tradingagent使用教程

最近有个炒股软件在外网，在外网非常火啊，叫做这个 trading agent， 今天我们讲一下 trading agent 的 这个安装方法啊。首先呢我们打开这个 g tab gta 呢，是国外的一个非常大的一个这个软件分享平台啊，基本上很多开源的，比如我们 dipic， 还有很多这个软件都在上面有开源。然后今天我们要找的就是这个确定 agent， 这里呢就打开这网页，然后搜索就行了 啊，在这里呢有第一个难点，第一个难点就是这个 trading agent， 它在国用，国内的这个网可能是打不开，所以我们呢要下一个这个，呃， stream， stream 这个去加速啊， 这个加速之后呢才才能这个畅通无阻的下东西啊，然后我们就继续下载啊，这个 trading agents， 这个我们呢今天选一个最简单的安装方式，就是这个，我们用这个绿色版啊，绿色版安装，首先点开这个啊，点开这说明 好，然后按照这个说明啊来操作就行了。首先呢这个关注公众号啊，这个打开微信，然后关注公众号 获得这个那张地址啊，微信我这已经打开了啊，关注了，直接点一下地址，他就直接会会出来这个下载地址好，然后 往下拉啊，然后下载呢，是通过网盘下载的啊，我们呢从他的这个地址里面点，点进去，点进去到这个提取啊，提取出来就行了， 然后接着接着下载到这个电脑上啊，这个必须呢，下载到这个第一盘啊， 第一盘的这个 test 目录，在第一盘自己新建一个这个 test 目录啊，然后把文件下载进去，嗯，这他们他是解压到这个这个文件夹啊， 然后呢，我们下一步解以后啊，然后以管理员身份运行泡沫穴，这泡沫穴呢，如果你没有的话啊，然后我们这里刚好有一个 它安装包，里面自带一个这个 ex 一 的，直接把这个解压，然后安装，安装之后也是一样可以用的啊，就是这个解压完就是那个泡沫穴 啊，我这里我这里已经打开了啊，然后线啊，我这里已经安装完了啊，然后继续往下，然后呢在弹窗里面首先输入一个 d， 然后切换到 d 盘啊， 然后是再输入这个文件夹的名字，这里是第二个难点啊，刚刚第一个难点就是这个 steam 去加速啊，这第二个难点就是在这里了， 我们要找到的是这个文件夹，比如我解压之后是在这里面的，所以我要把这个地址给他复制进去才行得通啊，就就是在这底下这里 看，在这里要把这个名字，把我的文件夹的名字输进去，输对才行得通啊，输完之后再输入下一步 点这个这样哦， ps one， ps one， 然后就进去了啊， 然后就继续等到安装就行了，安装过程大概有一个五六分钟吧，然后有可能会报错，报错呢，可能就是因为因为这个权限问题了，我们呢可以用这里的，也可以问豆包啊，我就是问的豆包， 来可以看一下啊，我之前问的豆包脚本执行出问题了，然后就问豆包，豆包会给你代码直接解决啊。好，然后这里第二个难点，然后我们继续往下，继续往下呢，就安装完之后，我们打用浏览器打开 输入这个网址啊，我这里已经输入了，这里就在这里输入之后，哎，往这一输就进去了 啊，就到了这里，到了这里呢还要还要做两个事情啊，当然这里也提到了啊，这里还要这个配置一下啊，我们首先呢那个 api 的 那个文件啊， 啊，在这个这个文件啊 啊，这里下载完之后啊，这前面是一样的，然后呢这里就要安装完之后密码啊，然后这里给的就是在浏览器打开打开之后呢输入账号密码好，然后就进来了 啊，要进行分析呢，必须有必须有参数嘛。然后这里呢主要就是配置两个 ai， 一个是要配置这个 ai 大 模型啊，我们使用的阿阿里云摆链和这个 deepsea， 我 们其实拿到阿里云的这个就可以了啊，阿里云呢，我们就直接打开它这个网站就可以了， 直接这里这里有网址嘛？官网啊，我们再打开 啊，我这里已经打开了啊，在打开之后有一个这个获取这个 key 的 啊，就在这里，你要管理就是在你的工作台啊，阿里云，阿里云百店 工作台，这里底下有个密钥管理啊，这里创建一个就可以了，基本上都是可以通过的，然后第二个就是这个，呃， tu 啊， tu 需要这个，这个不要拿这个还要还要有这个还要 交钱才能拿啊，所以但我们拿一个也不影响啊，我这里已经试过了，拿一个，我分下这个代码啊， 也不影响，可以可以继续用啊，也可以这个生成。这个很多啊，比如市场分析、基本面，多头研究员、工头研究决策、交易员计划、基金分析师、保守分析师、中信分析师， 然后最终交易决策、投资建议都有啊，然后呢？我们也可以这个通过这个去分析一下啊。

