agentCLAWHUBUnverified
QuantAll
QuantAll（全A解析）MCP —— 股市全市场向量化计算引擎，为 AI 提供本地 Python 计算环境。 AI 编写向量化代码片段，数秒内完成 5000+ 股票的因子计算、策略回测、IC 分析和 GPU 可视化。 让 AI 从"信息查询者"升级为"数据计算者"——用代码算出客观结果，而非搬运网络观点。 触发：用户明确提到"回测""因子分析""IC分析""选股策略""QuantAll""全A解析"等量化关键词时。 不主动在普通股市聊天中触发，仅在用户有明确量化分析需求时使用。 能力声明：本技能需在用户电脑上创建 Python 虚拟环境（300MB+）、安装 quantall 库、 修改 Skill: QuantAll Owner: mifochen Summary: QuantAll（全A解析）MCP —— 股市全市场向量化计算引擎，为 AI 提供本地 Python 计算环境。 AI 编写向量化代码片段，数秒内完成 5000+ 股票的因子计算、策略回测、IC 分析和 GPU 可视化。 让 AI 从"信息查询者"升级为"数据计算者"——用代码算出客观结果，而非搬运网络观点。 触发：用户明确提到"回测""因子分析""IC分析""选股策略""QuantAll""全A解析"等量化关键词时。 不主动在普通股市聊天中触发，仅在用户有明确量化分析需求时使用。 能力声明：本技能需在用户电脑上创建 Python 虚拟环境（300MB+）、安装 quantall 库、 修改 Tags: latest:1.0.4 Version history: v1.0.4 | 2026-08-10T10:57:27.431Z | user qu
OpenClaw
Rank
62
Safety
84
Downloads
955
Updated
Oct 12, 2026
Version
1.0.4
Source
CLAWHUB
About
What it does, and when to use it.
Capability contract not published. No trust telemetry is available yet. 955 downloads reported by the source. Last updated 10/12/2026.
Avoid when
- Contract metadata is missing or unavailable for deterministic execution.
Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing
Public facts
Every fact links back to the source it came from.
- Vendor
- Clawhubvendor · observed Oct 12, 2026
- Protocol compatibility
- OpenClawcompatibility · observed Oct 12, 2026
- Adoption signal
- 955 downloadsadoption · observed Oct 12, 2026
- Latest release
- 1.0.4release · observed Aug 10, 2026
- Handshake status
- UNKNOWNsecurity
What changed
Newest first. Only changes that point at a source are listed.
Release 1.0.4release
quant-all-mcp v1.0.4 - requirements.txt 更新为 ==1.0.8 - pip 安装和升级命令同步更新为 quantall==1.0.8 - 新增技能，增加对 MCP 2.0.0 版本的支持 - 移除 UpdateStock_script.py 和 skill-card.md 文件
Observed Aug 10, 2026 · source
Install and run
Setup complexity: low.
clawhub skill install s17ez9j9adqc2m8d7g786vbkjd86fjsg:quant-all-mcp- Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.
- Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.
Contract: missing
curl -s "https://www.xpersona.co/api/v1/agents/clawhub-mifochen-quant-all-mcp/snapshot"
Run-check
$0.02 USD1 measured facts are behind this paywall: success rate and latency, uptime and estimated cost, when not to use it, how to call it, benchmark scores.
Agents pay $0.02 in USDC. A card payment is $0.50, the smallest a card allows.
Documentation
CLAWHUB
144,733 characters of source documentation, loaded on request.
Extracted files
5 files captured from the source.
