我用 DeepSeek 跑了 TradingAgents,得出几个不一样的结论 ✍ Caelyn🕐 2026-05-04📦 17.6 KB 🟢 已读 𝕏 文章列表 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。 TradingAgentsDeepSeek量化交易多Agent辩论复盘分析实战测评AI交易策略研究 # 我用 DeepSeek 跑了 TradingAgents,得出几个不一样的结论 **作者**: Caelyn **日期**: 2026-05-04T06:30:24.000Z **来源**: [https://x.com/caelynzh/status/2051187668424520045](https://x.com/caelynzh/status/2051187668424520045) ---  过去两周 CT 中文圈和量化圈都在聊 TradingAgents 这个开源项目。目前已超过 60k+ stars,4 月底 v0.2.4 发布之后讨论度直接拉到顶。各路自媒体写了一堆"多 agent 革命"、"AI 替代基金经理"之类的文章。 我自己花了三天把它从头跑了一遍,分别用 GPT-5.2、Claude 4.6、DeepSeek V4 各跑了几十次 propagate,分析了 BTC、NVDA、TSLA、ARM 几个标的,统计了输出质量、成本、决策一致性。得出的几个结论跟我看到的所有中文教程都不一样。 这篇文章我会讲清楚四件事: 1. TradingAgents 这一波 4 月底到 5 月初为什么突然爆,背后真正的临界点在哪里? 2. 作为一个真实交易员,TradingAgents 哪些设计是真有用的? 3. 它的几个被所有教程刻意回避的局限,包括为什么不能直接拿来跑实盘? 4. 把它放在更大的 agentic trading 拼图里看,散户应该怎么用、组合什么工具最有效? # TradingAgents 到底为什么爆 先把时间线讲清楚。 TradingAgents 不是新项目。论文 arXiv:2412.20138 是 2024 年 12 月放出来的,由 UCLA 的 Yijia Xiao 等人主导,背后机构是 Tauric Research。 核心思想是把一个交易决策拆成模拟投行交易室的多个角色:基本面分析师、情绪分析师、新闻分析师、技术分析师、看涨研究员、看跌研究员、交易员、风控、基金经理。每个角色由一个 LLM agent 担任,互相对话辩论,最后输出 buy / hold / sell。 论文出来的时候火过一阵子,但当时主要是学术圈在传,实际能跑起来的人很少。原因很简单,那时候只支持 OpenAI 的 o1-preview 加 GPT-4o。一次完整 propagate 大概要烧 $5-10。研究员可以跑,散户没法跑。 真正的转折点是 2026 年 2 月发布的 v0.2.0。这个版本一次性接入 GPT-5.x、Claude 4.x、Gemini 3.x、Grok 4.x。3 月的 v0.2.2 和 v0.2.3 加了多语言支持。然后 4 月底的 v0.2.4 把 DeepSeek、Qwen、GLM、Azure 全部接进来。 为什么 v0.2.4 这次会引爆?我直接给你看我跑出来的数据。 同一个标的(BTC,2026-04-30),同一个 prompt,跑 3 轮辩论,三个模型的成本对比:  DeepSeek 单次成本是 GPT-5.2 的 5%。如果你要跑 100 个标的的研究分析,GPT 方案要 $480,DeepSeek 方案 $27。这对学术研究者来说是从实验室预算批不下来到晚上自己跑的差别,对散户来说是从跑不起到想跑就跑的差别。 这才是 4 月底这一波的真正引爆点。项目本身没有突然变好。真正变化的是接入 DeepSeek 让中文圈的使用门槛塌方式下降。 我把这件事总结成一句话:任何 AI 应用的真正爆发,都是在某次模型接入或降价之后,不是某次功能更新之后。 之前 ChatGPT 套壳应用爆发是因为 GPT-3.5 turbo 降价 90%,Claude Code 爆发是因为 Sonnet 4 在编码任务上做到 GPT 同级别只要 1/3 成本。TradingAgents 这一次是 DeepSeek 把成本砍到地板。 中文圈这一波还有个二次放大器,就是 hsliuping 那个 TradingAgents-CN 中文增强版。加了 A 股、港股支持,集成 DeepSeek、通义千问,还出了 Docker 一键部署。再加上 4 月份 hsliuping 公开打假 tradingagents-ai.com 那个山寨商业版,整个事件话题度被推到了二次峰值。 # 核心机制:多 Agent 辩论到底解决了什么问题 跑了几十次之后,我对它的理解跟很多人不一样。 大部分中文教程会跟你说:"多 agent 协作产生了 1+1>2 的智能涌现"。这是把营销话术当原理。多 agent 的核心价值不在变更聪明,在于对冲单 agent 的两个根本缺陷:过度自信和单一视角。 