你有没有想过，如果能用一群互相协助的 ai 智能体来完整的模拟一个顶级的高绩效的交易公司，那会是什么样？这听起来是不是有点科幻？但这恰恰就是我们今天要去深挖的一个项目的核心思想。 好，今天我们整个分析的路线图大概是这样，我们先来看看传统量化交易到底有什么痛点， 然后深入介绍 trading agents 这个创新的多智能体框架。接着我们会深入它的架构和工作流程，看看代码是怎么实现的。最后也是最重要的，用硬核的性能数据来看看它到底行不行。好，我们从第一部分开始， 首先得问一个问题，就是我们为什么需要这么一个看起来挺复杂的系统？其实啊，这背后揭示了现代金融市场里一个特别核心的矛盾，你可以把传统的量化模型想象成一个有点磕板的数学家， 他非常擅长分析那些干干净净、排的整整齐齐的结构化数据，比如历史价格、交易量。 但真实的市场呢，它更像一个乱糟糟、信息爆炸的广场，里面充满了各种新闻、社交媒体上的风言风语，还有突然冒出来的地缘政治事件。 传统模型对这些东西说白了基本上就是个睁眼瞎，这就产生了一个巨大的信息鸿沟。很多时候，交易决策所之所以会错，根子就在这，那么要怎么跨过这条鸿沟呢？ 答案可能不是去卷一个更牛的算法，而是需要一种全新的思考方式，一种范式上的转变。所以啊，这个 trading agents， 你 千万别把它只看成是一个算法，它更像是一次对金融 ai 的 重新思考和设计。 你看这篇论文的摘药，其实说的特别到位，他点出了最核心的一点，这个项目的目标不是要去造一个什么都知道全能的交易之神， 他的思路反而是去模拟一个真实世界里那种分工明确、高效协助的专业团队。 我觉得他最妙的地方就在于他把一个特别复杂的交易任务拆解成了我们一听就懂的几个角色。你看啊，有专门负责搜集各种信息的分析师团队，就像情报部门。然后呢，有负责正反方面论的研究员，确保不漏掉任何一个角度。 有了信息课，观点就轮到交易员来做决策了。但决策做出来还不算完，还得有风险管理团队来把关，最后有基金经理来拍板，是不是跟一个真实的基金公司一模一样？ 每一个 ai 智能体都扮演好自己的角色，各司其职，最后共同完成一个目标。好，那理论我们听明白了， 关键是这个魔法到底是怎么发生的？这些 ai 智能体之间到底是怎么沟通，怎么协助的呢？我们现在就来一步步拆解它的整个架构和数据流， 整个工作流程，你可以把它想象成一个涉及的非常精密的决策流水线。第一步，请报搜集四个分析师智能体就像四只侦查小队同时出发，从基本面、新闻、市场情绪和技术分析这四个方向并行的去搜集数据。 好，情报回来了，进入。第二步，研究辩论。这些信息会扔给研究团队，团队里有一个看涨的和一个看跌的，他俩就开始激烈辩论，把数据里里外外的好坏都给你掰扯清楚。辩论完了，就到了第三步，形成决策 交易员智能体商场综测所有信息，形成一个初步的交易计划。但这还没完。第四步，风险评估。 这个计划会交给风险管理团队，他们会从激进、中性、保守这好几个不同的风险角度再来一轮辩论，对计划进行压力测试。最后，只有经过了这一层层考验的计划，才会被送到基金经理那里做最后的审批和执行。 那你想想，要让这个复杂的流程跑起来，靠的是什么？当然是海量的各种各样的数据。这个系统吃进去的数据可不只是传统的股价交易量这些，他还会去看新闻、社交媒体，去赌公司的财报，甚至连内部人员的交易记录都不放过， 目的就是为了拼凑出一个对市场的三百六十度无死角的全景图。