XTQuantAI
一个集成了XTQuant量化交易平台和AI助手的MCP服务器，允许AI直接访问和操作交易数据和功能。
Tools
get_trading_dates
获取指定市场的交易日期列表
get_stock_list
获取指定板块的股票列表
get_instrument_detail
获取指定股票的详细信息
get_history_market_data
获取历史行情数据
get_latest_market_data
获取最新行情数据
get_full_market_data
获取历史+最新行情数据
create_chart_panel
创建图表面板，显示指定股票的技术指标
create_custom_layout
创建自定义布局，可以指定指标名称、参数名和参数值
README
xtquantai
xtquantai 是一个基于模型上下文协议 (MCP) 的服务器，它将迅投 (xtquant) 量化交易平台的功能与人工智能助手集成，使 AI 能够直接访问和操作量化交易数据和功能。
功能特点
XTQuantAI 提供以下核心功能(陆续更新中，欢迎大家提交新创意)：
基础数据查询
- 获取交易日期 (
get_trading_dates) - 获取指定市场的交易日期 - 获取板块股票列表 (
get_stock_list) - 获取特定板块的股票列表 - 获取股票详情 (
get_instrument_detail) - 获取股票的详细信息
行情数据
- 获取历史行情数据 (
get_history_market_data) - 获取股票的历史行情数据 - 获取最新行情数据 (
get_latest_market_data) - 获取股票的最新行情数据 - 获取完整行情数据 (
get_full_market_data) - 获取股票的完整行情数据
图表和可视化
- 创建图表面板 (
create_chart_panel) - 创建股票图表面板，支持各种技术指标 - 创建自定义布局 (
create_custom_layout) - 创建自定义的图表布局，可以指定指标名称、参数名和参数值
安装
⚠️ 注意
- QMT 生态系统目前仅支持 Windows，因此以下均在 Windows 环境实现
- Windows 环境目前在实现 MCP 过程中有不少细节，需要注意
前提条件
- Python 3.11 或更高版本
- 迅投 QMT 或投研终端
- uv 包管理工具 (推荐)
uv 的安装及注意事项
uv 是后续用来启动包的工具，因此我们需要在开始安装一下，注意你需要在你要运行 xtquantai 的环境里面安装这个包，这是第一个可能出问题的地方，不确定就都安装一下。
pip install uv
第二个注意点，uv 是有缓存的，因此我才会有 clear_cache_and_run.py 的文件，你一旦中间有错误的运行，不删缓存就会一直不更新，记得运行一下删除。
下载即可
git clone https://github.com/dfkai/xtquantai.git
或者直接下载 压缩包。你可以下载到任意文件夹，只要最后能够找到 xtquantai 的具体地址即可，最好去文件夹里直接去复制地址。
使用方法
与 Cursor 的集成
Windows（QMT/投研端目前仅支持 Windows，需在 Windows 环境）
在 Cursor 中配置 MCP 服务器：
方法一：
在当前项目建立 .cursor 文件夹，在该文件夹下建立 mcp.json 文件，则 Cursor 编辑器会自动添加该 mcp 工具
{
"mcpServers": {
"xtquantai": {
"command": "cmd /c uvx",
"args": [
"path:\\to\\xtquantai"
]
}
}
}
⚠️ 注意：在 windows 中，命令务必加上 cmd /c，否则会导致命令窗口执行完立即关闭。
方法二：
直接在 设置-MCP-添加新的 MCP Server，名字叫 xtquantai，命令(command)是：cmd /c uvx path:\to\xtquantai，调整为Enabled。
这里注意 path to 意思是你自己本地的地址，同时注意你手动填写进去是单斜杠，仅仅在json文件中需要两个斜杠防止转义。
工具使用示例
获取交易日期
# 获取上海市场的交易日期
dates = get_trading_dates(market="SH")
获取股票列表
# 获取沪深A股板块的股票列表
stocks = get_stock_list(sector="沪深A股")
创建图表面板
# 创建包含MA指标的图表面板
result = create_chart_panel(
codes="000001.SZ,600519.SH",
period="1d",