举个例子:我让 GPT-5.2 单独分析 BTC 在 4/29 这天该不该开多。模型给出的答案非常果断:"基于 4 月以来的链上资金流入和宏观流动性预期,建议开多。" 听起来很专业,但仔细看推理过程,模型完全没考虑伊朗冲突推高通胀预期、密歇根消费者信心创新低这些反向因素。 同样的标的、同样的日期,我用 TradingAgents 跑一次。流程是这样的: 1. 四个分析师 agent 并行收集信息,分别从基本面(链上数据)、情绪(社交媒体)、新闻(宏观)、技术(指标)四个维度各自出报告。 2. 看涨研究员拿这四份报告找开多的理由。 3. 看跌研究员拿这四份报告找开空的理由。 4. 两个研究员被强制辩论 N 轮(默认 1 轮,可以设到 3-5 轮)。 5. 交易员综合双方观点提出方向。 6. 风控 agent 评估仓位和止损。 7. 基金经理做最终批准。 最后输出的是一份带辩论纪要的报告,包含 buy / sell 倾向加完整推理。看涨方说什么、看跌方说什么、争议在哪里、风控建议怎么处理。  这套机制的真实价值有两层: 第一层是消除确认偏差。 单 agent 容易陷入"我已经倾向某个方向,剩下的分析都是为这个方向找理由"的陷阱。强制让两个 agent 站对立面去找证据,正好对症。 第二层是把决策过程变成可审计的对话记录。 你可以回头看每个 agent 在每个节点说了什么。如果最终决策错了,你能定位到是基本面分析师漏了某个数据,还是看跌研究员的论据被忽略了。这对策略迭代是革命性的,因为传统的"我感觉 BTC 会跌"的决策完全无法复盘。 讲到这里有人会问,那一个交易员自己难道不会做这种平衡思考吗? 会,但做不好。原因有三个: 人在情绪上头的时候很难真正站到反方立场去。你已经满仓做多了,让你自己写一份为什么应该砍仓的论证,你下意识会写得很弱。 人对信息有过滤。基本面、技术面、情绪面、新闻面这四个维度,人脑很难同时处理。多数交易员只擅长其中一两个,另外两个靠感觉。 人会疲劳。你一天能认真做一次完整的 4D 分析就不错了,agent 一天能给你做 30 次。 这才是多 agent 架构对普通交易员真正有用的地方。它没有替你做决定。它做的事是把做决定该考虑的东西全部摊开给你看。 # 那些教程不告诉你的局限 讲完了它的好,下面讲它的几个真问题。这部分我看了一圈中文教程,几乎没人讲。 ## 局限 1:跑一次要 60-180 秒,错过的全是快速行情 TradingAgents 默认配置一次 propagate 的耗时在 1.5-3 分钟。即使你用最快的 DeepSeek V4 Flash 加 1 轮辩论,也要 60 秒以上。如果你开 3 轮辩论,3 分钟起步。 这意味着什么?意味着你不能拿它做日内交易,更不能做高频。BTC 一根 5 分钟 K 线还没跑完,你的 agent 还在写"看跌研究员第二轮辩论"。 它真正的应用场景是日线、周线级别的策略制定,或者重大事件后的复盘分析。我自己的用法是每天美股开盘前跑一次 NVDA、TSLA、ARM 这种核心持仓,每周跑一次 BTC、ETH 这种宏观仓位。它是慢决策工具,不是快执行工具。 ## 局限 2:所有 agent 都是事后判断,不是事前预警 这一点是看了 v0.2.4 release notes 之后我才完全理解的。 TradingAgents 的风险管理 agent 听起来像 24/7 盯盘的风控系统,实际上它的工作流程是:在你触发一次 propagate 的时候,根据当时的市场快照评估一下仓位风险。它不会在 BTC 凌晨闪跌的时候自动给你发警报,也不会在你的止损位被触及的时候自动平仓。 整个 TradingAgents 是问答式的,不是监控式的。你问一次它答一次。它没有真实的执行层、没有持续的市场监听、没有自动下单。 这跟商业产品(比如 Binance AI Pro 内置的 risk skill 或者 OKX Agent Trade Kit 的实时风控模块)有本质差别。商业产品在做 24/7 持续监控,TradingAgents 在做决策时刻的多角度分析。 ## 局限 3:股票视角原生,crypto 适配有限 这一点是我跑 BTC 时被坑了才发现的。 TradingAgents 的基本面分析师在股票上很有用,它会去看公司财报、insider transactions、PE/PB 比率。你让它分析 BTC,它没有公司可分析。 它会硬凑一些数据,比如挖矿成本、ETF 资金流入、Strategy Inc. 的持仓变化。这些当然也是基本面,但跟股票的基本面不是一回事。 更明显的问题是它的数据源。Toolkit 默认接的是 Alpha Vantage、Yahoo Finance 这种股票为主的源。你跑 crypto 的时候要自己改 prompt 让 agent 去搜 Coingecko、Coinglass、Glassnode 的数据,效果远不如股票直接调 Alpha Vantage 来得稳。 中文圈最火的 TradingAgents-CN 加了 A 股、港股、美股的 Tushare 和 AKShare 适配,但 crypto 这块整个生态还在补课。 