AI模板生成完全指南：从DeepSeek到本地Ollama，worldquant-miner四大模板生成器横向对比

worldquant-miner 是一个面向 WorldQuant 量化平台的开源 alpha 信号挖掘项目，它在generation_one/目录下内置了4 套 AI 模板生成器：基于 DeepSeek 云 API 版、本地 Ollama 版、LTS 长期维护版和暴力枚举（bruteforce）版。对于想在 WorldQuant Brain 上批量生产 alpha 表达式的新手来说，选对模板生成器是效率的关键。本文将从「AI 模板生成器怎么选」的角度，把这四套方案从原理、工作流到适用场景一次讲透，并附快速上手步骤。

一、先搞懂：AI 模板生成器是如何工作的？

不管哪套生成器，核心工作流都一样，可以拆成 5 步：

1. 拉取素材：从 WorldQuant Brain API 获取当前地区（USA / GLB / EUR / ASI / CHN）可用的数据字段（data fields）和79 个算子（operators，见各模块中的 operatorRAW.json）；
2. 构造提示词：把算子库、字段列表和策略风格（persona）拼装成 prompt 发给大模型；
3. LLM 生成模板：DeepSeek 或 Ollama 输出的形如ts_rank(ts_delta(close, 1), 20)、group_normalize(ts_zscore(returns, 120), industry)的 alpha 表达式模板；
4. 多区域模拟测试：把模板填入真实字段，通过 Brain 的 simulation API 并行回测，拿到 Sharpe、Fitness、Turnover 等指标；
5. 结果沉淀：优秀模板与模拟指标写入 JSON 结果文件，供人工筛选或提交。

💡 简单说：LLM 负责"想创意"，回测引擎负责"验真伪"，模板生成器就是这条流水线的调度器。

二、四大模板生成器速览

三、逐个拆解：四大生成器怎么挑

1️⃣ DeepSeek API 版（consultant-templates-api）：最快上手

这是门槛最低的方案：不用装大模型，只要一个 DeepSeek API Key。

• 三步生成：template_generator.py 基础版 → enhanced_template_generator.py 增加多区域并行模拟 → enhanced_template_generator_v2.py 增加进度保存与断点续跑（--resume），推荐直接跑 v2；
• 灵活参数：--region USA指定地区、--templates 15控制每区模板数量；
• 实时追踪：运行中会动态显示当前最佳模板与 Sharpe，失败自动重试并写入 template_generator.log 日志。

✅ 优点：开箱即用、生成质量依赖强模型；⚠️ 代价：按量计费，提示词会经过云端。

2️⃣ 本地 Ollama 版（consultant-templates-ollama）：免费、私密、会"自我进化"

enhanced_template_generator_v2.py 是四套中策略最"聪明"的一版：

• 动态角色库：dynamic_personas.json 中存放了「机器学习量化」「计量经济学量化」「生态金融分析师」等多种 quant 人设，每次生成随机切换风格，避免模板同质化；
• 多臂老虎机（UCB1）：内置PersonaBandit，用 explore/exploit 策略自动挑选历史表现最好的角色，8 个并发槽位按「探索、利用」交替排布；
• 黑名单机制：operator_blacklist.json 记录反复出错的算子组合，减少无效模拟；
• 数据洞察：模块内附带 field_usage_analysis.png，展示各地区数据字段的使用热度分布，帮你发现"未被充分挖掘的字段"。

✅ 优点：零 API 费用、数据不出本机；⚠️ 需要 Ollama 环境与一定显存（可用 setup_ollama.ps1 一键配置）。

3️⃣ LTS 长期维护版（consultant-templates-ollama-lts）：为"跑一个月"而生

LTS 版在 Ollama 版基础上做了长期运行的增强，最亮眼的组件是 operator_compatibility.json：

• 每次模拟失败都会记录错误类型、发生次数与可用绕行方案（workarounds），并给每个算子打出compatibility_score兼容性评分；
• 跑得越久，生成器越"懂"平台规则，能主动绕开坑点算子，越用越稳；
• 支持 Ollama（如qwen2.5-coder:7b）与 DeepSeek 两种后端（详见 README.md），旧版本代码保留在 BACKUP.py 方便回溯对比。

✅ 优点：长期挂机、持续学习、稳定性最高；⚠️ 单轮生成速度不如暴力版激进。

4️⃣ Bruteforce 暴力版（consultant-templates-bruteforce-ollama）：覆盖率之王

bruteforce_template_generator.py 的思路是"以量换质"：

• 每批让 Ollama 只生成4 个原子级轻量模板（如rank(close, 20)），保证结构简单、不易报错；
• 每个模板分配2 个子进程，对其在全部数据字段 × 全部地区（USA/EUR/CHN/GLB/ASI）上暴力回测；
• 命中Sharpe > 1.25、Margin > 10bps、Fitness > 1.0的模板会自动扩展中性化（neutralization）组合继续深挖；
• 支持把自己的模板 JSON 丢进去测试（--custom-template），还内置了实战验证过的 nws77 情绪数据集模板（174 种参数变体）。

✅ 优点：扫得全、命中高、可复现；⚠️ 模拟量巨大，建议配合--max-batches控制批次。

四、如何选择？一张决策表就够了

🎯进阶玩法：先用 API 版/暴力版找到高 Sharpe 模板，再用 LTS 版长时间围绕它做参数演化，是目前比较稳的组合拳。

五、快速上手四步走

第 1 步：克隆仓库

git clone https://gitcode.com/gh_mirrors/wo/worldquant-miner

第 2 步：安装依赖

cd worldquant-miner/generation_one/consultant-templates-ollama pip install -r requirements.txt

第 3 步：配置凭据

• 参考根目录 credential.example.txt，在模块内创建credential.txt，格式为["username", "password"]；
• DeepSeek 版需在.env中写入DEEPSEEK_API_KEY=你的Key；Ollama 版需启动本地 Ollama 并拉取模型（如ollama pull llama3.1）。

第 4 步：运行生成

# 全部地区 + 断点续跑 python run_enhanced_generator_v2.py --resume # 只测 USA 区，每区 15 个模板 python run_enhanced_generator_v2.py --region USA --templates 15

结果保存在enhanced_results_v2.json，包含每个模板的 Sharpe / Fitness / Turnover 明细，直接挑 Top 模板进入下一阶段挖掘即可。

六、延伸阅读

• 完整文档：README.md
• 本地 Ollama 全流程（含 Web 仪表盘与 Docker 部署）：naive-ollama 模块
• 第二代自进化挖掘系统（遗传算法 + 自修复表达式编译）：generation_two
• 想可视化编排智能体工作流，可关注 Interactive Agent Workbench：