好，那问题又来了，这些 ai 智能体怎么就能做到这么专业，还能互相辨论呢？ 这背后的核心技术是一个叫做 react 的 prompting 框架。 react 就是 reasoning 推理和 acting 行动这两个词儿的结合。 他给了 ai 一 种先思考再行动的能力，这就像一个真正的人类分析师，对吧？他会自己想，嗯，我需要搞清楚这家公司的盈利能力，然后他会决定。好，那我现在就去查他的最新财报。这个思考行动的循环就是 react 的 精髓。 正是因为有了这种能力，这些智能体才不再是简单的脚本机器人，而是真正能够协同工作的智能体。 ok， 理论和架构都讲完了，是时候上点硬核的了。我们来看看在代码里，这一切到底是怎么实现的。 如果你是个开发者，想自己上手玩玩，那过程其实非常直接，三步走， beat， clone， 把代码库脱下来， cd 进到目录里，然后一个 pip install， 把所有依赖装好，就这么简单。 整个过程都是标准化的操作，没什么复杂的配置，几分钟就能把环境跑起来。好，现在来看代码，这里面最让我觉得惊艳的就是它的核心逻辑被封装得非常非常简洁。你看第一行代码， t 等于 trading agents， graph 等等， 这一行它促使化的可不只是一个简单的对象，它是在后台帮你把我们前面提到的那一整个 ai 交易公司给建立起来了，所有决策全部待命。然后你看第二行，调用 propagate 方法，你只要告诉他你想研究哪只股票和哪个日期， 这就相当于你给这个 ai 公司下达了一个指令。接下来我们前面讲的那个复杂的分析变论决策流程，就会在后台全自动地跑一遍，最后它会直接给你一个结果， decision， 是 买是卖，还是持有，这就是高度封装的魅力。 ok， 架构很漂亮，代码很优雅，但最关键的问题来了，这东西到底行不行啊？能赚钱吗？理论说再多都没用，我们直接上数据，用事实说话。 好，我们来看这张性能对比表，这是在苹果股票上的回测结果。首先看累积回报率， trading agents 跑出了二十六点六二百分之一的正收益，而中期的买入并持有策略，就是说你买了不动，结果是亏了五百分之多。 但作为一个专业的系统，光看收益是不够的，你还要看风险，这时候就要看下浮比例了，这个指标衡量的是你承担每一单位风险能换来多少回报。 你看 trading agents 的 下浮比例高达八点二一，而其他所有精准策略，要么是负的，要么就是非常低，这说明什么？说明它不光能赚钱，而且赚得非常稳。 如果我们把这个累计回报率用图表画出来，这个差距就更直观了。你看最左边这根高高的柱子就是 trading agents， 旁边几个呢？是其他策略。这已经不是简单的更好了，这完全是量级上的碾压。这种压倒性的优势恰恰证明了我们一开始的假设是对的。 通过整合那些非结构化数据，再通过多智能体的辩论机制，这个系统确实捕捉到了传统模型完全看不到的市场信号。而且它还有一个很多 ai 模型都没有的巨大优势，那就是可解释性。 它不像很多深度学习模型，完全是个黑箱，你不知道它为什么做出这个决定。对于 trading agents 做出的任何一个决策，你都可以把整个链条都翻出来看 分析师当时收集了什么报告，研究研正反两方是怎么辩论的，每一步都有据可查。在金融这个行业，这种透明度是至观重要的，不仅是为了建立信任，更是为了系统调试以及满足严格的合规监管要求。 所以你看今天我们深入分析的 trading agents， 表面上看是一个交易系统，但它的核心思想其实是一种模拟人类协助智能的强大框架，它的意义已经远远超出了股票交易本身，它展示了一种全新的、自动化的解决复杂问题的方式。 这就给我们留下了一个非常值得思考的问题，如果 ai 今天可以模拟一个交易公司，那明天呢？ 他是不是也能模拟一个顶尖的科研团队去攻克科学难题？或者模拟一个战略咨询公司，甚至一个城市的管理系统？这背后展现的可能性，也许才是这项继父真正激动人心的未来。

