AI 交易智能体详解：它到底是怎么运作的

AI 交易智能体演示起来容易，信任起来却难。演示给你看一个聊天窗口和一笔成交的订单；它跳过了你真正需要弄懂的那部分——也就是介于一次市场跳动和一笔成交交易之间的一切。本文把这个盒子打开。你会看到每一个严肃的智能体都是由哪五层搭起来的——感知、推理、工具、记忆和护栏——然后跟着一个真实的决策周期，从一根收盘 K 线一路走到一笔路由出去的订单。一旦你能追踪出这条路径，你就能凭一个智能体产品的管道，而不是凭它的承诺，来评判它。

AI 交易智能体的解剖：五层结构

把界面剥掉，每一个能在真实市场里活下来的智能体，都是同一台机器。（如果你想要这个品类的定义、以及智能体在机器人和聊天助手之间处在什么位置，先看什么是智能体交易；本文默认你已了解，直接切入机制。）

层	它的职责	没了它会坏在哪
感知	把市场数据、指标和新闻，变成值得评估的事件	智能体基于过期或缺失的数据行动
推理	判断当前状态是否匹配你的策略	条件被生硬触发，上下文被忽略
工具	它可以采取的那一小串动作：取数据、设提醒、下单	决定是做出来了，但后面没有任何安全或有用的动作跟上
记忆	持仓、历史信号、冷却期、你声明的意图	它把同一个回调连买五次
护栏	在执行时刻被检查的硬性上限	一个糟糕的决定演变成一个账户级别的事件

各层被刻意分开。一个可拆分的系统就是一个可测试的系统：你可以在不碰下单逻辑的情况下验证指标的数学，也可以在不重读一遍提示词的情况下审计上周二那次否决。研究型系统把这一步推得更远，把推理层本身拆成互相辩论的专家角色；那种模式有它自己的取舍，多智能体交易系统里讲过。对一个个人组合来说，一个带着五层清晰结构的智能体，才是现实的架构。

感知：智能体真正看到的是什么

智能体不看图表。它订阅事件。一根 4 小时 K 线收盘。价格穿过一个你指定的水平。一个预定的时间到了。一条新闻被评分为与某只持仓相关。事件之间，一个搭得好的智能体什么都不做，这比不停轮询更省、也更不容易出错。

那些事件背后的输入分四类。第一，原始市场数据：K 线、最新价，有时还有挂单簿深度。第二，衍生指标，比如 RSI(14)、MACD 或 200 日移动平均，由一个确定性引擎从原始数据算出来，而不是由语言模型估出来。第三，外部上下文：宏观日历条目、新闻流、情绪分。第四，智能体自己的组合状态，因为当你已经满仓时，“再买一点”的含义就不一样了。

评估频率是一个实打实的设计决策，不是细节。一个在每根 4 小时 K 线收盘时评估的智能体，一个月会交易几次；同样的规则每分钟检查一次，就会在噪声上触发、堆起手续费、来回被打脸。当你定义一套策略时，你同时也在定义它的时钟。

数据卫生是感知里不光鲜的那一半。交易所 API 会卡住、行情会延迟、K 线会迟到。数据缺失或过期时，正确的默认动作是不作为：跳过这次评估，把缺口记进日志，等下一个事件。一个靠假设去填补缺口的智能体，不是在感知市场；它是在想象一个市场。

推理层：规则、LLM，还是混合

三种设计在这里角逐，而诚实的比较很短。纯规则是确定性的、快的、可测的，但它读不懂一条头条，也解析不了你的意图。纯 LLM 两样都能做，可它每个决策都很贵，且对数字不可靠；2024 年一项关于金融问答的研究测出，在没有防护措施的情况下幻觉率高达约 41%（FailSafeQA and related benchmarks, 2024）。两个极端都赢不了。真正胜出的架构是混合：语言模型在两端，确定性引擎在中间。

这里有大多数讲解会漏掉的一部分。在一个好的混合体里，LLM 对你的话推理一次，而不是对每一次跳动都推理。就拿“逢低买入”来说，这是一个没有数字定义的短语。推理层真正的活儿发生在搭建时：把那个意图转成一个精确的谓词，比如“4 小时图上 RSI(14) 收在 30 以下，同时价格站在 200 日移动平均之上”。从那以后，每一次评估都是规则引擎在微秒内完成的算术。那个解读了你句子的模型，永远不碰实盘的订单数学。

Obside 正是这样切分这份工作的：副驾把大白话翻译成受监控的条件、并复述出来供你确认，然后把运行中的策略交给确定性的评估。你在语言任务和数值任务之间划在哪里，决定了一个智能体大部分的可靠性；完整的能力地图在LLM 在交易里能做什么、不能做什么。