indicator_name="MA",
param_names="period",
param_values="5"
)
开发
直接启动服务器
# 使用 Python 直接运行
python -m xtquantai
# 或使用安装的命令行工具
xtquantai
使用 MCP Inspector 进行调试（仅在开发的的时候使用）
需要安装 node 环境。
npx @modelcontextprotocol/inspector uv run xtquantai
构建和发布
准备发布包：
- 同步依赖并更新锁文件：
uv sync
- 构建包分发：
uv build
- 发布到 PyPI：
uv publish
调试
由于 MCP 服务器通过标准输入/输出运行，调试可能具有挑战性。我们强烈建议使用 MCP Inspector 进行调试。
项目结构
xtquantai/
├── src/
│ └── xtquantai/
│ ├── __init__.py # 包初始化文件
│ └── server.py # MCP 服务器实现
├── main.py # 启动脚本
├── server_direct.py # 直接 HTTP 服务器实现
├── pyproject.toml # 项目配置
└── README.md # 项目文档
许可证
本项目采用 MIT 许可证 - 详见 LICENSE 文件。
贡献
欢迎贡献！请随时提交问题或拉取请求。
致谢
- 迅投科技 提供的量化交易平台
- Model Context Protocol 提供的 AI 集成框架
# xtquantai
xtquantai 是一个基于 Model Context Protocol (MCP) 的服务器，它将迅投 (xtquant) 量化交易平台的功能与人工智能助手集成，使 AI 能够直接访问和操作量化交易数据和功能。
[](https://www.python.org/downloads/)
[](LICENSE)
## 功能特点
XTQuantAI 提供以下核心功能(陆续更新中，欢迎大家提交新创意)：
### 基础数据查询
- **获取交易日期** (`get_trading_dates`) - 获取指定市场的交易日期
- **获取板块股票列表** (`get_stock_list`) - 获取特定板块的股票列表
- **获取股票详情** (`get_instrument_detail`) - 获取股票的详细信息
### 行情数据
- **获取历史行情数据** (`get_history_market_data`) - 获取股票的历史行情数据
- **获取最新行情数据** (`get_latest_market_data`) - 获取股票的最新行情数据
- **获取完整行情数据** (`get_full_market_data`) - 获取股票的完整行情数据
### 图表和可视化
- **创建图表面板** (`create_chart_panel`) - 创建股票图表面板，支持各种技术指标
- **创建自定义布局** (`create_custom_layout`) - 创建自定义的图表布局，可以指定指标名称、参数名和参数值
## 安装
⚠️ 注意
1. QMT 生态系统目前仅支持 Windows，因此以下均在 Windows 环境实现
2. Windows 环境目前在实现 MCP 过程中有不少细节，需要注意
### 前提条件
- Python 3.11 或更高版本
- 迅投 QMT 或投研终端
- [uv](https://github.com/astral-sh/uv) 包管理工具 (推荐)
### uv 的安装及注意事项
uv 是后续用来启动包的工具，因此我们需要在开始安装一下，注意你需要在你要运行 xtquantai 的环境里面安装这个包，这是第一个可能出问题的地方，不确定就都安装一下。
```python
pip install uv
第二个注意点，uv 是有缓存的，因此我才会有 clear_cache_and_run.py 的文件，你一旦中间有错误的运行，不删缓存就会一直不更新，记得运行一下删除。
下载即可
git clone https://github.com/dfkai/xtquantai.git
或者直接下载 压缩包。你可以下载到任意文件夹，只要最后能够找到 xtquantai 的具体地址即可，最好去文件夹里直接去复制地址。
使用方法
与 Cursor 的集成
Windows（QMT/投研端目前仅支持 Windows，需在 Windows 环境）
在 Cursor 中配置 MCP 服务器：
方法一：
在当前项目建立 .cursor 文件夹，在该文件夹下建立 mcp.json 文件，则 Cursor 编辑器会自动添加该 mcp 工具
{