那今天我们讲一下我们之前所要说做一个交易 id， 然后我先介绍一下我基本的一个设备情况啊，这台设备上我运行的是 oppo pro， 然后我是通过 oppo 去控制 oppo pro， 就 安装在这台电脑，这台电脑是我办公用的，然后这台电脑呢，基本上是没有任何我的个人信息和资料的，也是为了保证安全起见，因为 oppo pro 它本身的这个安全性以及它的这个稳定性还没有被证实，也是一个初级阶段的一个产品，所以为了安全起见，我是把这个交易 id 呢搭建好了。那基本采取的一个方案呢？是第一个，我会获得 一些社媒网站上一些交易 k r 或者一些 super k l 的 一些情绪啊，他们发他们所发的一些，然后我都会及时的去采集下来，然后汇总会汇总到一个交易分析中心里面去分析。然后第二个呢，我会去从一些去拿一些行情或者是价格的数据，然后也会汇总进来，然后再再从一些第三方网站上 拿到一些整体交易的一些分析，比如说多空的情绪，多空的恐慌指数是什么样子的，然后把这些指数采集下来，然后统一送到我的交易分析中心进行交易分析，然后给我一个交易的信号以及交易的一个行为，然后他向我确认，然后我会完成这个整体的一个交易。 先说说整体下来这些信号，这些信息怎么拿到哈？那的这些信息呢？基本上有第三方的付费接口啊，也有一些免费的，甚至说一些通过 rss 订阅的方式来去做，我现在采用的完全全是这个呃， rss 免费的这个方案啊，位置这样的话。但是这里面有一个问题，就是这些其实并不是很及时啊，但是对于我来说也不做个别交易，只是做一些中低频的交易，也不也不去做这些量化或者是套利 交易，可以做一些中长期的交易。所以这些，呃，这些时延时对我来说还好啊，因为 oppo pro 它本身现在的时间也不足以去支撑去做两化交易，因为它整体比如说我发消息给 oppo pro， oppo pro 通过呃，这个 ai 大 模型，这些时间本来就是比较长的了啊，然后它就是只能做一些中低频的交易啊。但是呢，我现在 申请了一些 api 的 子账户，也就是说如果我可我愿意授权给这个 oppo club， 然后他可以通过这些数据信息的采集，然后完成分析，然后并且产生交易信号，并且自主的去完成这个实际的交易。但是我担心，因为我现在交易账户已经大概有一百多万的资金，虽然说我开设了此账户的 api 的 k， 但是我依然会担心他会去出现一些问题，然后他能够收集到我的账户姓名，这个风险是比较大的，所以我准备去准备一个新的账户，然后通过账户隔离的方式去把这个资金独立起来， 这样的话交易会更安全啊。但是所有的交易账户都需要经过 kvc 啊，我目前我的 kvc 身份已经 kvc 过了，所以得想办法去找一个新的账户，然后打少量的资金让他去交易啊。 嗯，然后这些就基本上是我去做的交易，而且它的能量去很强大，相当于我觉得目前的首先 ai， 它的能力很强大，但是它通过 oppo 的 这样的一个方式，能够让这些大模型有了手，有了脚，它能够唤醒或者是并行的去主动的通过自己写代码的方式把它串联起来，确实非常强大啊。但是在我工作的过程当中，确实发现它还是比较出 一阶段的产品，就未来这些手 a a 大 墨镜的手和脚，他会不断的强大，他未必是不可靠，但是一定是有这样的一个产品潜在的存在，所以大家一定要去多多尝试 啊。然后，呃，如果不会安装可不可靠的，可以去淘宝上去找一些第三方去帮你安装，基本上一百块钱两百块钱就搞定。并且这个目前他越来做的安装的流程也做的越来越好了，也比较简单，自己安装也 ok， 但是一定要做好照护和信息安全的隔离，采用一台新的设备啊。然后并且我也试过这个云服务器，这个云服务器的成本还是比较高的， 我试着运行了一天的这个服务器，基本上一天能消费到一百块钱啊。然后当然我选择因为我可能要去做交易，所以我采用了新加坡的这些节点，他离世界级的这些， 他的这个物理距离会更近，可能在时效上会更有保证。那新加坡的服务器呢？