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。
相关文档
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。
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。
为什么交易新人一定要用Minara AI
作者评测了AI金融平台Minara，指出常见AI Trading工具只给分析建议，而实际交易中的查数据、定策略、回测、执行仍需自己完成。Minara定位为AI-native金融操作系统，接入50+实时金融数据源确保数据可信，支持策略市场、自然语言生成策略回测（含手续费、滑点、Funding建模）、模拟交易与Autopilot自动化监控，覆盖加密货币、股票、黄金外汇市场，帮助新手完成从研究到执行的完整交易流程，实现Run Your Own Wall Street。
用 Codex 撸出 24/7 交易的 Trading Agent
文章介绍了如何利用 OpenAI 的 Codex 代理，结合 Moss 平台的 Skills（Moss Trade Bot Factory 和 hyper-follow），在不写代码、不懂量化的情况下构建 24/7 自动运行的加密货币交易 Agent。文中详细讲解了通过自然语言配置策略、自动进化回测、以及跟随高手跟单的两种实现路径，并强调了风控和实战注意事项。
AI 时代的量化交易系统构建分享
本文是作者在内部分享会上的复盘，重点探讨了 AI 如何降低量化交易的工程门槛。文章指出，利用 OpenClaw 等智能体，个人开发者可以独立完成需求文档编写、回测框架搭建、API 接入等全流程工作。作者详细讲解了从回测到实盘的信号层统一、技术分析的规则化参数化、以及常见系统误区（如过拟合、流动性筛选），强调在 AI 时代，量化交易的核心不再是代码能力，而是交易逻辑的系统化拆解与数据验证能力。
Hermes 链上分析师工作流构建指南
本文介绍了作者如何利用 AI 智能体 Hermes 构建一套自动化的链上数据分析（Onchain Forensics）流程。该流程通过 x402 支付协议集成了 Nansen、DexScreener、Tokenomist 等工具，能够自动追踪钱包持仓、识别巨鲸买卖行为并生成可视化报告。文章展示了具体的技能组合配置、运行成本分析及实际应用案例，体现了利用 AI Agent 进行低成本、高效率加密货币投资的实践。
用“女娲”Skill 蒸馏 Crypto 大佬交易人格，Agent 竞技场实战复盘
作者利用“女娲”Skill 将 Wintermute 创始人、Dragonfly 合伙人和 3AC 联合创始人的交易人格蒸馏为 AI Agent，并在同一交易竞技场进行 150 天回测与实盘。实验发现，蒸馏出的策略差异巨大，不仅复刻了真人的交易风格，也保留了其弱点，展示了 AI 在量化交易中的人格化应用潜力。
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。
DS Bot开源了，那Grok Bot 和 DS Bot，到底该选哪个？
文章对比了社区开源的 DS Bot（DeepSeek-Bot）与 Grok Bot 两款多角色 AI 助手。核心差异在于'动手能力'：Grok Bot 提供托管云电脑，可操作浏览器、跨网站执行任务且合盖继续运行；DS Bot 内置浏览器仅能读网页，但支持自选模型、MCP/Skills 扩展和可检查的 Markdown 记忆。文章从网页操作、模型控制权、数据与权限、成本等维度给出选购建议：不想维护、需要网页自动化选 Grok Bot；已有 API、重视控制权选 DS Bot。作者建议先用一个每周固定任务实测，再决定是否扩展。
新手想省 Token 到底该选 Pi Agent 还是 DeepSeek Harness
作者对比了 Pi Agent 和 DeepSeek Harness 两款 Agent 工具的选择问题。Pi Agent 核心精简，适合喜欢自己掌控工作流、DIY 工具和 Context 的用户，但插件装多易冲突；DeepSeek Harness 采用 Everything is a Plugin 思路，配有桌面 App，适合想快速上手、不喜欢终端的用户，但仍处测试版且有破坏性升级风险。作者指出省 Token 的关键不在初始 Context，而在工具加载方式、历史内容携带、任务重复执行及 Prompt Cache 复用率。最后建议：熟悉终端的写码者选 Pi，偏好图形界面者选 DSH。
如何与Muse对话：由 Muse 本人写的实操手把手教程
本文是 Meta 个人 AI 智能体 Muse 的实操教程，强调 Muse 不是聊天机器人，而是能自主执行任务的 Agent。文章涵盖安装与上手步骤（App、网页版入口）、连接器授权、长期记忆设置等基础操作，提出好指令公式（目标+材料+边界+交付），并给出每日简报、制作产物、购物预订、深度调研、内容创作五大场景的具体模板。同时详解审批机制、密码安全、数据时效等安全要点，以及分身聊天、定时任务、语音派活等进阶技巧，最后附新手第一周上手清单，帮助小白快速学会向 AI 派活。
How to Build the Most Powerful AI Trading System (Hedge Fund Infrastructure)
文章阐述了如何构建对冲基金级别的 AI 交易系统。作者指出，AI 模型本身不是瓶颈，缺乏基础设施才是关键：散户 AI 缺少数据、算力和交易执行三大层。数据层需避免幸存者偏差和前视偏差；算力层需要集群化回测；交易层需全天候执行。通过 MCP 协议，可将 Claude、ChatGPT 等 AI 接入 QuantGPT 终端，获得机构级数据仓库、云端研究算力和实盘交易能力，以远低于 Bloomberg 终端（约 3 万美元/年）的成本（49-149 美元/月）构建完整 AI 交易系统。