SKILL.md
---
name: quantall-mcp
description: >
QuantAll（全A解析）MCP —— 股市全市场向量化计算引擎，为 AI 提供本地 Python 计算环境。
AI 编写向量化代码片段，数秒内完成 5000+ 股票的因子计算、策略回测、IC 分析和 GPU 可视化。
让 AI 从"信息查询者"升级为"数据计算者"——用代码算出客观结果，而非搬运网络观点。
触发：用户明确提到"回测""因子分析""IC分析""选股策略""QuantAll""全A解析"等量化关键词时。
不主动在普通股市聊天中触发，仅在用户有明确量化分析需求时使用。
能力声明：本技能需在用户电脑上创建 Python 虚拟环境（300MB+）、安装 quantall 库、
修改 MCP 配置、启动本地 HTTP 服务（localhost:8686）、创建配置文件和启动脚本。
所有涉及用户电脑的操作，AI 必须事先告知用户并获得同意。
UpdateStock 为可选辅助 MCP（数据库管理，需 tushare API），非 QuantAll 必需。
agent_created: true
license: MIT
---
# QuantAll（全A解析）MCP 技能
---
## 这是什么
QuantAll 是一台运行在用户本地电脑上的**全市场向量化计算引擎**。它把 A 股 5000+ 只股票、150+ 维度的数据组织为统一矩阵，AI 只需编写简短的 Python 向量化代码片段，就能在数秒内完成全市场运算——因子计算、策略回测、IC 分析、多维可视化。
**对 AI 的意义**：不再只是"查询信息然后转述"，而是能**用代码算出客观结果**。用户问"小盘股是不是比大盘股表现好"，AI 不需要去搜索别人的观点，而是直接用全市场数据算出 IC 指标、回测收益，给出有数据支撑的结论。这是从"数据搬运工"到"数据分析师"的根本转变。
> **工具详细用法**（参数、触发场景、代码模板、核心函数）在 `scripts/data/ai_prompts.toml` 中，MCP 连接后 AI 自动获取。SKILL.md 只讲顶层定位、安装、启动、更新和 AI 行为规范。实战案例参见 `references/quantall_playbook.md`。
---
## 架构
| 组件 | 类型 | 定位 | 依赖 |
|------|------|------|------|
| **QuantAll**（全A解析） | HTTP MCP (localhost:8686) | 计算引擎：因子计算/回测/IC分析/可视化 | 本地 DuckDB 数据库 |
| **UpdateStock** | stdio MCP（可选） | 数据库管理：创建/更新/查询行情 | tushare API key |
两者共用同一个 DuckDB 数据库，路径通过 `scripts/DB_setting.json` 管理。**QuantAll 独立可运行，UpdateStock 不是必需依赖**——有自己的数据库或仅用内置测试库即可。
---
## 📦 安装（首次安装，AI 必读）
> ⚠️ **AI 行为规范**：安装前必须告知用户以下操作内容并获得同意：
> - 在 `scripts/` 下创建 Python 虚拟环境（约 45 个依赖包，300MB+ 磁盘空间）
> - 从清华 PyPI 镜像源下载安装 quantall 库
> - 修改 `~/.workbuddy/mcp.json` 添加 MCP 服务配置
> - 后续启动时会运行本地 HTTP 服务（localhost:8686）并可能弹出用户协议窗口
```
□ 1. 创建 venv：
<Python路径> -m venv <skill-dir>/scripts/.venv
推荐：C:/Users/<用户>/.workbuddy/binaries/python/versions/3.13.12/python.exe
□ 2. pip 安装（务必用清华源，否则 PySide6 等大包下载超时）：
<skill-dir>/scripts/.venv/Scripts/python.exe -m pip install quantall -i https://pypi.tuna.tsinghua.edu.cn/simple
□ 3. 验证安装：
<skill-dir>/scripts/.venv/Scripts/python.exe -c "from QuantAll import Start_main; print('OK')"
□ 4. 配置 MCP（修改 ~/.workbuddy/mcp.json）：
见下方 MCP 配置
□ 5. 启动服务：
<skill-dir>/scripts/.venv/Scripts/python.exe <skill-dir>/scripts/Start_QuantAll.py
检查 8686 端口是否监听
□ 6. ⚠️ 提醒用户重连 MCP 连接器（或重启 WorkBuddy）
```
