ChainPeer

陈皮 v1.0 现已发布

现代工程的
智能终端。

一个通用、轻量且能力出众的编码智能体。旨在直接在您的终端中理解上下文、编写代码并解决问题。

安装试用

认识陈皮 (ChainPeer)

您的 AI 工程伙伴。

计划与按计划执行

ChainPeer 将计划视为可执行的控制状态，而不是松散备忘。plan tools 会把复杂任务拆成可检查的步骤、依赖边和严格的进度更新。

DAG 有向无环图任务设计：步骤可声明 depends_on，并行工作保持并行，依赖未完成的任务不会被提前执行。

Plan tools 协同执行：plan_create、plan_next、plan_update_step、plan_link_dependency、plan_close 提供调度、cycle check、状态流转和 expected_version 乐观锁。

>_ ChainPeer v0.1.1

Ready for engineering work

model glm-5-turbo|workspace test

Type /help|Enter send|Ctrl+J newline

Ctrl+O history|Ctrl+L clear|Ctrl+C drafts

首先，创建计划：

Tokens: input 5.8k / 245.5k (2.4%), cached 0 (0.0%), output 452

Running plan_create

Tool: plan_create completed in 2ms

计划已创建，版本号为 1。现在查看可执行的步骤并开始工作。

Tokens: input 6.1k / 245.5k (2.9%), cached 5.7k (80.0%), output 52

Running plan_next

Tool: plan_next completed in 1ms

Step 1 可以开始。先创建 data 目录，然后创建三个 Python 文件（它们之间的代码无实际依赖，可以一起创建）。

Tokens: input 7.4k / 245.5k (3.0%), cached 7.1k (96.6%), output 452

Running bash: mkdir -p data

Running plan_update_step

Tool: bash completed in 146ms

Tool: plan_update_step completed in 10ms

现在创建三个 Python 文件：

Tokens: input 7.7k / 245.5k (3.1%), cached 5.7k (73.8%), output 1.3k

Running write_file

Tool: write_file completed in 1ms

三个文件已创建完成。现在将前三个步骤标记为完成，并开始执行。

Tokens: input 9.3k / 245.5k (3.8%), cached 7.7k (82.7%), output 117

Running plan_update_step

Tool: plan_update_step completed in 10ms

长对话恢复与历史缩略

永不丢失进度。通过智能历史总结，无缝恢复冗长的开发对话。

>_ ChainPeer v0.1.1

Ready for engineering work

model glm-5-turbo|workspace test

Type /help|Enter send|Ctrl+J newline

Ctrl+O history|Ctrl+L clear|Ctrl+C drafts

Resumed session 20260604_1...fb38: 16 visible message(s), showing last 6.

Full context is still loaded; 10 older message(s) are hidden from the terminal.

- assistant: 任务1验证通过，10个随机数已写入 JSON。现在执行任务2。

- assistant: 任务2执行成功。验证输出。

- assistant: 统计数据验证通过。现在执行最后一个任务3。

- assistant: 任务3执行成功。读取最终报告并呈现。

- assistant: 关闭最后一个步骤和计划。

- assistant: 全部完成。下面是整个流程的总结和最终报告。 --- ## 任务链式依赖执行总结 ### 三个任务及其依赖关系 ```任务1 > 任务2 > 任务3```

↓ random_numbers.json → statistics.json → final_report.txt ``` ### 任务说明 | 任务 | Python 文件 | 输入 | 输出 ...

Use /status for details, /sessions to switch, or continue typing below.