"mcpServers": {
"xtquantai": {
"command": "cmd /c uvx",
"args": [
"path:\\to\\xtquantai"
]
}
}
}
⚠️ 注意：在 windows 中，命令务必加上 cmd /c，否则会导致命令窗口执行完立即关闭。
方法二：
直接在 设置-MCP-添加新的 MCP Server，名字叫 xtquantai，命令(command)是：cmd /c uvx path:\to\xtquantai，调整为Enabled。
这里注意 path to 意思是你自己本地的地址，同时注意你手动填写进去是单斜杠，仅仅在json文件中需要两个斜杠防止转义。
工具使用示例
获取交易日期
# 获取上海市场的交易日期
dates = get_trading_dates(market="SH")
获取股票列表
# 获取沪深A股板块的股票列表
stocks = get_stock_list(sector="沪深A股")
创建图表面板
# 创建包含MA指标的图表面板
result = create_chart_panel(
codes="000001.SZ,600519.SH",
period="1d",
indicator_name="MA",
param_names="period",
param_values="5"
)
开发
直接启动服务器
# 使用 Python 直接运行
python -m xtquantai
# 或使用安装的命令行工具
xtquantai
使用 MCP Inspector 进行调试（仅在开发的的时候使用）
需要安装 node 环境。
npx @modelcontextprotocol/inspector uv run xtquantai
构建和发布
准备发布包：
- 同步依赖并更新锁文件：
uv sync
- 构建包分发：
uv build
- 发布到 PyPI：
uv publish
调试
由于 MCP 服务器通过标准输入/输出运行，调试可能具有挑战性。我们强烈建议使用 MCP Inspector 进行调试。
项目结构
xtquantai/
├── src/
│ └── xtquantai/
│ ├── __init__.py # 包初始化文件
│ └── server.py # MCP 服务器实现
├── main.py # 启动脚本
├── server_direct.py # 直接 HTTP 服务器实现
├── pyproject.toml # 项目配置
└── README.md # 项目文档
许可证
本项目采用 MIT 许可证 - 详见 LICENSE 文件。
贡献
欢迎贡献！请随时提交问题或拉取请求。
致谢
- 迅投科技 提供的量化交易平台
- Model Context Protocol 提供的 AI 集成框架
# xtquantai
xtquantai 是一个基于模型上下文协议 (MCP) 的服务器，它将迅投 (xtquant) 量化交易平台的功能与人工智能助手集成，使 AI 能够直接访问和操作量化交易数据和功能。
[](https://www.python.org/downloads/)
[](LICENSE)
## 功能特点
XTQuantAI 提供以下核心功能(陆续更新中，欢迎大家提交新创意)：
### 基础数据查询
- **获取交易日期** (`get_trading_dates`) - 获取指定市场的交易日期
- **获取板块股票列表** (`get_stock_list`) - 获取特定板块的股票列表
- **获取股票详情** (`get_instrument_detail`) - 获取股票的详细信息
### 行情数据
- **获取历史行情数据** (`get_history_market_data`) - 获取股票的历史行情数据
- **获取最新行情数据** (`get_latest_market_data`) - 获取股票的最新行情数据
- **获取完整行情数据** (`get_full_market_data`) - 获取股票的完整行情数据
### 图表和可视化
- **创建图表面板** (`create_chart_panel`) - 创建股票图表面板，支持各种技术指标
- **创建自定义布局** (`create_custom_layout`) - 创建自定义的图表布局，可以指定指标名称、参数名和参数值
## 安装
⚠️ 注意
1. QMT 生态系统目前仅支持 Windows，因此以下均在 Windows 环境实现
2. Windows 环境目前在实现 MCP 过程中有不少细节，需要注意
### 前提条件
- Python 3.11 或更高版本
- 迅投 QMT 或投研终端
- [uv](https://github.com/astral-sh/uv) 包管理工具 (推荐)
