Skip to content

README_doc.md

Latest commit

 

History

History
91 lines (60 loc) · 5.81 KB

README_doc.md

File metadata and controls

91 lines (60 loc) · 5.81 KB
Raw

BitgetAgent 项目说明文档

1. 发现的具体痛点与解法

具体痛点

在 Agent 开发和用户交易流程中，我们发现一个非常具体的痛点：

交易者有策略想法，但很难把它稳定地变成“可验证、可复盘、可迭代”的交易系统。

很多用户的真实流程是碎片化的：先用自然语言描述一个策略，再手写或找人写代码，再接行情数据，再跑回测，再看收益、回撤、胜率，最后还要人工判断风险规则是否可靠。这个过程门槛高、链路长，而且最危险的一点是：LLM 可以很快生成“看起来合理”的策略代码，但如果没有标准化回测、风险校验和可解释迭代，很容易从“一个想法”直接滑到“盲目执行”。

解法

BitgetAgent 的解法是把 Agent 定位成交易策略研究闭环，而不是直接喊单或自动下单。

用户可以用自然语言描述策略，然后由 Agent 生成符合 NautilusTrader 规范的策略代码和结构化策略定义；再通过 NautilusTrader 回测工作流验证收益、回撤、胜率等指标；同时用 YAML 规则引擎表达风控阈值、条件检查和策略约束。用户还可以继续追问 Agent：为什么开仓、为什么止损、怎么调参数、换一个市场周期会怎样，从而形成“描述策略 -> 生成代码 -> 回测验证 -> 风险检查 -> 解释迭代”的闭环。

2. 开发问题、当前功能、下一步计划与技术栈

开发中遇到的问题与解决方式

开发中最大的挑战是：LLM 生成交易策略很容易“看起来合理”，但交易系统不能只停留在自然语言和代码片段层面，必须能被验证、复盘和风控约束。

主要问题和解决方式如下：

  1. 自然语言策略不够结构化

    用户会说“做一个 BTC 均线突破策略”，但实际需要明确市场、周期、指标、入场条件、出场条件、仓位、止损、止盈、回测区间等。解决方式是把 Agent 流程拆成“策略理解 -> 结构化定义 -> NautilusTrader 代码生成 -> 回测验证 -> 解释迭代”，避免直接生成不可控代码。

  2. 策略代码需要可运行、可回测

    普通 LLM 生成的代码可能语法正确，但不一定符合交易框架约定。解决方式是基于 NautilusTrader 作为策略与回测底座，让生成结果尽量落到标准化策略代码和回测流程中。

  3. 交易场景必须强调风险控制

    如果 Agent 只优化收益率，很容易忽略最大回撤、连续亏损、仓位限制等风险指标。解决方式是引入 YAML 声明式规则引擎，用规则表达风控条件、阈值校验和策略约束。

  4. 多模型、多工具协同复杂

    项目需要支持 OpenAI、DeepSeek、Qwen/DashScope、Anthropic、本地模型等，同时还要接工具、工作流、MCP。解决方式是做统一的 LLM Provider、工具系统、QueryEngine 会话编排和 MCP 接入层。

当前已完成的功能

  • 自然语言创建 Crypto 交易策略
  • 生成 NautilusTrader 策略代码
  • 策略解释与多轮修改
  • NautilusTrader 回测流程
  • 回测结果分析，包括收益、回撤、胜率等指标
  • YAML 规则引擎，用于风险与条件校验
  • ReactFlow 可视化工作流编辑器
  • 本地优先部署，默认 SQLite
  • 多模型 Provider 支持：OpenAI、Anthropic、DeepSeek、DashScope/Qwen、Ollama、vLLM、Azure OpenAI 等
  • Agent 记忆、工具调用、任务执行、提示词分层管理
  • MCP 集成路径，支持连接 Bitget/Crypto 市场相关工具

尚未实现或仍在规划中的功能

  • 模拟交易环境
  • 实盘交易执行
  • 更完整的交易所适配器
  • 生产级风控系统，例如熔断、权限分层、人工确认、审计日志
  • 更强的策略版本管理和回测对比
  • 更细粒度的行情数据质量检查
  • 更完善的过拟合检测和参数稳健性分析

下一步计划

  • 补充策略版本管理：记录每次 Agent 修改后的代码、参数、规则和回测结果
  • 增加回测对比面板：支持多个策略版本横向比较
  • 强化风控优先交互：在高杠杆、合约、频繁交易场景下主动追问风险偏好
  • 建立模拟交易闭环：从回测进入 paper trading，而不是直接进入实盘
  • 深化 Bitget 工具接入：补充市场数据、账户能力、交易执行前检查等能力
  • 完善 MCP 工具编排和 Skill 工作流，让策略研究流程可复用

使用的框架、模型和 API

  • 后端：FastAPI、SQLModel、SQLAlchemy、Alembic、Pydantic v2、uv
  • 前端：React 19、TypeScript、ReactFlow、Zustand、React Query、i18next
  • 交易框架：NautilusTrader、ccxt
  • 数据库：SQLite 默认，PostgreSQL 可选
  • Agent 能力：QueryEngine、工具系统、工作流引擎、Agent Memory、PromptBuilder
  • 模型支持：OpenAI、Anthropic、DeepSeek、DashScope/Qwen、Ollama、vLLM、Azure OpenAI
  • Bitget 相关工具：使用了 Agent Hub / MCP Server 方向的集成，项目 README 中明确接入 bitget-mcp-server，用于连接 Bitget/Crypto 市场能力
  • 暂未明确使用：Playbook、美股数据 API；Skill Hub 层面目前更接近项目内置的 Agent Skills / SKILL.md 机制

对 Agentic Trading 的判断

Agentic Trading 不会先从“全自动交易机器人”成熟，而会先从交易研究、策略生成、风控校验、回测复盘这些环节落地。短期价值不是“AI 替你下单”，而是“AI 帮你把交易想法变成可验证的策略资产”。

长期来看，Agentic Trading 会变成一个“交易操作系统”。人负责提出假设、选择风险偏好和最终决策；Agent 负责研究、编码、回测、监控、解释和提醒。真正有壁垒的不是某个预测模型，而是把市场数据、策略代码、风控规则、回测引擎、交易执行和用户记忆组织成一个可信闭环。