如果你是纯 crypto 交易员,TradingAgents 现阶段对你的价值主要在 ETH、BTC 这种宏观分析层面。山寨币和链上策略它帮不了你太多。 ## 局限 4:辩论不一定收敛,有时候会出和稀泥结论 跑了几十次之后我注意到一个模式。如果一个标的的看涨理由和看跌理由都很强(比如最近的 BTC,宏观利空 vs 链上利好),多 agent 辩论容易出"建议持有观望"的结论。 听起来很稳健,实际上很滑头。一个真正的交易员在这种情况下会有自己的判断(哪怕这个判断是"减仓 50% 等信号"),而 agent 给你一个"持有",等于把决策权又踢回给你。 这是多 agent 架构的固有问题。当对立观点都很强、辩论无法收敛的时候,最安全的输出就是维持现状。但交易员要的是有立场的决策。 所以我自己的用法是把 max_debate_rounds 调到 3-5。这样能强制 agent 做出更明确的倾向。但代价是成本和耗时翻几倍。 ## 局限 5:论文里那个 30.5% 年化是回测,不是实盘 原论文里面有一段写实现高达 30.5% 的年化回报。这个数字被中文教程反复引用,但很少有人去看上下文。 那是在一个简化模型下的回测:固定 100% 仓位、不考虑滑点、不考虑手续费、回测窗口选择性地包含了 2024 年的部分牛市。如果你拿这个数字去推演实盘表现,会失望得很。 我不是说论文造假。任何学术回测都会做这种简化。但中文自媒体把研究框架的回测结果包装成 AI 交易系统的真实业绩,是误导。 实际上 Tauric Research 自己也很克制,README 里直接写了 "Trading performance may vary based on many factors... It is not intended as financial, investment, or trading advice." 是中文圈把它捧上了 AI 自动赚钱的神坛。 # TradingAgents 在更大的 Agentic Trading 拼图里是什么位置 讲完了 TradingAgents 本身,把视野拉远一点,看它在整个 AI 交易生态里的定位。  四层的分工很清楚。TradingAgents 这种学术派项目的真正位置是决策研究层,它最适合干的事是给你出深度分析报告,不是替你下单。 如果你想用 TradingAgents 跑实盘,你还需要自己解决三件事:实时市场数据流接入、订单执行 API、风控触发机制。这三件事每件都比 TradingAgents 本身更工程化。这也是为什么 Tauric Research 自己在做 Trading-R1 和即将发布的 Tauric Terminal。他们意识到框架要能闭环,必须自己往下做产品。 我个人在用的工作流是这样的: 1. 研究阶段 每天早上跑一次 TradingAgents 分析核心持仓的当日观点。用 DeepSeek V4 Pro + Flash,3 轮辩论,每天成本不到 $1。输出是带辩论纪要的报告,存到我自己的 Notion 里做长期跟踪。 2. 策略阶段 基于 TradingAgents 的方向判断,我去 Moss 的 Hosted Agent 里调对应的策略参数。比如 TradingAgents 说"BTC 短期偏多但宏观风险大",我就在 Moss 上把方向偏好调到 55% 做多、单笔风险压到 2.5%、启用追踪止损。Moss 接管 7×24 的执行和持续风控。 3. 复盘阶段 周末把 TradingAgents 这周的报告和 Moss 的实盘数据对照看。哪些 TradingAgents 判断对了 Moss 没跟上、哪些 Moss 跑得好但 TradingAgents 没看准。这是真正能让策略迭代的过程。 这套组合的核心思想是:研究归研究,执行归执行,分开但联动。 把决策研究和策略执行混在一个 agent 里做(比如完全交给 TradingAgents 自己下单),你会失去复盘能力。你不知道是模型分析错了,还是执行环节出了问题。分层之后每一环可以单独迭代。 # 对交易员的几点建议 你要是看到这里,大概率比 90% 的中文教程读者更有耐心。下面几条建议是我自己跑了三天之后认真总结的。 1. TradingAgents 适合你的研究流程,不适合你的实盘 把它当成一个 24/7 不会累、不会有情绪的 research desk。不要指望它给你下单。 2. 用 DeepSeek 跑,不要用 GPT 或 Claude 不是说后两者不好,是性价比差距太大。一天跑 30 次的成本差异决定了你能不能形成习惯。 3. 把 max_debate_rounds 设到 3-5 默认 1 轮辩论的输出经常和稀泥。多几轮辩论能逼出更明确的立场,多花 3-5 倍的钱完全值得。 4. crypto 玩家别指望它的基本面 agent 重点用它的技术面分析师和情绪分析师,这两个跨资产类别的迁移性最好。新闻分析师在重大事件期间也很有用。 5. 每次跑完读辩论纪要,不要只看最终结论 真正的 alpha 在两个研究员吵架的过程里。最终结论是平均,纪要里有极端观点。极端观点才是你形成自己判断的素材。 6. 