相对来说会更贵一点，流量费更贵一点，所以比如说我让 oppo 做一些监控的任务，他很快就把这一百块钱消耗掉了， 嗯，当然可能也是因为我程序设计的不合理，他，呃监控的频率会更高，那这监控频率更高，那他向服务器请求的次数也就会越多，可能对流量也都是一种浪费啊。但是，呃，所以说拥有一台本地的电脑，那相当于拥有了一台免费的服务器，那这台电脑可以用三年，五年甚至十年，所以它整体下来它的成本是非常可控的。所以这就是为什么在二手市场上或以及苹果 mac mini 那 么火的原因 啊。我当时也是冲动差点去购入一台 mac mini， 但是我现在这个 mac pro 的 笔记本我觉得也 ok， 也够用了。但我现在主力用的这台工作的这个 mac pro， 呃，这个价格也很高，大概一万六左右，所以，但是这个一万六的配置完全没有必要哈。我觉得运行 oppo pro 可能八千块钱一，一万块钱左右的 mac pro 就 够了，如果你买 mac mini 的 话，那成本会更低一点啊。对， 所以说整体大家去做用 openclo 的 这个交易 ag 呢？呃，思路会比较清晰哈。就是我建议大家去通过 openclo， 通过第三方免费的 a p i 或者是 r s s 的 方式去订阅这些交易媒体上的一些观点，你喜欢的 k l 或者是你值得关注的 k l， 然后及时的发现他们的内容和帖子，拿采集过来，然后再把一些基本的行情和价格信息采集过来， 通过这分大模型的分析，然后创建成交易信号，然后自主的完成交易。当然自主的交，完成的交易你可以让 oppo ql 向你确认，然后当你只有你确认的时候，交易才会真正的发生，这相对来说会比较安全一点，毕竟 oppo ql 它还是没有那么的稳定。嗯，好，今天就介绍到这里，我们下期再见。

挑战下班后的三十分钟，学个 ai 技能！第二十一期，朋友们，基金经理的天塌了！最近呢，一个被称为 ai 股神的开源项目火了！ 麻省理工学院的一群研究者啊，开源了一个叫做 trading a 证的项目，用 ai 炒股苹果公司的股票，狂赚百分之二十六点六。它呢，是基于多智能体的协助框架，号称是目前最强大的 ai 量化交易智能体， 短短几天，袋数就已经达到了恐怖的五点七 k， 在 国内外非常火爆，在对苹果股票的模拟交易中，竟然跑出了百分之二十六点六的回报。 传统的 ai 自动理财模型往往都是单兵作战，当 a 阵的模式，缺乏真正的协调和决策能力。而 trading agent 则 完美模拟了人类金融团队的运作模式，通过多智能体协助，构建了一个分工明确、协助紧密的智能体网络，实现了从数据分析到策略置顶再到风险管理的全链路自动化。基本面分析师评估公司财报， 根据行业报告、宏观经济数据推理出公司的内在价值变化趋势。新闻分析师呢，紧盯全球新闻，用智能算法捕捉市场的风吹草动。技术分析师运用 macd、 rsi 等专业指标 识别交易模式，并通过 ai 大 模型的推理能力预测短期价格波动。还有看涨研究员、看跌研究员、操盘手、交易员、风险管理团队。每一个智能体都有特定的专业知识和角色，能够进行动态讨论和协调决策， 付出起来呢，也非常简单，克隆仓库安装项目依赖，再填上 a p i p 就 可以直接使用了。如果说你对 ai a 证的复杂系统设计和量化交易感兴趣，这个项目或许值得你花时间研究一下。关注我，下期教你如何运用 ai 工具轻松成为设计师。