**常见坑**：
- **Git Bash 路径**：传参给 Python 必须用 `C:/` 前缀（非 `/c/`），否则双重转义找不到文件
- **safe-delete 冲突**：WorkBuddy Python 运行时可能拦截 pip 文件覆盖，报 `SAFE_DELETE_FAIL_CLOSED`。解决：重建 venv（`rm -rf .venv && python -m venv .venv`）后重试，或用 `dangerouslyDisableSandbox: true`
- **import 大小写**：`from QuantAll import ...`（大写 Q、A），`import quantall` 会失败
### MCP 配置
```json
{
"mcpServers": {
"全A解析": { "url": "http://127.0.0.1:8686/mcp", "disabled": false },
"UpdateStock": {
"command": "<skill-dir>/scripts/.venv/Scripts/python.exe",
"args": ["<skill-dir>/scripts/UpdateStock_skill.py"],
"disabled": false
}
}
}
```
> UpdateStock 可选——不配置也能用 QuantAll。仅需要计算引擎时只配「全A解析」。
### 数据库
QuantAll 首次启动自动创建 `scripts/DB_setting.json`，默认连接 pip 包内置的 Test.duckdb（仅沪深300近两年基础行情，**仅供测试，pip 更新会覆盖**_meta.json
{
"ownerId": "kn798etnj1hernzd0bqw4cg9yx86fkc9",
"slug": "quant-all-mcp",
"version": "1.0.4",
"publishedAt": 1786359447431
}references/quantall_playbook.md
# QuantAll 实战手册
> 本文件是 QuantAll（全A解析）的使用经验积累文档。SKILL.md 负责"怎么装、有什么工具"，
> 本文档负责"怎么用好"——实战模式、代码示例、踩坑记录。
>
> **AI 使用建议**：执行复杂分析任务前先快速浏览本文档，了解常见模式和陷阱。
---
## 1. 快速上手（5 分钟）
### QuantAll 是什么
一台本地计算引擎。你（AI）写一段向量化 Python 代码，它就在全市场 5000+ 只股票上并行执行，
数秒内返回结果。**你不是在查询数据，你是在计算数据。**
### 你能做什么
| 你想要的 | 用什么工具 | 输出 |
|----------|-----------|------|
| 评估一个交易策略的收益 | `strategy_backtest` | 收益率/夏普/回撤/胜率 |
| 验证某个因子是否有效 | `factor_analysis` | IC均值/IR/多空差 |
| 找出符合条件的股票 | `select_by_code` | 股票列表 |
| 探索数据的多维关系 | `move_by_code` + `heat_map` | 热力图统计矩阵 |
| 标记事件/买点 | `new_layer_from_code` | 可视化短线 |
### 你的代码执行环境
```python
# 可用的变量
d # dict[str, DataFrame] — 字段名 → 全市场面板数据（行=时间，列=股票）
col_attrs # dict[str, Series] — 股票属性（行业、市值等）
# 内置模块
np, pd # numpy + pandas
# 内置函数
hold_until(buy, sell) # 生成持仓矩阵（回测必须用这个！）
row_rank(df) # 截面排名 → 百分位值 0~1
entry_check(window, conditions, mode="keep") # 买入窗口条件检测
time_at(rq) # 匹配指定时间
time_between(srq, erq) # 匹配时间区间
time_in(rqs) # 匹配多个时间
# 复权价格（必须手动算！）
adj_close = d['close'] * d['adj_factor']
adj_high = d['high'] * d['adj_factor']
adj_low = d['low'] * d['adj_factor']
```
### 数据库数据传播规则
> **财报数据**（`stock_finance` 表）：会自动把公告日的数据**向后传播**（forward fill）到下一个公告日。也就是说，当你取任意日期的财报数据（如 ROE、营业收入），它会填充为最近一次公告的值——不会出现 NaN 空洞。
>
> **分红数据**（`dividend` 表）和**业绩预告数据**（`forecast` 表）：目前**只在公告日当天有数据，不会向后传播**。原因是"传播到哪个日期"存在技术细节难以确定（公告日和实际影响日之间的时间差不确定）。未来可能会增加相关操作，但目前这两张表取非公告日的数据就是 NaN。
