[TOC]

在使用发明者量化工作流的过程中，许多开发者在评论区和社群里提出了大量疑问。本文整理了这些高频问题，涵盖环境配置、节点使用、数据读取、AI调用、回测机制等各个方面，帮助大家快速找到解决方案。

---

一、环境配置类问题

Q1：为什么我的实盘无法运行工作流策略?

只有最新版本的托管者才支持运行工作流。如果你的托管者版本过旧，工作流策略就无法启动，需要及时更新到最新版本。

Q2：工作流支持哪些编程语言?

工作流的代码节点只支持JavaScript，不支持Python。如果你习惯用Python写策略，需要转换成JS语法。好在JS和Python的基本逻辑是相通的，主要是语法差异。

---

二、节点运行机制

Q3：工作流中的节点是同时触发还是依次执行?

工作流节点是严格串联的，只能一个接一个触发，不会并行运行。每个节点必须等前面的节点执行完成后才会开始，大家在设置策略机制的时候需要考虑到这一特性。

Q4：为什么设置了K线更新节点后，工作流一直在等待不执行?

如果你设置了1小时K线更新触发，那么工作流会等待到整点K线收盘才开始运行。在等待期间，工作流不会执行，这是正常的。如果你希望在等待期间执行不同的策略逻辑，可以设置第二个触发器执行你的策略逻辑。

---

三、数据读取与变量保存

Q5：如何读取某个节点的输出数据?

标准写法是：

$node["节点名称"].json

这个语法可以读取任意节点的JSON输出。但这里有个限制，只能读取直接相连的父节点数据。如果两个节点之间没有直接连接关系，就不能用这种方式读取。

Q6：如何在不直接相连的节点之间共享数据?

可以使用_G全局变量。_G是FMZ工作流提供的全局内存存储，可以在任何节点、任何flow之间共享数据。

用法很简单：

// 保存数据
_G("变量名", 值)

// 读取数据
_G("变量名")

但要特别注意，_G中的变量会一直存在，即使实盘重启也不会清除。如果发现读取到了错误的旧数据，需要手动设置_G("变量名",null)来清除，或者直接删除实盘重新创建。

Q7：什么时候需要使用JSON.stringify?

在处理复杂数据时，经常需要用到JSON.stringify方法。这个方法可以把复杂的对象和数组转成文本字符串，这在传递数据给AI节点时特别有用，因为AI只能理解文本格式的输入。

---

四、代码节点的数据传递

Q8：代码节点必须要返回数据吗?

是的，这是一个非常关键的要求。代码节点最后必须return返回数据，才能保持数据在节点之间的传递。即使你的代码逻辑不需要输出任何数据，也要返回一个空数组：

return {}

如果忘记return，后续节点就接收不到数据，导致整个工作流中断。

Q9：如何处理节点输出的多项数据?

如果你的某个节点输出了多条数据，比如获取了10条新闻，而你需要整合处理而不是分别处理，这时候不能直接传给下一个节点，需要使用合并节点或者聚合节点，把多项数据整合成一个数据包。

这样做的好处是数据结构清晰，方便后续节点处理。比如要把多条新闻传给AI分析，就需要先聚合成一个数组，AI才能一次性看到所有信息。

---

五、AI节点配置与调试

Q10：AI节点出现错误，首先应该检查什么?

首先是AI节点的基础设置。AI节点需要添加model模型，在model中必须设置凭证。首先创建新凭证，凭证配置包括两个关键信息：API key和base url。API key是你在对应平台申请的密钥，base url是API的请求地址。特别要注意，不同渠道的base url是不同的，比如OpenRouter、DeepSeek、还是其他代理服务，它们的base url都不一样，一定要填对。

Q11：使用哪个API服务比较好?

不建议使用deepseek的直属API，因为响应较慢容易超时，而且额度有限制。推荐使用OpenRouter，它可以连接各种大模型，稳定性和速度都更好。

Q12：AI调用会产生费用吗?

是的，AI调用是要花钱的，每次请求都会消耗token。如果遇到调用失败，要检查账户余额是否充足。建议在测试策略逻辑阶段使用便宜的模型，确认策略逻辑正确后再换成更强大的模型。

Q13：如何编写有效的AI指导语(prompt)?