大家好，我是老猫，欢迎来到老猫指标，这是一个致力于测试各种股市指标和策略，以及分享技术分析知识的频道。 所谓公寓善其事必先利其器，我们做交易看盘软件自然是最重要的工具。大家好，这一期我们来聊聊确定没有一些非常实用的功能。自从老猫成为 up 主以来，经常会有观众问我用的是什么看盘软件， 以及一遍又一遍的问指标如何添加等等。那么老猫希望通过这一期的视频，能够帮助吹牛逼的新手进行一些简单的扫盲。首先，老猫个人认为，吹牛逼是目前世界上最好用的看 盘软件，没有之一。老猫做交易这么多年，各种平台软件用了一大堆，但是一旦上手，确定六就再也没有离开过。确定六可以通过网页直接打开，手机上也有 app， 由于确定六所有的设置都保存在云端，非常方便， 不像 mt 四， mt 五还得下载软件，保存好自己的模板文件。翠丽没有有免费版，也有收费版， 一般而言，免费版的功能已经非常够用，收费版从便宜的 pro 到最贵的 premium， 价格的差距还是蛮大的。不同版本的区别，你可以在选择方案的页面上看到，这里就不详细展开了。建议刚开始用吹牛逼的新手不需要直接去购买， 等用习惯了再考虑付费。同时，如果你选择付费的版本，可以先试用三十天，等试用快结束的时候推进。 bu 会给你一个非常不错的 discount， 那个时候加入会非常划算。 崔定六的图表页面非常简单，带这个模板，老猫简单添加了两个指标，我们来快速看一下崔六六的几个功能面板。第一次进来的时候，我们可以根据自己的喜好在左上角的设置， 例如可以选择对应的语言，然后可以选择明暗两种不同的模式。顶部这个是自动保存模板的按钮，老猫默认是把它关闭，需要保存的时候，老猫会手动通过 ctrl s 键来保存。下面 这个 siri 如果打开之后，可以复制模板的链接分享给你的朋友。然后左边这一栏是工具栏，通过点击工具栏边上的小三角，可以打开更多的软项。 同时如果你有经常用的工具，可以点击这个五角星，这样就可以添加到快捷工具栏上。快捷工具栏可以通过左下角的五角星点击打开， 我们可以看到这样一个快捷工具栏，那么你可以把它放到一个你喜欢的位置，之后添加新的快捷工具 就会显示在这个位置，同时你也可以通过拖拽来排序。然后是底部的功能面板。第一个是选 骨气，这里你可以通过各种不同的条件，不管你是做技术面还是基本面，有很多不同的条件可以选择。 第二个是记事本面版，这个比较鸡肋，老猫基本不用。第三个是指标的编辑器，欢迎艾特我们寻找一个指标，点击 south code 就可以看到这个指标的原代码，顺便提一句， 没有代码基础或者对代码不感兴趣的是可以跳过这一部分。如果要新建一个指标，可以点击 o 本，然后新建一个指标，当编辑完成之后可以保存，然后添加到图表上，你也可以发布到社区，让大家 起来用在编辑器里。如果我们想要知道一个函数的用法，可以按住 ctrl 键进行点击， 点击之后就会出来一个用户手册，根据用户手册的内容，我们就可以知道如何使用这个函数，目前开发文档都是英文，没有中文。然后第四个面板是策略测试器， 例如这里添加了一个 ttm 挤压指标，在测试器里就可以看到这个策略大概的胜率，以及一些相关的具体信息。 这个策略也是需要通过拍 scrape 来编写。拍 scrape 对于学计算机的来说是一个非常简单的脚本语言，但是对于完全不会编程的人来说还是很有难度 的，作为新手可以之后慢慢研究。测试器是一个非常有用的功能。最后一个是交易面板，这里确定六有一系列合作的平台，如果你使用其中的任何一个，那么就可以直接链接到你的平台， 这样你就可以在确定标上直接操作。确定标也提供了一个 paper trading， 但是一个模拟账户。然后我们再看面板的顶部。第一个是选择交易的品种，我们可以输入关键字就能找到对应的品种， 例如上阵我们可以选择零零零零零一，我们可以看到这是上交所。顺便提一句，目前确定六对一些亚洲股票的数据都是有一定的延迟的。然后 边上是交易的周期，点击下拉选项，我们可以选择自己想要做交易的交易周期，点击小心心，可以把这个周期添加上去付费的会员也可以自定义自己的周期， 比如四天、九天这些不是常用的周期。然后是蜡烛图的类型，我们选择常用的蜡烛图就可以，这个是品种叠加对比，我们可以把 eth 对比上去， 那么通过对比我们就可以查看两个有相关性的品种之间的强弱关系，比如比特币和以太币，在这个部分以太币走的就比较强，那么我们可以把两个品种叠加在一起， 看之间的相关性。然后这个就是指标，那么收藏过的指标都会在收藏栏里， 例如这是之前老猫测试过的 macd 金子叉版本。