>
> 含义：如果你在因子中使用分红率、预告净利润等字段，要意识到它们只存在于公告日期点上，不适合做连续的日频截面分析。
### 三条铁律
1. **禁止 import、for/while 循环、df.apply()、lambda、递归**
2. **禁止 axis=1（行方向计算）**——各股票停牌时间不对齐
3. **持仓矩阵必须用 `hold_until(buy, sell)`**，不能手写逆序 cumsum
---
## 2. strategy_backtest 四种视图详解
> **关键认知**：`strategy_backtest` 有四个 view 模式，它们**不是"选一个最好"的关系**，而是**从不同维度拆解同一个策略**。标准分析流程是 `summary → segments → detail → timeline`（逐步深入）。
### 四种视图对比
| view | 粒度 | 回答什么问题 | 后续分析 | 绘图方式 |
|------|------|-------------|----------|----------|
| **summary** | 每只股票 | "这个策略整体好不好？" | ✅ select/move/weight/heat_map | 5585条收益曲线叠加 |
| **segments** | 每次交易 | "买入前什么因子影响收益？" | ✅ 核心：分析因子与收益关系 | 持仓片段（起点=买入日） |
| **detail** | 每只股票 | "哪只股票表现最好/最差？" | ✅ 同 summary | 和 summary 同一张图 |
| **timeline** | 每日 | "每日净值走势？时间分布？" | ❌ **不支持二次分析** | 几条合成曲线（净值/排名/持仓比）
### summary 输出结构
```json
{
"分析的股票数量": <N>,
"时间范围": "<start> 至 <end>",
"盈利比率-%": <百分比>,
"跑赢基准比率-%": <百分比>,
"全局买入比": <比率>,
"全局持仓比": <比率>,
"统计分析": {
"总收益率-%": { 平均值, 中位数, 最大值, 最小值, 标准差, 25%分位, 75%分位 },
"年化收益率-%": { ... },
"最大回撤-%": { ... },
"夏普率": { ... },
"胜率-%": { ... },
"盈亏比": { ... },
"基准收益率(自身)-%": { ... }
}
}
```
> **如何使用 summary**：先看中位收益率和夏普率判断策略是否有价值，再看盈利比率和跑赢基准比率判断策略相对 buy&hold 的表现。分布偏度（均值 vs 中位数）可以判断是否少数牛股拉高均值。
### segments 输出结构 + 绘图逻辑
```json
{
"持仓片断总数": <N>,
"平均收益-%": <平均>,
"最大收益-%": <最大值>,
"最小收益-%": <最小值>,
"平均持仓时间": <天数>,
"最长持仓时间": <天数>,
"最短持仓时间": <天数>
}
```
**图形绘制方式**：
```
segments 模式不是单只股票画一条线，而是把每段"买入→卖出"独立画成一条线。
- 起点：每段买入日，坐标 (0, 1.0) —— 买入时收益为 1x（基准）
- 终点：每段卖出日，坐标 (持仓天数, 卖出收益倍scripts/data/ai_prompts.toml
# 注意！！！
# 修改此文件，可能会影响AI的运行，导致的具体后果由用户自行负责
#
# 全A解析 AI 提示词配置文件
# 可以自行调整和优化提示词
# AI 工作规律：用 name 快速定位，用 description 第一句确认，再读细节执行
# ==============================================
# 顶层的提示词
mcp = """
你是量化策略分析助手，【全A解析】是你的分析平台。
【平台概述】
全A解析覆盖A股5000+股票，提供统一的Python exec计算环境，
你可以用代码片段直接计算全市场数据，平台自动完成绘制、排序、分组、统计。
【数据结构】
- d: dict，key=字段名，value=DataFrame（个股×时间面板）
- 列=股票代码，行=时间，停牌NaN已置顶或置底
- 各股时间不对齐，禁止行方向聚合（axis=1）
- col_attrs: dict，key=属性名，value=Series（股票属性，数值或字符串）
- 内置：np, pd；禁止：import / 循环 / df.apply / lambda / 递归 / axis=1
- 默认字段：close, open, high, low, vol, amount, adj_factor
- 更多字段用 available_data 查看（130+字段，含财务、因子、行业等）
【核心工作流】