### uv 的安装及注意事项
uv 是后续用来启动包的工具，因此我们需要在开始安装一下，注意你需要在你要运行 xtquantai 的环境里面安装这个包，这是第一个可能出问题的地方，不确定就都安装一下。
```python
pip install uv
第二个注意点，uv 是有缓存的，因此我才会有 clear_cache_and_run.py 的文件，你一旦中间有错误的运行，不删缓存就会一直不更新，记得运行一下删除。
下载即可
git clone https://github.com/dfkai/xtquantai.git
或者直接下载 压缩包。你可以下载到任意文件夹，只要最后能够找到 xtquantai 的具体地址即可，最好去文件夹里直接去复制地址。
使用方法
与 Cursor 的集成
Windows（QMT/投研端目前仅支持 Windows，需在 Windows 环境）
在 Cursor 中配置 MCP 服务器：
方法一：
在当前项目建立 .cursor 文件夹，在该文件夹下建立 mcp.json 文件，则 Cursor 编辑器会自动添加该 mcp 工具
{
"mcpServers": {
"xtquantai": {
"command": "cmd /c uvx",
"args": [
"path:\\to\\xtquantai"
]
}
}
}
⚠️ 注意：在 windows 中，命令务必加上 cmd /c，否则会导致命令窗口执行完立即关闭。
方法二：
直接在 设置-MCP-添加新的 MCP Server，名字叫 xtquantai，命令(command)是：cmd /c uvx path:\to\xtquantai，调整为Enabled。
这里注意 path to 意思是你自己本地的地址，同时注意你手动填写进去是单斜杠，仅仅在json文件中需要两个斜杠防止转义。
工具使用示例
获取交易日期
# 获取上海市场的交易日期
dates = get_trading_dates(market="SH")
获取股票列表
# 获取沪深A股板块的股票列表
stocks = get_stock_list(sector="沪深A股")
创建图表面板
# 创建包含MA指标的图表面板
result = create_chart_panel(
codes="000001.SZ,600519.SH",
period="1d",
indicator_name="MA",
param_names="period",
param_values="5"
)
开发
直接启动服务器
# 使用 Python 直接运行
python -m xtquantai
# 或使用安装的命令行工具
xtquantai
使用 MCP Inspector 进行调试（仅在开发的的时候使用）
需要安装 node 环境。
npx @modelcontextprotocol/inspector uv run xtquantai
构建和发布
准备发布包：
- 同步依赖并更新锁文件：
uv sync
- 构建包分发：
uv build
- 发布到 PyPI：
uv publish
调试
由于 MCP 服务器通过标准输入/输出运行，调试可能具有挑战性。我们强烈建议使用 MCP Inspector 进行调试。
项目结构
xtquantai/
├── src/
│ └── xtquantai/
│ ├── __init__.py # 包初始化文件
│ └── server.py # MCP 服务器实现
├── main.py # 启动脚本
├── server_direct.py # 直接 HTTP 服务器实现
├── pyproject.toml # 项目配置
└── README.md # 项目文档
许可证
本项目采用 MIT 许可证 - 详见 LICENSE 文件。
贡献
欢迎贡献！请随时提交问题或拉取请求。
致谢
- 迅投科技 提供的量化交易平台
- Model Context Protocol 提供的 AI 集成框架
# xtquantai
xtquantai 是一个基于 Model Context Protocol (MCP) 的服务器，它将迅投 (xtquant) 量化交易平台的功能与人工智能助手集成，使 AI 能够直接访问和操作量化交易数据和功能。
[](https://www.python.org/downloads/)
[](LICENSE)
## 功能特点
XTQuantAI 提供以下核心功能(陆续更新中，欢迎大家提交新创意)：
### 基础数据查询
- **获取交易日期** (`get_trading_dates`) - 获取指定市场的交易日期
- **获取板块股票列表** (`get_stock_list`) - 获取特定板块的股票列表
