量化知识库的质量问题：quant-wiki案例分析
仝行科技深挖一个获2.3k star的量化知识库，发现内容很'水'——大路货、AI生成痕迹明显、工具都是空壳。基于从年初开始的量化探索经验，分享如何评估开源项目质量。
2025-10-15 | 行业观察
一个获得2.3k star的量化知识库
昨天朋友发来 quant-wiki.com，一个获得 2.3k star 的量化知识库。背后是成立1年的伦敦华人公司 llmquant。
作为从今年年初开始折腾量化、走过不少弯路的人，我大致浏览了一下就发现——这个库很水。
什么叫"水"？
所谓"水"，就是全是大路货，稍微尝试过搜索的人都能找出来。更关键的是，我甚至怀疑整个库都是用 DeepResearch 之类的工具"研究"出来的，并没有人工真正深度挖掘整理过，所以整体信息质量相对低下。
深挖之后的发现
花了些时间挖掘这个项目和背后的公司，发现问题还不少。
官网的FAQ里面指引的东西大概率找不到，都是AI瞎编的。各个工具都没有实际注册使用的入口，就是个空壳。只要看数据源就知道是小白整理的，这可能也是当下 DeepResearch 的局限性了——生成大量内容容易，但质量控制很难。
有意思的是，领英显示这是个已经成立了1年的正式公司，主要由华人组成，在伦敦还有办公室。但给出来的东西做得如此草台，也真的离谱。每一个所谓的"产品"都有很明显的AI痕迹。
量化+AI 项目的现状
从今年2、3月份开始就发现，AI与投资或金融结合的项目越来越多，无论是开源社区还是组织探索，都在大量涌现。但真正靠谱的几乎没有，使用门槛较低的也几乎没有。
再细想想，这其实很正常。如果真找到好用的、成本极低的工具，你也不会愿意随便告诉别人。这是一个很现实的问题。
如何评估开源量化项目？
基于我从年初到现在的探索经验，我的建议是：不要只看 Readme，也不要被 star 数量迷惑，更不要相信项目描述的"完美功能"。
最实用的做法是直接拉下 repo，让 AI 帮你分析。重点看四个方面：找源头数据用的是什么，是否需要付费，有没有调用限制，以及数据结构跟你已经在用的工具是否兼容。
这是我踩过无数坑后的结论：目前所有"火"起来的开源库，在没有付费的情况下，数据源都是不好用的。
对 NBoost 的启发
作为正在开发 NBoost 投资工具的创业者，这次调研给了我一些启发。
首先是差异化策略。不能做"大路货"知识库，要专注真正好用的工具。其次，付费模式是必然的，因为好用的数据源需要成本。但门槛要低，质量要高，这才是核心竞争力。
在定价策略上，我认为免费版有限制是合理的，但付费版必须提供真正有价值的数据。最重要的是，不要做空壳产品，要做真正能用的工具。
总结
在 AI 时代，生成大量内容变得容易，但质量才是关键。
作为独立开发者和创业者，我们要保持真诚，不做空壳产品；要注重质量，宁可慢一点，也要做好；要找准定位，不跟风，做真正有价值的东西。
这段观察来自 10.16 的微信群分享，基于从年初开始的量化探索经验。