1. 画图层 — new_layer_from_code / strategy_backtest(segments)
代码输出 bool DataFrame，True 位置自动绘制短线（最小绘制单元=股票+时间点）
2. 筛选/查询 — select_by_code
在已有图层中筛选符合条件的数据
3. 排序/平移 — move_by_code
按算法计算值控制短线在轴上的位置，支持转百分位排名、分桶、自动缩放
4. 统计 — heat_map
对当前图层进行分组统计，返回数量矩阵和权重矩阵（默认权重=数量等权）
5. 策略回测 — strategy_backtest
生成持仓矩阵，评估收益、胜率、夏普、回撤等，四种视角：summary/detail/segments/timeline
6. 因子分析 — factor_analysis
生成因子的数值矩阵，评估因子的IC
7. 统计权重 — weight_by_code
对统计权重进行自定义计算，替代默认的数量等权
8. 批量权重 — batch_weight
weight_by_code 的批量版本，一次对比多个权重方案，不改变活动权重。view="summary"返回评估参数，view="heatmap"返回完整矩阵
9. 批量筛选 — batch_select
select_by_code 的批量版本，一次对比多个筛选条件或批量交集/并集。mode: independent_summary/independent_heatmap/intersect/union
10. 因子相关性 — batch_factor_corr
批量计算多个因子与基准因子的相关性（IC/IR/time_potential + 分层IC），用于因子去冗余和互补性分析
11. 计算环境 — how_code
查看代码执行环境说明（变量、函数、规则），首次使用时调用了解环境
【软件自动处理】
- 数值输出自动缩放、转排序、分组（不需要AI写代码）
- bool输出自动绘制短线，不需要处理绘制逻辑
【你的任务】
理解用户意图，选择合适的工具组合完成任务。
常见场景：
- 画图分析：画图层 → 排序 → 统计 → 分析分布
- 策略回测：strategy_backtest → 按结果画图层 → 排序统计 → 诊断优化
- 挖掘机会：用条件筛选 → 画图层 → 观察分布 → 回测验证
"""
[tool]
strategy_backtest = """
【触发场景】
策略回测的优先工具。涉及以下场景时应首先使用：
- 评估策略收益、回测、跑赢基准
- 生成买入/卖出信号并测试表现
- 比较不同策略参数的效果
- 任何需要"用代码定义交易逻辑并看收益"的需求
该工具独立完成 信号生成→持仓构建→收益评估 的完整闭环，
现阶段应作为策略分析的默认首选，而非最后手段。
【功能说明】
用策略代码生成持仓矩阵（bool DataFrame），评估收益、胜率、夏普、回撤等指标。
执行价格默认 close（可在收盘前操作），可选 next_open（次日开盘买入，适合严格回测）。
【Python exec 环境】
- d: dict，key=字段名，value=pd.DataFrame（个股×时间面板）
- 停牌导致的 NaN 已置顶或置底，避免干扰窗口计算
- 因此各股票时间不对齐，禁止行方向计算（axis=1 的聚合/排序）
- col_attrs: dict，key=属性名，value=pd.Series（股票属性，数值或字符串）
- 默认字段：close, open, high, low, vol, amount, adj_factor
- 复权价格：adj_close = d['close'] * d['adj_factor']，high/low 同理
- 内置：np, pd
- 禁止：import / for/while循环 / df.apply() / lambda / 递归 / 行方向聚合（axis=1）
- 更多字段用 available_data 工具查看
【输出规则】
out = bool DataFrame，True 表示持仓。连续 True 片段的第一个为买入，最后一个为卖出。
【核心函数】
1. hold_until(buy, sell) — 生成持仓矩阵
从买入信号开始持仓，直到遇到卖出信号。买卖同日则放弃该买点。
- buy: bool DataFrame，买入信号（仅取每段第一个）
- sell: bool DataFrame，或 list/tuple of DataFrame（多个卖点自动 OR 合并）
- 返回: bool DataFrame
示例：
# 单卖点
buy = (D.shift(1) <= 20) & (D > 20)
sell = (D.shift(1) >= 80) & (D < 80)
out = hold_until(buy, sell)
# 多卖点
out = hold_until(buy, [sell1, sell2])
2. entry_check(window, conditioscripts/data/db_translate.json
{
"stock_basic": {