- **获取股票详情** (`get_instrument_detail`) - 获取股票的详细信息
### 行情数据
- **获取历史行情数据** (`get_history_market_data`) - 获取股票的历史行情数据
- **获取最新行情数据** (`get_latest_market_data`) - 获取股票的最新行情数据
- **获取完整行情数据** (`get_full_market_data`) - 获取股票的完整行情数据
### 图表和可视化
- **创建图表面板** (`create_chart_panel`) - 创建股票图表面板，支持各种技术指标
- **创建自定义布局** (`create_custom_layout`) - 创建自定义的图表布局，可以指定指标名称、参数名和参数值
## 安装
⚠️ 注意
1. QMT 生态系统目前仅支持 Windows，因此以下均在 Windows 环境实现
2. Windows 环境目前在实现 MCP 过程中有不少细节，需要注意
### 前提条件
- Python 3.11 或更高版本
- 迅投 QMT 或投研终端
- [uv](https://github.com/astral-sh/uv) 包管理工具 (推荐)
### uv 的安装及注意事项
uv 是后续用来启动包的工具，因此我们需要在开始安装一下，注意你需要在你要运行 xtquantai 的环境里面安装这个包，这是第一个可能出问题的地方，不确定就都安装一下。
```python
pip install uv
第二个注意点，uv 是有缓存的，因此我才会有 clear_cache_and_run.py 的文件，你一旦中间有错误的运行，不删缓存就会一直不更新，记得运行一下删除。
下载即可
git clone https://github.com/dfkai/xtquantai.git
或者直接下载 压缩包。你可以下载到任意文件夹，只要最后能够找到 xtquantai 的具体地址即可，最好去文件夹里直接去复制地址。
使用方法
与 Cursor 的集成
Windows（QMT/投研端目前仅支持 Windows，需在 Windows 环境）
在 Cursor 中配置 MCP 服务器：
方法一：
在当前项目建立 .cursor 文件夹，在该文件夹下建立 mcp.json 文件，则 Cursor 编辑器会自动添加该 mcp 工具
{
"mcpServers": {
"xtquantai": {
"command": "cmd /c uvx",
"args": [
"path:\\to\\xtquantai"
]
}
}
}
⚠️ 注意：在 windows 中，命令务必加上 cmd /c，否则会导致命令窗口执行完立即关闭。
方法二：
直接在 设置-MCP-添加新的 MCP Server，名字叫 xtquantai，命令(command)是：cmd /c uvx path:\to\xtquantai，调整为Enabled。
这里注意 path to 意思是你自己本地的地址，同时注意你手动填写进去是单斜杠，仅仅在json文件中需要两个斜杠防止转义。
工具使用示例
获取交易日期
# 获取上海市场的交易日期
dates = get_trading_dates(market="SH")
获取股票列表
# 获取沪深A股板块的股票列表
stocks = get_stock_list(sector="沪深A股")
创建图表面板
# 创建包含MA指标的图表面板
result = create_chart_panel(
codes="000001.SZ,600519.SH",
period="1d",
indicator_name="MA",
param_names="period",
param_values="5"
)
开发
直接启动服务器
# 使用 Python 直接运行
python -m xtquantai
# 或使用安装的命令行工具
xtquantai
使用 MCP Inspector 进行调试（仅在开发的的时候使用）
需要安装 node 环境。
npx @modelcontextprotocol/inspector uv run xtquantai
构建和发布
准备发布包：
- 同步依赖并更新锁文件：
uv sync
- 构建包分发：
uv build
- 发布到 PyPI：
uv publish
调试
由于 MCP 服务器通过标准输入/输出运行，调试可能具有挑战性。我们强烈建议使用 MCP Inspector 进行调试。
项目结构
xtquantai/
├── src/
│ └── xtquantai/
│ ├── __init__.py # 包初始化文件
│ └── server.py # MCP 服务器实现
├── main.py # 启动脚本