You > |

session 20260604...fb38 | model glm-5-turbo | ctx 6.1% cache 38.5%

为精准而生。

陈皮的每一个细节都经过精心打磨，致力于消除您思考过程与最终代码之间的阻力。

全局上下文

陈皮能够无缝索引您的整个代码库，理解您项目中独特的架构决策和模式。它写出的代码就像您亲手写的一样。

闪电般快速

原生执行，零臃肿。陈皮在本地运行，以极低的延迟连接到各大模型。

多模型支持

ChainPeer 当前面向 OPENAI 协议兼容模型。模型交互设计与提示词主要基于 GLM 系列模型调优。

终端原生

无需切换上下文。直接在命令行界面中运行测试、审查差异代码并执行复杂的重构。

业界创新

Workflow 设计

ChainPeer 的核心架构突破。

模型负责理解用户意图、解释复杂输入，并选择合适的工作流。

Workflow 将重复任务固化为确定性命令、schema、preflight、run 和 artifact contract。

ChainPeer 提供计划、上下文、会话恢复和工具执行；ChainPeerFi 在运行时注入金融 prompt 与 workflow commands。

Financial Agent Extension

ChainPeerFi

专为量化研究与投资分析打造的金融 Agent 延申版本。

因子检测与研究

检查数据、定义因子逻辑、构建可复现的实验，报告泄漏、偏差和稳健性风险。

>_ ChainPeerFi v0.1.1

Finance research and strategy workspace

model glm-5-turbo|workspace test

Type /help|Enter send|Ctrl+J newline

Ctrl+O history|Ctrl+L clear|Ctrl+C drafts

You > 请使用 $factor_detection 对 (-1 * Ts_Rank(rank(low), 9)) 进行因子回测

Agent:

Skill: factor_detection (explicit_dollar_name)

我将按照因子检测工作流来执行回测。首先，让我解读因子定义并检查本地可用数据。

因子定义解读：

- rank(low)：横截面排名（按当日最低价在全市场中的百分位排名）

- Ts_Rank(..., 9)：在 9 天滚动窗口内的时序排名

- -1 *：取反，即做多时序排名低的标的（近期最低价排名处于低位的标的的）

让我先检查本地数据和项目结构。

Tokens: input 7.2k / 245.5k (2.9%), cached 0 (0.0%), output 349

Running bash: python -m chainpeer_fi.commands.finance factor discover-data

Running bash: python -m chainpeer_fi.commands.finance factor preflight --config factor.json

Tool: bash completed in 146ms

预检通过。现在执行因子回测并生成 manifest、指标文件和 HTML 报告。

Running bash: python -m chainpeer_fi.commands.finance factor run --config factor.json

20260604_170344_neg_ts_rank_rank_low_9

每次运行都会写出可审计的产物目录：图表、配置、结构化指标、Markdown 说明、PDF 报告和用于复现的 manifest。

config.json 固化因子表达式、数据范围和回测参数。

factor_report.json 保存结构化指标，便于程序化比较。

factor_report.md 与 factor_report.pdf 提供可读研究记录和固定格式报告。

manifest.json 记录运行产物、命令和复现信息。

charts/ 输出 IC、分层收益、回撤、换手、样本稳定性等图表。

deterministic

charts/13 png

cumulative_rank_ic.png

factor_distribution.png

factor_vs_forward_return.png

ic_decay.png

long_short_drawdown.png

monthly_rank_ic_heatmap.png

quantile_cumulative.png

quantile_mean_returns.png

rank_ic_timeseries.png

rank_ic_vs_sample_size.png

top_bottom_turnover.png

walk_forward_rank_ic.png

yearly_rank_ic.png

config.json

JSON

factor_report.json

JSON

factor_report.md

factor_report.pdf

PDF

manifest.json

RUN

固定格式 PDF 因子回测报告

ChainPeerFi 可以为每次因子回测稳定输出同一结构的 PDF 报告，便于横向比较、归档和复核。

策略迭代

管理实验配置、验证运行和可复现的策略改进。

>_ ChainPeerFi v0.1.0

Finance research and strategy workspace

model glm-5-turbo|workspace test

Type /help|Enter send|Ctrl+J newline

Ctrl+O history|Ctrl+L clear|Ctrl+C drafts

You > 请使用 $long_strategy_iteration对该项目下的策略进行迭代，目标：去手续费年化>30%，最大回撤<15%。

Agent:

Skill: long_strategy_iteration (explicit_dollar_name)

我先来探索一下项目结构并理解现有的策略和数据。

Tokens: input 6.6k / 245.5k (2.7%), cached 0 (0.0%), output 93

Running list_files: .