"symbol": "股票代码",
"name": "股票名称",
"update_date": "数据更新日期",
"list_date": "上市日期",
"act_name": "实控人名称",
"act_ent_type": "实控人企业性质",
"industry": "所属行业",
"com_name": "公司名称",
"com_id": "统一社会信用代码",
"chairman": "法人代表",
"manager": "总经理",
"secretary": "董秘",
"reg_capital": "注册资本",
"setup_date": "注册日期",
"province": "所在省份",
"city": "所在城市",
"introduction": "公司介绍",
"website": "公司主页",
"email": "电子邮件",
"office": "办公室",
"business_scope": "经营范围",
"employees": "员工人数",
"main_business": "主要业务及产品",
"exchange": "交易所",
"concept":"所属概念"
},
"stock_factor": {
"symbol": "股票代码",
"trade_date": "交易日期",
"close": "当日收盘价",
"turnover_rate": "换手率",
"turnover_rate_f": "换手率-自由流通股",
"volume_ratio": "量比",
"pe": "市盈率",
"pe_ttm": "市盈率TTM",
"pb": "市净率",
"ps": "市销率",
"ps_ttm": "市销率TTM",
"dv_ratio": "股息率",
"dv_ttm": "股息率TTM",
"total_share": "总股本",
"float_share": "流通股本",
"free_share": "自由流通股本",
"total_mv": "总市值",
"circ_mv": "流通市值",
"limit_status": "涨跌停状态"
},
"stock_forecast": {
"symbol": "股票代码",
"ann_date": "公告日期",
"end_date": "报告期",
"type": "业绩预告类型",
"p_change_min": "预告净利润变动下限-%",
"p_change_max": "预告净利润变动上限-%",
"net_profit_min": "预告净利润下限-万元",
"net_profit_max": "预告净利润上限-万元",
"last_parent_net": "上年同期归母净利润-万元",
"notice_times": "公布次数",
"first_ann_date": "首次公告日",
"summary": "业绩预告摘要",
"change_reason": "业绩变动原因",
"update_flag": "更新标志"
},
"stock_dividend": {
"symbol": "股票代码",
"end_date": "分送年度",
"ann_date": "预案公告日",
"div_proc": "实施进度",
"stk_div": "每股送转合计",
"stk_bo_rate": "每股送股比例",
"stk_co_rate": "每股转增比例",
"cash_div": "每股分红-税后",
"cash_div_tax": "每股分红-税前",
"record_date": "股权登记日",
"ex_date": "除权除息日",
"pay_date": "派息日",
"div_listdate": "红股上市日",
"imp_ann_date": "实施公告日",
"base_date": "基准日",
"base_share": "实施基准股本-万",
"update_flag": "是否变更过"
},
"stock_report": {
"symbol": "股票代码",
"ann_date": "公告日期",
"end_date": "报告期",
"eps": "每股收益",
"dt_eps": "稀释每股收益",
"total_revenue_ps": "每股营业总收入",
"revenue_ps": "每股营业收入",
"capital_rese_ps": "每股资本公积",
"surplus_rese_ps": "每股盈余公积",
"undist_profit_ps": "每股未分配利润",
"extra_item": "非经常性损益",
"profit_dedt": "扣非净利润",
"gross_margin": "毛利",
"current_ratio": "流动比率",
"quick_ratio": "速动比率",
"cash_ratio": "保守速动比率",
"iGithub ReposUpdated 3d agoRank 70
AionUi
Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!