├── server_direct.py # 直接 HTTP 服务器实现
├── pyproject.toml # 项目配置
└── README.md # 项目文档
许可证
本项目采用 MIT 许可证 - 详见 LICENSE 文件。
贡献
欢迎贡献！请随时提交问题或拉取请求。
致谢
- 迅投科技 提供的量化交易平台
- Model Context Protocol 提供的 AI 集成框架
# xtquantai
xtquantai 是一个基于模型上下文协议 (MCP) 的服务器，它将迅投 (xtquant) 量化交易平台的功能与人工智能助手集成，使 AI 能够直接访问和操作量化交易数据和功能。
[](https://www.python.org/downloads/)
[](LICENSE)
## 功能特点
XTQuantAI 提供以下核心功能(陆续更新中，欢迎大家提交新创意)：
### 基础数据查询
- **获取交易日期** (`get_trading_dates`) - 获取指定市场的交易日期
- **获取板块股票列表** (`get_stock_list`) - 获取特定板块的股票列表
- **获取股票详情** (`get_instrument_detail`) - 获取股票的详细信息
### 行情数据
- **获取历史行情数据** (`get_history_market_data`) - 获取股票的历史行情数据
- **获取最新行情数据** (`get_latest_market_data`) - 获取股票的最新行情数据
- **获取完整行情数据** (`get_full_market_data`) - 获取股票的完整行情数据
### 图表和可视化
- **创建图表面板** (`create_chart_panel`) - 创建股票图表面板，支持各种技术指标
- **创建自定义布局** (`create_custom_layout`) - 创建自定义的图表布局，可以指定指标名称、参数名和参数值
## 安装
⚠️ 注意
1. QMT 生态系统目前仅支持 Windows，因此以下均在 Windows 环境实现
2. Windows 环境目前在实现 MCP 过程中有不少细节，需要注意
### 前提条件
- Python 3.11 或更高版本
- 迅投 QMT 或投研终端
- [uv](https://github.com/astral-sh/uv) 包管理工具 (推荐)
### uv 的安装及注意事项
uv 是后续用来启动包的工具，因此我们需要在开始安装一下，注意你需要在你要运行 xtquantai 的环境里面安装这个包，这是第一个可能出问题的地方，不确定就都安装一下。
```python
pip install uv
第二个注意点，uv 是有缓存的，因此我才会有 clear_cache_and_run.py 的文件，你一旦中间有错误的运行，不删缓存就会一直不更新，记得运行一下删除。
下载即可
git clone https://github.com/dfkai/xtquantai.git
或者直接下载 压缩包。你可以下载到任意文件夹，只要最后能够找到 xtquantai 的具体地址即可，最好去文件夹里直接去复制地址。
使用方法
与 Cursor 的集成
Windows（QMT/投研端目前仅支持 Windows，需在 Windows 环境）
在 Cursor 中配置 MCP 服务器：
方法一：
在当前项目建立 .cursor 文件夹，在该文件夹下建立 mcp.json 文件，则 Cursor 编辑器会自动添加该 mcp 工具
{
"mcpServers": {
"xtquantai": {
"command": "cmd /c uvx",
"args": [
"path:\\to\\xtquantai"
]
}
}
}
⚠️ 注意：在 windows 中，命令务必加上 cmd /c，否则会导致命令窗口执行完立即关闭。
方法二：
直接在 设置-MCP-添加新的 MCP Server，名字叫 xtquantai，命令(command)是：cmd /c uvx path:\to\xtquantai，调整为Enabled。
这里注意 path to 意思是你自己本地的地址，同时注意你手动填写进去是单斜杠，仅仅在json文件中需要两个斜杠防止转义。
工具使用示例
获取交易日期
# 获取上海市场的交易日期
dates = get_trading_dates(market="SH")
获取股票列表
# 获取沪深A股板块的股票列表
stocks = get_stock_list(sector="沪深A股")
创建图表面板
# 创建包含MA指标的图表面板
result = create_chart_panel(
codes="000001.SZ,600519.SH",