如果要使用这个指标，首先我们可以打开指标的链接，然后点击 添加收藏之后所有添加过的指标都会出现在这个收藏栏里边，点击指标就可以直接把指标添加到图表上。然后这个 financials 是一些做基本面有用的隐形，老猫基本不用， 因为我只做技术面，不看基本面。然后这个是确定 view 预设的一些模板，然后这个是警报功能，警报功能就不用多说了， 价格到了什么位置，我们就可以设置一个警报，比如说这个价格是往上穿还是往下穿，或者只是不管上下 有很多不同的逻辑在里边，那么可以根据自己的逻辑去设置各种不同想要的警报。然后这里非常有用的一个功能就是回放功能，我们点击之后又出现这一条线，我们点击它， 这里就开始有一个回放，那么这边有一个播放的按钮，我们可以点击播放， 然后之后他就会不断的一根一根的 k 线往后走，那么我们也可以用手动去点击他，通过这个功能我们可以 不断练习和测试自己的看盘能力和交易策略。目前免费版本只能在日线级别下做回放，收费版本才能在不同的周期下做回放， 这个回放功能还是非常有用的。然后这一个是分屏功能，只对收费版开放，设置之后可以选择不同的分屏格式， 然后这个是模板的保存按钮，点击就可以把这个模板保存上去。然后这个是设置按钮，第一次使用的时候，我们可以进行一些简单的设置，例如红掌绿跌，那么你可以调整 自己的颜色，具体其他的设置你可以简单的过一遍，基本上设置过两三次之后 后就不需要太多的设置这边的时区，也可以选择自己的时区，设置好时区之后，时间就和你当地的时间相匹配了。右边的功能栏第一个是列表，如果我们要把这个比特币加入到列表， 我们可以通过使用快捷键 lt 加 w， 这样就添加到了这个列表里边。收费版还可以进行分组以及使用不同的颜色标签。 然后这个是警报系统，我们设过的警报都会在这里显示，下面几个老猫也不太常用新闻啊，或者一些相关的信息，以及一些让 df 厉害的品种都会在这里显 显示，以及一些重要的日期，一些社区上发的一些观点，以及一些各种各样的聊天，这个可以自己去研究一下。好，这就是确定 view 的所有功能面板。最后附上一些老猫常用的快捷键， 例如 out v 可以画一条竖线， out h 可以画一条横线， out t 可以画一个线段。然后如果我们移动盘面 想要跑到最新价格的话，我们可以使用 l r， 这样就可以跑到最新的页面上来。如果你要画非波纳妾，可以使用 lt。 f。 如果你要查看一个幅图指标，你双击就可以把这个图变大，然后再双击 可以把它变回去，关闭就把它关掉。好，这就是针对吹牛逼，有新手的扫盲教程，还没有注册吹牛逼的可以通过视频下方的链接进行注册，希望本期的内容对新手有帮助。最后的最后， 老猫在 slex 上建立了免费粉丝交流频道以及收费会员频道，需要加入会员的可以在 slex 上私信老猫 slack 的邀请地址，我会贴在视频的下方。由于 slack 的邀请限制，邀请链接目前有效期设为三十天， 需要加入的可以点击链接。好了，那么这一期的分享就到这里，谢谢观看，我们下期再见！最后还没关注和 订阅的朋友，如果可以的话，麻烦帮忙关注和订阅一下，您的支持是我持续做更好视频动力，我是老猫，谢谢观看，我们下期再见！

还在盯着屏幕手动拉线吗？介绍一个 github 上刚火起来的多智能体量化框架，能帮你把顶级投研的五套人马直接装进私人电脑。 很多人以为量化交易就是写几行买卖脚本，可如果你连实时研报都没看完，连对手盘的逻辑都没摸透，你的策略可能只是在给市场送钱。但如果你的交易系统不再是一个冷冰冰的程序，而是一群会开会、会吵架、会复盘的 ai 代理呢？ 想象一下啊，你以前做交易，不仅要看 k 线，还要盯着新闻，这个叫吹丁 agents 的 开源项目，直接把这种脑力超载给物理降为了在系统里搭了一个完整的虚拟投资银行。一个出场的是分析团队，他们就像是一群七成二十四小时不睡觉的实习生， 任务就是疯狂攥取。