把它跟一个真正能执行的 agent 平台搭配着用 单独用 TradingAgents 跑研究很浪费。你看完报告又要手动去交易所下单、设止损、盯盘,整个 AI 加持的优势就丢掉了。 # 我推荐的工具组合 研究层:TradingAgents + TradingAgents-CN(中文增强版,加了 A 股港股美股的数据源,跑 DeepSeek 顺很多) 策略 + 执行层:Moss。这是我现在工作的团队的产品,提前披露利益关系。Moss 的 Hosted Agent 解决了 TradingAgents 没有的实时执行问题:30+ 参数面板调优、实时风控、Agent 每周自动进化。我推荐它的核心理由是它跟 TradingAgents 互补。 Telegram 价格异动监控:@hourintel,@0xcryptowizard 老师自己做的盘面异动提醒。配合 TradingAgents 的事件触发再跑分析思路很合适。 链上数据补充:Coinglass、Glassnode、Dune(手动看)。这块还没看到特别好的 agent 化产品,欢迎评论区推荐。 长期 trade journal:自己用 Notion + 跟 TradingAgents 的报告做对照存档。这一步没有现成产品,需要自己做。 # 写在最后 回到一开始的问题:4 月底到 5 月初这一波 TradingAgents 为什么爆? 如果你只能记一个答案,记这个:因为 DeepSeek 把成本砍到了散户能用的水平。 它做的事是从研究员玩具变成了普通人也能跑得起的工具。这是任何 AI 应用爆发的标准剧本。 如果你能记两个答案,记上 AI Agent 板块币崩盘后的反差红利。Virtuals 那波发币 AI agent 死了 140 亿市值,整个 CT 对 AI agent 这几个字 PTSD 了,反过来衬托出 TradingAgents 这种不发币、纯学术、Apache 2.0 全开源的项目特别有信任感。叙事从"AI agent 是骗局"变成了"发币的是骗局,工具型才是真东西"。 如果你能记三个答案,记上 Skill 这个概念在 2026 年的全行业共振。OpenClaw 13,000+ 个 community skill、Hermes Agent 的自改进 skill、Anthropic Claude 的 Skills 框架、Binance 的 7 个 AI Agent Skills。大家都在推 skill 范式。TradingAgents 的"分析师 / 研究员 / 交易员 / 风控"这套结构正好就是 skill 范式的教科书案例。 我日常会写 AI 和交易方向的实战内容。如果这篇对你有用,欢迎转发给身边在玩 AI 交易的朋友,也可以多关注一下我哦! Moss 最近的一些更新: 1、第三期 Agent 交易赛进行中,前三名可获得 Claude Max 订阅奖励 2、Hosted Agent 刚上线,无需第三方 AI 工具即可创建 agent 3、实盘跟单即将开放内测,感兴趣的朋友们可以私信我进核心用户群 创建 agent 👉 moss.site/agent ## 相关链接 - [Caelyn](https://x.com/caelynzh) - [@caelynzh](https://x.com/caelynzh) - [5.9K](https://x.com/caelynzh/status/2051187668424520045/analytics) - [TradingAgents](https://github.com/TauricResearch/TradingAgents) - [arXiv:2412.20138](https://arxiv.org/abs/2412.20138) - [TradingAgents-CN](https://github.com/hsliuping/TradingAgents-CN) - [tradingagents-ai.com](https://tradingagents-ai.com/) - [Trading-R1](https://arxiv.org/abs/2509.11420) - [TradingAgents](https://github.com/TauricResearch/TradingAgents) - [TradingAgents-CN](https://github.com/hsliuping/TradingAgents-CN) - [Moss](https://moss.site/agent) - [@hourintel](https://t.me/hourintel) - [@0xcryptowizard](https://x.com/@0xcryptowizard) - [moss.site/agent](https://moss.site/agent) - [2:30 PM · May 4, 2026](https://x.com/caelynzh/status/2051187668424520045) - [5,991 Views](https://x.com/caelynzh/status/2051187668424520045/analytics) --- *导出时间: 2026/5/4 22:20:45*