period="1d",
indicator_name="MA",
param_names="period",
param_values="5"
)
开发
直接启动服务器
# 使用 Python 直接运行
python -m xtquantai
# 或使用安装的命令行工具
xtquantai
使用 MCP Inspector 进行调试（仅在开发的的时候使用）
需要安装 node 环境。
npx @modelcontextprotocol/inspector uv run xtquantai
构建和发布
准备发布包：
- 同步依赖并更新锁文件：
uv sync
- 构建包分发：
uv build
- 发布到 PyPI：
uv publish
调试
由于 MCP 服务器通过标准输入/输出运行，调试可能具有挑战性。我们强烈建议使用 MCP Inspector 进行调试。
项目结构
xtquantai/
├── src/
│ └── xtquantai/
│ ├── __init__.py # 包初始化文件
│ └── server.py # MCP 服务器实现
├── main.py # 启动脚本
├── server_direct.py # 直接 HTTP 服务器实现
├── pyproject.toml # 项目配置
└── README.md # 项目文档
许可证
本项目采用 MIT 许可证 - 详见 LICENSE 文件。
贡献
欢迎贡献！请随时提交问题或拉取请求。
致谢
- 迅投科技 提供的量化交易平台
- Model Context Protocol 提供的 AI 集成框架
# xtquantai
xtquantai 是一个基于模型上下文协议 (MCP) 的服务器，它将迅投 (xtquant) 量化交易平台的功能与人工智能助手集成，使 AI 能够直接访问和操作量化交易数据和功能。
[](https://www.python.org/downloads/)
[](LICENSE)
## 功能特点
XTQuantAI 提供以下核心功能(陆续更新中，欢迎大家提交新创意)：
### 基础数据查询
- **获取交易日期** (`get_trading_dates`) - 获取指定市场的交易日期
- **获取板块股票列表** (`get_stock_list`) - 获取特定板块的股票列表
- **获取股票详情** (`get_instrument_detail`) - 获取股票的详细信息
### 行情数据
- **获取历史行情数据** (`get_history_market_data`) - 获取股票的历史行情数据
- **获取最新行情数据** (`get_latest_market_data`) - 获取股票的最新行情数据
- **获取完整行情数据** (`get_full_market_data`) - 获取股票的完整行情数据
### 图表和可视化
- **创建图表面板** (`create_chart_panel`) - 创建股票图表面板，支持各种技术指标
- **创建自定义布局** (`create_custom_layout`) - 创建自定义的图表布局，可以指定指标名称、参数名和参数值
## 安装
⚠️ 注意
1. QMT 生态系统目前仅支持 Windows，因此以下均在 Windows 环境实现
2. Windows 环境目前在实现 MCP 过程中有不少细节，需要注意
### 前提条件
- Python 3.11 或更高版本
- 迅投 QMT 或投研终端
- [uv](https://github.com/astral-sh/uv) 包管理工具 (推荐)
### uv 的安装及注意事项
uv 是后续用来启动包的工具，因此我们需要在开始安装一下，注意你需要在你要运行 xtquantai 的环境里面安装这个包，这是第一个可能出问题的地方，不确定就都安装一下。
```python
pip install uv
第二个注意点，uv 是有缓存的，因此我才会有 clear_cache_and_run.py 的文件，你一旦中间有错误的运行，不删缓存就会一直不更新，记得运行一下删除。
下载即可
git clone https://github.com/dfkai/xtquantai.git
或者直接下载 压缩包。你可以下载到任意文件夹，只要最后能够找到 xtquantai 的具体地址即可，最好去文件夹里直接去复制地址。
使用方法
与 Cursor 的集成
Windows（QMT/投研端目前仅支持 Windows，需在 Windows 环境）
在 Cursor 中配置 MCP 服务器：
方法一：
在当前项目建立 .cursor 文件夹，在该文件夹下建立 mcp.json 文件，则 Cursor 编辑器会自动添加该 mcp 工具
{
"mcpServers": {
