转眼已经是在 PandaAI 平台学习的第四周了。
前三周主要跟着视频和文档走，熟悉了基本的工作流搭建流程：
Python代码输入 → 期货回测 → 策略回测结果 → 报告展示
整体来说，平台的官方流程已经相当完善，基本可以满足日常策略回测需求。
本周的学习重点开始转向 专家模式，尝试在现有流程基础上，通过新增自定义节点，让工作流更加灵活，也更适合做反复的策略实验。
这周折腾了不少时间，不过最终 参数注入节点已经成功跑通，也算是对专家模式有了更直观的理解。

一、为什么想用专家模式？

在日常回测中，我遇到了一个很典型的小问题：
每次想测试不同参数，都必须手动修改策略代码。
比如一个简单的动量策略：

context.mom_lookback = 20
context.mom_threshold = 0.02

如果想测试不同参数组合，就必须：
1 打开策略代码
2 修改参数
3 保存
4 重新运行回测
如果只是改一两次还好，但如果要反复调参，整个流程就会变得非常繁琐。
于是就产生了一个想法：
能不能把“策略逻辑”和“参数配置”拆开？
也就是：

策略代码保持不变
参数通过工作流节点注入
这就是我这周尝试专家模式的起点。

二、专家模式可以做什么？

这周的教学会议对专家模式做了比较系统的介绍，大致有几个核心能力：

1 查看每个节点背后的代码

进入：
AI工作流 → 已有工作流 → 左侧点击 专家模式
就可以看到每个节点对应的 Python 代码，对于理解平台节点逻辑非常有帮助。

2 创建自定义节点

在节点库下方点击 +，就可以创建自己的 Python 节点。
保存后节点会出现在：
用户自定义节点里，可以随时拖到工作流中使用。

3 复用已有节点逻辑

平台里已经有不少节点，比如：

非线性因子节点
因子组合节点
权重组合节点
在专家模式下可以直接看到这些节点的代码实现，对于理解输入输出结构很有帮助。

4 在工作流中扩展节点

原始流程一般是：
Python代码输入
↓
期货回测
↓
策略回测结果
↓
报告展示
只要 节点输入输出类型匹配，就可以在中间插入新的节点。

三、本周尝试：参数注入节点

我这周选择实现的第一个节点是：
参数注入节点
它的作用非常简单：
在策略运行前，把参数动态写入策略代码。

核心思路

原本策略里的参数写死：

context.mom_lookback = 20
context.mom_threshold = 0.02

改成模板形式：

context.mom_lookback = {{mom_lookback}}
context.mom_threshold = {{mom_threshold}}

然后在参数节点里填写：

mom_lookback=30
mom_threshold=0.05

节点运行时自动替换：

context.mom_lookback = 30
context.mom_threshold = 0.05

工作流结构

最终形成的工作流：
Python代码输入（模板策略）
↓
参数注入节点
↓
期货回测
↓
策略回测结果
↓
报告展示

参数格式

目前支持两种输入方式。

方式一：key=value（推荐）

mom_lookback=30
mom_threshold=0.05

方式二：JSON

{
 "mom_lookback":30,
 "mom_threshold":0.05
}

节点实现逻辑

核心步骤其实不复杂：
1 解析参数文本
2 转换为 Python 字典
3 使用正则匹配 {{变量名}}
4 替换模板变量
5 输出完整策略代码
另外增加了一个校验逻辑：
如果策略模板中存在变量，但参数没有提供，就会直接报错。
这样可以避免生成不完整的策略代码。

四、开发过程中踩过的坑

这一部分其实花的时间最多。

1 本地运行尝试失败

一开始心疼算力，其实是想 在本地跑通整个流程。
但是尝试后发现：
开源项目版本已经比较旧，和现在平台的运行环境存在不少兼容问题。
折腾了一段时间后还是放弃了。
说实话有点心疼算力（笑）。
专家模式调试起来确实比较麻烦，一旦运行失败：

