我用 DeepSeek 跑了 TradingAgents，得出几个不一样的结论
本文作者实测了开源项目 TradingAgents，利用 DeepSeek 等模型分析了 BTC、NVDA 等标的。文章指出，DeepSeek 的低成本是该工具近期爆火的主因。作者详细拆解了多 Agent 辩论机制的核心价值在于消除认知偏差，同时也揭示了其无法进行高频交易、风控非实时及 Crypto 适配有限等关键局限，并建议将其定位为研究层工具，与执行层工具搭配使用。
相关文档
Minara + Jev：最强AI金融智能体完整搭建流程，带你一周跑出174%收益率
作者介绍了将 Minara 与 Jev 两个 AI 工具组合搭建金融交易智能体的完整流程。Minara 提供行情数据、Funding、OI、Smart Money、回测和执行等一体化金融基础设施，Jev 负责实时判断做多、做空或等待。工作流为：实时数据 → Jev 判断 → Minara 回测验证 → 风险过滤 → 执行。作者用 100U 本金在 7 天内跑出 174% 收益，强调 Jev 提出判断、Minara 验证策略是否有 Edge 的互补机制，展示了完整 AI Trader 的雏形，并计划后续分享搭建方法与配置。
AI交易员第一步：用DeepSeek跑通量化交易
本文教程介绍如何用 DeepSeek V4 Pro 配合 Pi Agent、OKX Agent Skills 与 OKX CLI，在模拟盘上跑通加密货币量化交易全流程。内容涵盖环境安装与凭证配置、读取 BTC-USDT K线数据、用均线与 RSI、ATR 构建回测策略、创建 dry-run 脚本验证信号，以及最终由人工确认后执行小额模拟订单。文章强调安全边界：只用模拟盘、不碰真实资金、凭证不进入对话，并详细说明了防未来函数、手续费与滑点处理等回测细节。
从零配置链上套利辅助 Hermes Agent 实战指南
本文介绍了如何配置 Hermes Agent 作为链上套利的学习和辅助工具。作者分享了硬件选择、模型配置及部署步骤，并展示了利用 Agent 进行策略回测和数据挖掘的实际案例，旨在帮助读者通过 AI 提升量化交易效率。
不进 Jane Street 也能玩量化：用 AI + 免费开源工具搭交易系统
文章指出量化交易的门槛已从昂贵的数据和工具降至零，通过 OpenBB 获取数据、Qlib 进行研究、backtesting.py 进行回测等免费开源工具，普通人可搭建完整交易系统。文章强调量化本质是寻找统计规律而非预测，并需严格执行风控纪律，AI 可辅助研究和编程，但不可直接下达交易指令。
AI Trading Agent 新手入门指南
文章针对过去 6 个月 AI 交易工具爆发式增长带来的选择困难，提出了一个三层结构分类法：交易所原生 Skill、通用 Agent 平台（如 Moss）和自制 Skill。文章重点分析了各层的优势与短板，并指出通用 Agent 平台是新手最合理的入口。作者还详细介绍了如何在 Moss 上设置参数、关注核心指标（胜率、PF、回撤），并推荐了几个值得长期关注的开源项目，总结了新手应避免的常见错误。
拆解年入百万的AI落地项目：交易
文章揭秘了AI交易系统的商业真相与技术架构。作者将AI交易分为五个层级，从传统量化到LLM与强化学习混合体。他详细介绍了自研系统的七层数据分析管道和四层Prompt工程结构，强调风险评估优先于决策。文章还复盘了2025年“1011之夜”的币圈大暴跌，指出交易是丑陋的，但能教会人敬畏概率与风险。
如何将 Claude 连接到 TradingView (完整指南)
本文详细介绍了一种通过 TradingView MCP 将 Claude AI 直接连接到 TradingView 的方法。这使得 Claude 能够读取实时价格数据、执行技术分析、绘制图表指标、管理警报列表，甚至充当自动交易助手。文章不仅解释了背后的技术原理（利用 Node.js 和 MCP 服务器），还提供了在 5 分钟内完成配置的详细步骤，以及抓取实时数据、生成市场研究报告、UI 自动化等多个实际应用场景。
回测 236 个 TradingView 策略：发现 21 个赚钱机器
文章详细介绍了 Minara AI 团队对 236 个公开 TradingView 策略进行的严格回测流程。他们在 HyperLiquid 的真实手续费环境下复制交易，发现只有 63 个策略通过了严格的复制校验，其中 21 个策略的年化收益率超过了 10%。研究指出，交易频率是侵蚀利润的主要杀手，低频策略往往能保持优势，而高频策略（年交易 200 次以上）基本由盈转亏。
为了让AI学会交易，我搭了一个量化交易系统
作者构建了一个完整的AI模拟交易系统，旨在通过“沙盒环境”让AI从理论走向实战。文章详细介绍了利用OKX CLI和Next.js搭建实时Dashboard的技术实现，并提出了核心的“反思沉淀系统”，将交易经验转化为可复用的策略库。通过模拟盘训练和严格的风控机制，实现AI交易能力的持续进化。
分享6个新提示语去掉DeepSeek新模型和codex的AI味
作者分享了6个提示语技巧，用于消除DeepSeek和Codex生成代码动画/UI时的AI味。包括：删除重复无信息的文案、去掉多余的装饰框和阴影、为颜色分配固定用途、统一字号和图标对齐、一屏只讲一件事、优化动效使其服务于叙事和反馈。文中每个技巧都配有具体可用的提示语。作者还预告了正在开发的大剪辑Skill，能用DeepSeek剪出十分钟真人口播视频。
推理是训练的 12 倍，可一块卡生成时只跑出 5% 的算力
文章基于 YC Paper Club 播客，剖析 LLM 推理成本真相：按两年模型寿命摊算，推理总算力约为训练的 12 倍。decode 阶段 MFU 仅 5%，瓶颈在显存带宽而非算力。DeepSeek 通过 KV cache 保留 72 小时、radix attention、零开销调度等手段将缓存命中率做到 96%，实现 38 美元一卡时、80% 毛利。文章还讨论了 SSM 等被低估的模型结构、服务商质量参差（同一模型不同服务商差距超开源闭源差距）以及开源推理生态的规模，指出推理成本优化才是 LLM 竞争的胜负手。
最强AI交易机器人搭建指南：Opus 5.5 + Jev
作者介绍如何结合Anthropic最新Opus 5.5模型与TypeSafe AI推出的新型'System One'模型Jev，构建高频AI交易机器人。Jev不生成文本，而是对预设结果进行概率评估，速度和成本比GPT/Claude低200-400倍，响应仅70-500毫秒，非常适合高频和新闻交易。架构设计上，Opus 5.5负责策略设计与回测等高层思考，Jev作为决策层实时输出概率信号，配合止损止盈策略和交易所执行层完成交易。文章还涵盖技术部署（Alpaca纸面交易或VPS服务器）、策略挖掘方法论：大量回测、过滤幸存策略、前向测试、小资金实盘验证等步骤。