不 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。 投资 › 量化交易 ✍ KK.aWSB🕐 2026-07-07 量化交易开源工具Python风控AI辅助回测投资策略OpenBBQlibTradingAgents
A 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。 技术 › Agent ✍ MOSS 中文🕐 2026-05-06 AI交易加密货币量化交易新手指南MossAgent工具评测投资策略
拆 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。 技术 › Agent ✍ AI最严厉的父亲🕐 2026-04-19 AI交易量化交易CryptoLLM提示词工程风险管理OpenClawHyperliquid复盘创业
如 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。 投资 › 加密货币 ✍ Miles Deutscher🕐 2026-04-17 ClaudeAI交易TradingView自动化指南加密货币技术分析工具Agent量化交易
回 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。 投资 › 加密货币 ✍ Minara AI🕐 2026-04-16 量化交易回测TradingView策略研究HyperLiquid加密货币手续费趋势跟踪均值回归Minara AI
为 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。 技术 › Agent ✍ 我真的没有拼多多🕐 2026-04-01 AI交易量化交易系统搭建模拟盘OKXNext.js反思系统投资策略Agent进化风控
K Kimi K3 memory savings vs Jevon's paradox 本文深入分析了Kimi K3通过Kimi Delta Attention (KDA)技术实现的内存节省突破,对比了传统MLA和DeepSeek的架构,讨论了其在长上下文场景中的优势及对行业的影响。 技术 › LLM ✍ GDP🕐 2026-07-30 Kimi K3KDA内存节省长上下文DeepSeekMLA混合线性注意力KV cache
如 如何从零开始打造自己的爆款监控系统 作者分享了一套自研的自媒体爆款监控系统,涵盖多平台数据采集、R/M双信号评分引擎、两级AI分析管线及Vue前端部署。该系统实现了142个对标账号的自动化监控与爆款归因,大幅提升选题效率。 技术 › 工具与效率 ✍ 雪踏乌云🕐 2026-07-29 监控系统数据采集评分算法DeepSeekClaude CodeVueSQLite自媒体自动化Docker
算 算法交易是怎么吃掉华尔街的 文章回顾了华尔街从人工喊价交易到算法高频交易的演变过程。通过分析电子化、十进制报价和Reg NMS监管变革三道闸门,揭示了算法如何取代人类做市商,以及速度如何成为新的硬通货,最终导致交易逻辑和市场结构的彻底重构。 投资 › 宏观经济 ✍ snowboat🕐 2026-07-29 算法交易高频交易华尔街金融监管量化交易
量 量化交易中的市场状态自适应策略 本文介绍了量化交易中如何利用AI构建市场状态自适应策略。通过隐马尔可夫模型(HMM)和马尔可夫转换GARCH(MS-GARCH)检测市场状态变化,动态调整交易策略,以应对不同市场环境。文章详细阐述了四阶段框架,并探讨了多尺度架构的应用。 投资 › 量化交易 ✍ venus🕐 2026-07-24 量化交易AI市场状态HMMMS-GARCH策略优化风险管理
如 如何使用图工程构建多因子Alpha模型 本文详细介绍了如何利用图工程构建对冲基金级别的多因子Alpha模型。作者阐述了从Prompt、Loop、Swarm到Graph的技术演进路径,重点介绍了Slate这一运行时工具,它能通过JavaScript编写的程序自动化执行复杂的图结构任务,解决了多智能体系统中的协调与失败处理难题。 投资 › 量化交易 ✍ Roan🕐 2026-07-24 图工程多因子模型Alpha量化交易SlateAgentAI对冲基金系统设计
2 2026年普通人都能上车的AI风口:DeepSeek 创始人梁文锋3小时演讲精华提炼 文章提炼了DeepSeek创始人梁文锋关于AI未来的演讲精华,强调“克制”的重要性。梁文锋指出,想拿得多的人会被想拿得少的人打败。他为AI发展制定了清晰的路径,并建议普通人不要盲目追逐风口,而应注重提升“把话说清楚”和“长期沉淀”的能力,通过行业深耕和AI应用找到属于自己的机会。 技术 › LLM ✍ Gloria🕐 2026-07-24 DeepSeek梁文锋人工智能职业发展创业思维链智能体Coding AgentAI应用克制