算力 -1
所以经常是：
改代码 → 运行 → 报错 → 修改 → 再运行。
整个过程还是比较消耗资源的。

2 节点一直获取不到策略代码

开发过程中后面还遇到一个的问题。
参数节点一直提示：
获取不到上游代码。
排查了很久接口、变量、节点结构，都没有发现问题。
最后才发现：
原来 Python代码输入节点里的不知道在哪一次修改中策略代码被清空了。
怪不得参数节点一直拿不到代码。
这个问题其实挺隐蔽，如果不仔细检查很难发现。一直以为我节点的问题。

3 工作流保存体验不太顺畅

在开发节点过程中，对工作流保存有一个比较明显的感受：
保存逻辑有点混乱。
有时候需要：

保存节点代码
保存节点配置
保存整个工作流
不同位置都有保存按钮，而且有时候点击保存也不太确定：
到底保存的是节点代码，还是整个工作流。
如果后续能优化的话，我觉得可以考虑：
明确区分 节点保存 / 工作流保存
增加 自动保存
增加 工作流历史版本
比如像 Git 那样保存历史版本，如果误删节点或者代码，也可以快速恢复。
这对开发调试会友好很多。

五、参数注入成功运行

在多次调试之后，参数注入节点终于成功跑通。
日志如下：

INFO 2026/3/15 08:18:40
节点 Python代码输入 执行成功
INFO 解析到 2 个参数
mom_lookback = 30 (int)
mom_threshold = 0.05 (float)
INFO 参数注入节点开始执行
INFO --- 替换完成 ---
context.mom_threshold = 0.05
context.mom_lookback = 30
INFO 已接收上游代码，共 212 行
INFO 语法检查通过
INFO 输出代码共 212 行
INFO 节点 参数注入 执行成功

可以看到：
原本策略中的动量阈值成功被修改为 5%。

六、回测运行日志

参数注入后，回测节点也正常运行：

收盘后 20250519 当前持仓合约数: 2
A2507.DCE
多头=309
总盈亏=36783
RB2510.SHF
空头=422
总盈亏=207309
开盘前 20250520
账户总权益: 12994316

策略信号示例：

20250520 A 多头信号
动量 = 5.46%
合约 = A2507.DCE
手数 = 310
20250520 RB 空头信号
动量 = -5.82%
合约 = RB2510.SHF
手数 = 425

说明参数替换后的策略已经正常参与回测。

七、为什么选择这个节点？

在研究工作流结构的时候，其实也考虑过不少可以扩展的节点类型，比如：

在策略代码和回测之间增加处理节点
在回测之后增加结果分析节点
或者增加一些数据处理和过滤节点
最后还是先选择做 参数注入节点，主要有三个原因：
1、改动最小
不需要修改策略主体逻辑，只是在回测前对代码进行一次参数替换，对原有流程影响很小。
2、使用价值最直接
做策略时最常见的操作就是调参。
有了参数注入节点之后，就不需要每次都打开策略代码修改数字，调试效率会高很多。
3、扩展空间比较大
如果这个节点稳定运行，后面其实还可以继续扩展，比如：
批量测试不同参数组合
自动对比不同参数的回测结果
整体会让策略实验更加方便。

八、下一步计划

接下来准备继续尝试扩展一些比较实用的小节点，例如：、
1、标的池过滤节点
在策略运行前，对交易标的进行简单过滤，比如：

只保留流动性较好的品种
过滤不活跃合约
这样可以让策略运行更加稳定。
通过节点方式实现，也会更方便复用。

小结

这周最大的收获，其实不是写出了一个节点，而是慢慢理解了：
专家模式真正的使用方式。
不是把整个系统全部推翻重写，而是：
在现有流程中，找到合适的位置，插入一个解决具体问题的小节点。
小改动，清晰目标，可随时撤回。
这样才是比较务实的工作流扩展方式。