这是一门艺术，需要根据不同大模型的特性优化。比如Grok比较激进，Claude比较谨慎，DeepSeek因为用A股数据训练有天然的做多倾向。了解这些特性，才能写出更有效的prompt。

---

六、AI模型稳定性与风控

Q14：AI模型的决策稳定吗?

AI模型目前还不是完全稳定的。虽然AI能够提升策略的决策质量，但它本身也可能出现误判。不同的市场环境、不同的新闻表述、甚至同样的输入在不同时间都可能得到不同的输出。这种不确定性是AI的固有特性。

Q15：使用AI策略时需要注意什么?

在使用AI策略时，一定要加上严格的风控措施。比如：设置单笔交易的最大亏损额度，设置总仓位的上限，加入止损止盈逻辑，不要让AI完全控制资金。

AI应该是你的决策辅助工具，而不是全权委托的对象。人工监控和风险控制始终不能缺少。随着AI技术的发展，模型会越来越稳定，但现阶段保持谨慎是明智的选择。

---

七、AI策略回测的特殊性

Q16：包含AI的策略可以正常回测吗?

包含AI的策略在回测上有很大的特殊性，这点必须理解清楚。常规策略可以用历史数据随便回测，但AI策略不行。

为什么?因为每次调用AI都要消耗token，产生实际费用。如果你用一年的历史数据回测，可能要调用成千上万次AI，成本会非常高昂。

FMZ为了保护大家的钱包，设计了一个机制：在回测模式下，AI节点只会真实调用三次，后续都使用这三次的缓存数据。所以回测结果只是一个参考，不能代表真实的AI决策质量。

Q17：使用最新新闻的AI策略能回测吗?

如果你的策略调用了最新新闻信息，回测就更不合理了。因为你用的是过去的K线数据，但读取的是当前的新闻，两者时间完全不匹配，这样的回测结果毫无意义。

Q18：那应该如何测试AI策略?

建议的方法是：用小资金、小周期进行实盘测试，观察一段时间的AI决策质量和策略表现，确认稳定后再逐步放大资金。对AI策略来说，实盘验证远比历史回测重要。

---

八、HTTP和MCP节点配置

Q19：HTTP节点获取不到数据怎么办?

HTTP节点和MCP节点通常用来获取外部数据，但很多API服务是需要密钥才能访问的。如果你配置了HTTP请求但一直获取不到数据，要检查是否需要API密钥，是否正确配置了认证信息。有些API还有请求频率限制，如果调用太频繁会被限流甚至封禁。

Q20：如何提高外部数据获取的稳定性?

MCP节点更加强大，可以连接到各种结构化数据服务，但配置也更复杂。需要正确设置服务端点、认证方式、请求参数等。建议先用HTTP节点测试API能否正常访问，确认数据格式后再集成到工作流中。

另外，为了提高稳定性，可以给这些节点添加失败重试机制。在节点设置中开启重试，设置重试次数和间隔时间，这样临时的网络问题就不会导致整个工作流失败。

---

九、代码兼容性问题

Q21：FMZ工作流和n8n的代码可以互用吗?

发明者工作流是基于n8n开源框架量化定制的，但两者的代码不能直接互相复制使用。如果你在网上找到n8n的工作流代码，直接粘贴到FMZ是运行不了的，需要根据FMZ的API和节点规范进行修改。反过来，FMZ的工作流代码也不能直接用在n8n上。

主要的差异在于：FMZ对某些节点做了定制化改造，参数和输出格式都有所不同。如果要迁移代码，需要仔细检查每个节点的配置和函数调用，确保符合目标平台的规范。

---

总结

以上就是发明者量化工作流的常见问题解答。我们覆盖了从环境配置、节点机制、数据读取、代码规范、AI调用到回测测试的各个方面，这些都是实战中的高频问题。掌握了这些知识点，你在开发工作流时会少走很多弯路。

但量化交易是一个持续学习的过程，新的问题会不断出现。遇到问题不要气馁，先查看FMZ的官方文档，搜索社群里的讨论，很多问题都有前人遇到过。如果实在解决不了，可以在平台发起工单询问工程师。也欢迎大家在评论区留言，和其他量化交易者一起交流经验。

记住：问题是最好的老师，每解决一个问题，你对工作流的理解就会深入一分。希望这份FAQ能够帮助大家更顺利地使用工作流开发量化策略！