近期用 AI 写交易规则，先让想法变成条件和动作

量化入门不是单纯学习某个工具，而是学习如何把交易想法说得更明确。对于从手工规则出发的读者，AI 可以参与这个过程，但它更适合做解释、改写和检查的辅助，而不是替读者决定交易规则本身。

让 AI 先帮你把问题问清楚

无论是否使用 AI，读者都需要先把想法拆成更清楚的表达。什么情况算触发，触发后采取什么动作，哪些判断还不够明确，这些问题必须围绕交易想法本身回答。

这里可以让 AI 扮演追问者：它不替你决定策略，而是帮你发现条件、动作和例外有没有说清楚。

这里可以把 AI 当成一面检查镜，而不是替代判断的答案机。先把要判断的对象写出来，再看这一步到底需要概念解释、工具功能，还是一个最小例子。

让 AI 做追问而不是替你决定

当读者写出一段规则描述后，AI 可以帮助换一种方式解释其中的逻辑，也可以把含糊的句子改写得更接近条件和动作。这种辅助能提高表达效率，但前提是读者知道自己要检查什么。

这里可以让 AI 扮演追问者：它不替你决定策略，而是帮你发现条件、动作和例外有没有说清楚。

这里可以把 AI 当成一面检查镜，而不是替代判断的答案机。比如可以先问：AI 改写含糊句子时应把句子推向哪种条件表达；AI 改写含糊句子时应把句子推向哪种动作表达。

先把提示词背后的问题说清楚

学习过程中更应该关注的是表达是否连贯，而不是让 AI 直接给出完整答案。读者可以借助它检查条件是否缺失、动作是否接得上、前后说法是否一致，再把反馈转回自己的规则理解。

这里可以让 AI 扮演追问者：它不替你决定策略，而是帮你发现条件、动作和例外有没有说清楚。

这里可以把 AI 当成一面检查镜，而不是替代判断的答案机。先把要判断的对象写出来，再看这一步到底需要概念解释、工具功能，还是一个最小例子。

把 AI 放回具体任务里

AI 相关的文章最容易把“能生成”看成“能替代判断”。最好先用这张表把它放回具体任务。

这样看，AI 更像辅助检查者，而不是替代交易判断的角色。

用 TqSdk 做一个小检查

AI 可以帮忙改写想法，但使用者要先确认想法能不能落到字段和条件上。

import time
from tqsdk import TqApi, TqAuth

api = TqApi(auth=TqAuth("天勤账号", "天勤密码"))

try:
    quote = api.get_quote("SHFE.ag2608")
    api.wait_update(deadline=time.time() + 10)

    idea = "如果最新价高于昨收价，就记录为偏强观察"
    condition = quote.last_price > quote.pre_close
    action = "记录观察信号" if condition else "继续观察"

    print("原始想法:", idea)
    print("字段条件:", quote.last_price, ">", quote.pre_close)
    print("观察动作:", action)
finally:
    api.close()

这里的“动作”只是输出观察结果，不代表下单或执行交易。

安全边界：只做规则表达练习，不发送交易指令。

可以用几个问题自查

• AI 改写含糊句子时应把句子推向哪种条件表达？
• AI 改写含糊句子时应把句子推向哪种动作表达？

最后看这一步

AI 能让量化入门中的表达练习更顺畅，但它不能替代规则整理。真正重要的仍然是读者把手工交易想法拆成清楚条件和动作，并在解释、改写和检查中逐步提高表达质量。

真正开始选择或练习之前，可以先把这篇文章里的几个问题拿来对照自己：现在缺的是概念、流程、工具，还是最小验证。如果这个位置能判断清楚，后面再看软件和代码会轻松很多。