"xtquantai": {
"command": "cmd /c uvx",
"args": [
"path:\\to\\xtquantai"
]
}
}
}
⚠️ 注意：在 windows 中，命令务必加上 cmd /c，否则会导致命令窗口执行完立即关闭。
方法二：
直接在 设置-MCP-添加新的 MCP Server，名字叫 xtquantai，命令(command)是：cmd /c uvx path:\to\xtquantai，调整为Enabled。
这里注意 path to 意思是你自己本地的地址，同时注意你手动填写进去是单斜杠，仅仅在json文件中需要两个斜杠防止转义。
工具使用示例
获取交易日期
# 获取上海市场的交易日期
dates = get_trading_dates(market="SH")
获取股票列表
# 获取沪深A股板块的股票列表
stocks = get_stock_list(sector="沪深A股")
创建图表面板
# 创建包含MA指标的图表面板
result = create_chart_panel(
codes="000001.SZ,600519.SH",
period="1d",
indicator_name="MA",
param_names="period",
param_values="5"
)
开发
直接启动服务器
# 使用 Python 直接运行
python -m xtquantai
# 或使用安装的命令行工具
xtquantai
使用 MCP Inspector 进行调试（仅在开发的的时候使用）
需要安装 node 环境。
npx @modelcontextprotocol/inspector uv run xtquantai
构建和发布
准备发布包：
- 同步依赖并更新锁文件：
uv sync
- 构建包分发：
uv build
- 发布到 PyPI：
uv publish
调试
由于 MCP 服务器通过标准输入/输出运行，调试可能具有挑战性。我们强烈建议使用 MCP Inspector 进行调试。
项目结构
xtquantai/
├── src/
│ └── xtquantai/
│ ├── __init__.py # 包初始化文件
│ └── server.py # MCP 服务器实现
├── main.py # 启动脚本
├── server_direct推荐服务器
Crypto Price & Market Analysis MCP Server
一个模型上下文协议 (MCP) 服务器，它使用 CoinCap API 提供全面的加密货币分析。该服务器通过一个易于使用的界面提供实时价格数据、市场分析和历史趋势。 (Alternative, slightly more formal and technical translation): 一个模型上下文协议 (MCP) 服务器，利用 CoinCap API 提供全面的加密货币分析服务。该服务器通过用户友好的界面，提供实时价格数据、市场分析以及历史趋势数据。
chromia-mcp
使人工智能能够与 Chromia 钱包交互，以发送 $CHR 交易。
TripleWhale MCP Server
一个模型上下文协议 (MCP) 的实现，允许用户通过 Claude Desktop 使用自然语言查询与 TripleWhale 的电子商务分析平台进行交互。
Adamik MCP Server
通过 Claude Desktop 实现与 60 多个区块链网络的读写交互，为交易管理、账户洞察、质押和代币交互提供标准化的多链 API。
Open-Ledger-MCP-Server
一个用于 OpenLedger API 的模型上下文协议 (MCP) 服务器实现。该服务器根据 MCP 规范为 AI 模型提供结构化的上下文。
ntropy-mcp MCP Server
启用使用 Ntropy API 丰富银行数据的功能，并提供高效创建账户持有人和丰富交易信息的工具。
Iaptic MCP Server
一个用于与 Iaptic API 交互的服务器，允许像 Claude 这样的人工智能模型查询客户、购买和交易数据，并检索统计见解。
Bitrefill Search and Shop
这个 MCP 封装了 Bitrefill 的公共 API，允许代理使用比特币、以太坊、Solana 等加密货币搜索产品和购物。
MCP EVM Signer
一个服务器，可以在本地安全地管理以太坊私钥，并使 Claude for Desktop 能够通过 Infura 与 EVM 兼容的区块链进行交互。
Cryptocurrency Daemon MCP Server
通过人工智能助手实现与加密货币守护进程RPC接口的安全交互，支持基于比特币的加密货币的交易管理、钱包操作和守护进程监控。