有些智能体也会在运行时就真正属于语言性的事件去咨询模型，比如判断一条头条是否对某只特定持仓构成实质影响。那是一种站得住脚的用法，前提是模型的输出喂给的是一条规则（“如果严重程度为高就暂停买入”），而不是直接给一笔订单定仓位。

工具、记忆和护栏层

一个智能体的威力，由它的工具清单定义，而不是由它的智能定义。工具是带着狭窄签名的、有类型的函数调用：取 K 线、算指标、发提醒、下单或撤单、移动止损。这个约束就是特性。一个唯一的下单工具是 place_order(symbol, side, size, type) 的智能体，无论它的推理得出什么结论，都无法提取资金、无法更改账户设置、也无法凭空发明一个动作。你评估一个平台时，最锋利的问题不是这个智能体能做什么，而是它可被证明地不能做什么。

记忆是把智能体和一个无状态的触发器区分开的东西。它持有当前持仓、未成交订单、本周哪些信号触发过，以及冷却计时器。想想它防住的那个失败：一个没有状态的逢低买入规则，会在 RSI 停在 30 以下时、每一根连续的 4 小时 K 线上都触发，把一次计划中的进场变成六次。而“每周至多两次”这条指令，除了记忆之外无处安放。

护栏是一笔订单穿过的最后一层，它的决定性特质在于位置：它在执行时刻运行，在推理层之外，是一次否决而不是一个建议。仓位大小上限、每个智能体的敞口限制、固定止损和移动止损、回撤熔断器、杠杆上限。哪怕一个糊涂的推理层也无法逾越它们。把每一项都设到合适的大小本身就是一门功课，在AI 交易智能体的护栏里铺开讲了。

一个完整的决策周期，从头到尾

该让这台机器跑起来了。这套策略，用一个用户会说出来的方式：“当 4 小时图上 RSI(14) 收在 30 以下、且价格在 200 日移动平均之上时，买入价值 150 美元的 ETH，每周至多两次，配一个 8% 的移动止损。”在 Obside 上，你会把这句话输给副驾，它会复述它解析出的东西——资产和交易场所、带周期和阈值的指标、趋势过滤器、订单大小、每周上限、止损类型——并在任何东西运行之前等你确认。那次复述，就是推理层在明处做它“每套策略一次”的活儿。

现在是一个周四，UTC 04:00：

1. 感知。 4 小时 K 线收盘。事件触发；引擎从收盘的 K 线算出 RSI(14) 为 27.6。
2. 推理。 条件一成立（27.6 低于 30）。条件二对着新鲜数据检查：价格约在 200 日移动平均之上 4%。两者皆真。
3. 记忆。 本周已在周二执行过一次买入。上限是两次，所以这次进场被允许，而且无论如何这次评估都被记录下来。
4. 护栏。 拟下的 150 美元订单，对着仓位大小上限和组合敞口限制检查；回撤熔断器未触发。通过。
5. 工具。 place_order 发出去；成交时，附上一个 8% 的移动止损。每一步连同它的输入都落进日志。

对比一下周五 UTC 20:00：K 线收盘时 RSI 为 26.9，趋势过滤器依然成立，而智能体什么都不做，因为记忆显示本周已经买了两次。它把这次否决和原因记进日志。带着一个理由什么都不做，正是一个好智能体大部分时候在做的事。还要注意，这两个周期里都没有咨询任何语言模型。思考发生在策略被写下的时候；周期是执行。

在 Obside 上，这五层各有产品名字。基于价格、指标、新闻和宏观事件的触发器就是感知层。副驾的翻译和复述是推理这一步。带着执行时刻风控检查的订单路由涵盖了工具和护栏，而每个智能体都携带自己的状态。同一份智能体定义原封不动地跑过回测、模拟交易和实盘执行，所以你审计过的那台机器，就是那台在交易的机器。

从这里往后

你现在手里有了一份对任何 AI 交易智能体都通用的、可操作的审计清单。它感知哪些事件、用的是什么时钟？LLM 究竟在什么时候被咨询，它是否曾被允许做算术？完整的工具清单是什么？它在两次评估之间保留什么状态？在推理批准之后，什么能否决一笔订单？一个能把这五问都干脆答上来的供应商，搭的是本文描述的这台机器。一个用形容词来回答的供应商，搭的是一个演示。如果你想看到这五层被组装、且在一处可供检视，就在 Obside 上用一句话描述一套策略，看着它以条件、仓位和上限的形式回到你面前，在任何东西运行之前供你确认。

仅供教育参考，不构成投资建议。交易存在风险，可能导致本金损失。