 CSV
   Wealth Studio → Trading Records → 点页面右上角 「Import CSV」按钮（紧贴 「Add Trade」）

   支持的 CSV 列（必须含表头行）：

   trade_date,symbol,side,quantity,price
   2024-03-15,600519,BUY,100,1700.50
   2024-04-02,600519,SELL,100,1820.00
   

   外部 AI agent 替代路径：在 /profile/tokens 创建 Bearer token，调 POST /api/wealth/trading-records/import-csv 走 multipart，Authorization header 带 token。

2. 跑 MACD 斜率回测 pipeline
   /diagram → 新建 Process → 添加 Python Script 步骤 → 粘贴下方 quickstart 代码

   from lg_utils.backtest_examples.discretionary_macd_winrate import run
   
   run(persist_result=True)
   

   默认参数：MACD(12, 26, 9)，斜率回看 5 bar，分桶宽度 0.1，每笔交易回看 60 个 close。要改参数：把 discretionary_macd_winrate.py 完整脚本 copy 到 Process 里改 module-level const；或者用 lg_utils.indicators（sma / ema / macd / rsi / slope）自己组合。

3. 加 Bucket Win-rate widget 到 dashboard
   /dashboards → 选或新建 dashboard → 点 Add Widget → Template dropdown → 选 「Bucket Win-rate (Discretionary → Quant)」

   模板自动生成 Custom-SQL skeleton（基于 process_backtest_result 表）。你只需要改 3 个占位符：<run_name>（你 result.persist(name=...) 时传的 label，默认 discretionary_macd_winrate） / <indicator_col>（你 on_trade 回调里加到 trade dict 的指标 key，默认 macd_slope） / <bucket_width>（桶宽，例如 0.1）。Save → 表格出现每桶胜率。

   样例输出：

   bucket_low  | n_trades | n_wins | win_rate_pct | avg_pnl
   -0.3        |    5     |    2   |    40.00     | -120.50
   -0.2        |    8     |    4   |    50.00     |   30.20
   -0.1        |   12     |    8   |    66.67     |  215.40
    0.0        |   15     |   11   |    73.33     |  380.10  <-- best
    0.1        |   10     |    6   |    60.00     |  180.50
    0.2        |    6     |    3   |    50.00     |   50.30
    0.3        |    3     |    1   |    33.33     | -250.10
   

4. （可选）外部 AI agent 自然语言查询

   Tool 层（Privora）提供数据 + 计算；language 层（Coze / 千问 / Claude / OpenClaw）翻译。在 agent 平台配 Bearer token，然后直接问：「我 MACD 斜率哪个桶胜率最高？」—— agent 会调 query_asset_data 读 process_backtest_result，把表翻成自然语言回答。