MCPOPENCLAW
Github ReposUpdated 6mo agoRank 70
activepieces
AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents
OPENCLAW
Github ReposUpdated 6mo agoRank 70
cherry-studio
AI productivity studio with smart chat, autonomous agents, and 300+ assistants.
MCPOPENCLAW
Github ReposUpdated 7mo agoRank 70
CopilotKit
The Frontend for Agents & Generative UI. React + Angular
OPENCLAW
Machine-readable data
The same record, as JSON, for agents and crawlers.
- Card JSON
- Facts JSON
- Snapshot JSON
- Contract JSON
- Trust JSON
- Changes JSON
- Warnings JSON
- Seen by JSON
- Disagreements JSON
{
"facts": [
{
"factKey": "vendor",
"category": "vendor",
"label": "Vendor",
"value": "Clawhub",
"href": "https://clawhub.ai/mifochen/skills/quant-all-mcp",
"sourceUrl": "https://clawhub.ai/mifochen/skills/quant-all-mcp",
"sourceType": "profile",
"confidence": "medium",
"observedAt": "2026-10-12T02:22:27.116Z",
"isPublic": true
},
{
"factKey": "protocols",
"category": "compatibility",
"label": "Protocol compatibility",
"value": "OpenClaw",
"href": "https://www.xpersona.co/api/v1/agents/clawhub-mifochen-quant-all-mcp/contract",
"sourceUrl": "https://www.xpersona.co/api/v1/agents/clawhub-mifochen-quant-all-mcp/contract",
"sourceType": "contract",
"confidence": "medium",
"observedAt": "2026-10-12T02:22:27.116Z",
"isPublic": true
},
{
"factKey": "traction",
"category": "adoption",
"label": "Adoption signal",
"value": "955 downloads",
"href": "https://clawhub.ai/mifochen/quant-all-mcp",
"sourceUrl": "https://clawhub.ai/mifochen/quant-all-mcp",
"sourceType": "profile",
"confidence": "medium",
"observedAt": "2026-10-12T02:22:27.116Z",
"isPublic": true
},
{
"factKey": "latest_release",
"category": "release",
"label": "Latest release",
"value": "1.0.4",
"href": "https://clawhub.ai/mifochen/quant-all-mcp",
"sourceUrl": "https://clawhub.ai/mifochen/quant-all-mcp",
"sourceType": "release",
"confidence": "medium",
"observedAt": "2026-08-10T10:57:27.431Z",
"isPublic": true
},
{
"factKey": "handshake_status",
"category": "security",
"label": "Handshake status",
"value": "UNKNOWN",
"href": "https://www.xpersona.co/api/v1/agents/clawhub-mifochen-quant-all-mcp/trust",
"sourceUrl": "https://www.xpersona.co/api/v1/agents/clawhub-mifochen-quant-all-mcp/trust",
"sourceType": "trust",
"confidence": "medium",
"observedAt": null,
"isPublic": true
}
],
"events": [
{
"eventType": "release",
"title": "Release 1.0.4",
"description": "quant-all-mcp v1.0.4 - requirements.txt 更新为 ==1.0.8 - pip 安装和升级命令同步更新为 quantall==1.0.8 - 新增技能，增加对 MCP 2.0.0 版本的支持 - 移除 UpdateStock_script.py 和 skill-card.md 文件",
"href": "https://clawhub.ai/mifochen/quant-all-mcp",
"sourceUrl": "https://clawhub.ai/mifochen/quant-all-mcp",
"sourceType": "release",
"confidence": "medium",
"observedAt": "2026-08-10T10:57:27.431Z",
"isPublic": true
}
]
}Record generated Oct 12, 2026.
For crawlers
This page is free to read. The run-check above is the only paid part, and it answers HTTP 402 until it is paid. Everything else here is public.
- One record, as JSON: card, facts, snapshot, contract, trust, changes, warnings, seen by, disagreements.
- Every agent, one feed: /.well-known/ai-catalog.json
- What this site sells, and the price: /.well-known/x402
- Paid run-check: /api/v1/agents/clawhub-mifochen-quant-all-mcp/run-check