Tool: list_files completed in 2ms

Tokens: input 7.0k / 245.5k (2.9%), cached 6.6k (93.8%), output 62

Running read_file: data/final_report.txt

Running read_file: data/statistics.json

Running read_file: data/reproduce_config.json

Running read_file: data/sample_reproduce_config.json

Tool: read_file completed in 7ms

Tool: read_file completed in 0ms

Tokens: input 10.9k / 245.5k (4.4%), cached 7.0k (64.7%), output 94

Running read_file: outputs/research_extraction.md

Running read_file: outputs/data_requirements.md

券商研报复现

将公式、表格和结论转化为可审计的代码。

>_ ChainPeerFi v0.1.0

Finance research and strategy workspace

model glm-5-turbo|workspace test

Type /help|Enter send|Ctrl+J newline

Ctrl+O history|Ctrl+L clear|Ctrl+C drafts

You > 请使用 $research_reproduction对 'xxxx研报.pdf' 进行复现。

Agent:

Skill: research_reproduction (explicit_dollar_name)

我来按照 research_reproduction 的工作流，首先在项目目录中定位并读取该研报 PDF。

Tokens: input 6.6k / 245.5k (2.7%), cached 0 (0.0%), output 113

Running glob: **/*研报*.pdf in .

Running glob: **/*.pdf in .

Tool: glob completed in 1ms

找到文件 xxxx研报.pdf (7.4 MB)。先读取前 30 页内容以提取研报核心信息。

Tokens: input 6.9k / 245.5k (2.8%), cached 6.6k (95.6%), output 58

Running read_pdf: xxxx研报.pdf

Tool: read_pdf completed in 39.13s

研报内容已提取完毕。现在让我整理关键信息并检查工作环境。

Tokens: input 12.2k / 245.5k (5.0%), cached 6.9k (56.8%), output 623

Running bash: cd /e/code/agent/test && python -m chainpeer_fi.commands.finance --help 2>&1 | head -50

Running bash: cd /e/code/agent/test && python -m chainpeer_fi.commands.finance factor

投资分析

基于提供的事实分离假设、解释风险，避免编造数据。

>_ ChainPeerFi v0.1.0

Finance research and strategy workspace

model glm-5-turbo|workspace test

Type /help|Enter send|Ctrl+J newline

Ctrl+O history|Ctrl+L clear|Ctrl+C drafts

You > 请使用 $investment_advice，结合我的个人持仓情况（'持仓情况.txt'），进行投资分析

Agent:

Skill: investment_advice (explicit_dollar_name)

我先读取您的持仓文件，了解您的投资情况。

Tokens: input 6.6k / 245.5k (2.7%), cached 6.3k (94.7%), output 54

Running read_file: 持仓情况.txt

Tool: read_file completed in 0ms

现在让我检查一下投资分析工具是否可用。

Tokens: input 7.5k / 245.5k (3.0%), cached 6.6k (88.4%), output 1.2k

Running bash: python -m chainpeer_fi.commands.finance investment --help 2>&1 | head -30

接下来将结合持仓结构、风险暴露和可用市场数据生成投资分析。

ChainPeer 安装试用

面向本地工程开发、计划执行、长对话恢复。

安装试用

ChainPeerFi 咨询试用

面向量化研究、因子回测、策略迭代、投资分析。

联系我们

contact@sky-castle.com.cn

ChainPeer

现代工程的 智能终端。

认识陈皮 (ChainPeer)

计划与按计划执行

长对话恢复与历史缩略

为精准而生。

全局上下文

闪电般快速

多模型支持

终端原生

Workflow 设计

ChainPeer 的核心架构突破。

ChainPeerFi

因子检测与研究

固定格式 PDF 因子回测报告

策略迭代

券商研报复现

投资分析

ChainPeer 安装试用

ChainPeerFi 咨询试用

现代工程的
智能终端。