他们不止看 k 线，还盯着全球新闻流、社交媒体情绪。如果市场上出现立好传闻，分析团队会立刻给出一个情绪评分，而不是像传统程序那样傻傻的等均线交叉。 接着是研究团队，这是这个项目最硬核的地方，研究团队不停风就是雨，他们拿到情报后会立刻复合。这个逻辑在历史上出现过吗？胜率是多少？如果数据对不上，研究团队会直接在系统内行使否决权。 最精彩的来了啊，这群 ai 代理不是各自为战，他们真的会开会。想象一下，你的服务器里正在进行这样一场对话。分析代理先拍桌子，伙计们，推特上某个大 v 刚刚发文看多散户情绪高涨，我建议立刻入场。 研究代理推了推眼镜，冷冷的甩出一份回测报告，别急，我刚刚调取了过去三年的数据，情绪爆发在周五下午，往往是又多陷阱，历史胜率不到百分之四十，我反对入场。 这时候风险管理代理跳出来警告，先别管逻辑了，现在的波动率已经超过了我们设定的预值，如果现在开仓，只要一个百分之二的反抽，我们就得报仓，我要求缩小百分之五十的预期仓位。投资组合经理一锤定音， 分析团队继续监控研究团队去推演备选方案，如果没有确定性信号，所有人按兵不动，我们是来赚钱的，不是来赌命的。这种多维度的博弈，把人类交易员最容易犯的冲动和固执，在毫秒级的算法对垒中直接抵消了。 风险管理代理就像是一个坐在你背后随时准备拍掉你乱点鼠标的那只手的冷库监督员，他会实时监控全仓的风险场口，一旦发现亏损触及止损线，他会绕过所有人，强行要求执行减仓。这种反人性的硬性风控，才是个人开发者最缺的救命灯塔。 而投资组合经理则是总指挥，他不会只盯着一个品种死磕，而是大局调度，现在该主攻趋势还是该切换套利，他会动态分配资金。这种多策略对冲的思维，如果靠人工去算，头都要炸，但交给 ai 代理不过是微妙级的逻辑转换， 最后才是负责扣动扳机的交易代理，他只需要根据指挥官的共识去精准寻找入场位，他自带动态算法 策略，因为意外黑天鹅导致大幅回撤，他会比你更快一步。官仓之前提到过的同事啊，自己手搓了一套逻辑，结果行情突变，那天他在午睡， 策略因为没考虑到基本面，风险回撤到想哭啊。这种认知盲区，如果能通过这种五位一体的多角色学做去对冲，你的仓位会更有安全感。 多人问，这和普通脚本有什么区别？最大的区别在于它是在模拟一个真实的建制完整的专业机构，它解决了你一个人干不过人家一整个团队的痛点。 你只需要在上面进行二次开发，你的起步会被别人更省力赚钱。这种昂贵的投研体系只有头部机构玩得起，现在通过几行代码就能在本地跑起来。 这种生产力的跨越，可能才是普通量化人反击的机会。现在的量化市场，比拼的已经不是谁的手速快，是谁的角色链条更接近专业机构。

今天我搭了一个网站看一下，这个网站里面它会有一个最基础的一个分析，里面会有一些快速操作。最近这里面还有一些学习，比如说一些 ai 的 一些相关的一些知识，一些学习，还有一些推荐的一些阅读。股票分析、单股分析，比如这里面我给他把那个 不管是 a 股、美股或者港股全部支持，把它股票代码分析日期写进去之后，它会有个一级、二级、三级、四级、五级的一个分析维度。一级是快速分析，做一个基础的一个决策。二二级就是常规的一个决策，三级是技术加基本面， 四级多轮的一个辩论加深度的一个研究。五级的话最全面的一个分析报告，这里面有一些相对应的分析师团队啊，但这个都是一些 ai 的 ai 的 能力。 比如说这个有有一有一个 ai 它单独是做市场分析的，另外一个 ai 是 做基本面分析，另外一个 ai 是 新闻面分析。最后一个是做色媒分析，这里面可以选对应的一些模型， 模型的一些支持，这个是模型的一个支持，它里面就是快速分析师和深入角分析师，你可以选不同的模型来支持，这个是可以支持批量分析，比如我们这里面可以加很多的一些一些我们所需要监控的，这个是分析报告，比如我们我今天给他做了一个 我用的是 deepsea 的 这个模型，今天给他做了一个谷歌的一个分析，我们可以进行一个查看， 它这里面会有它最基础的一些分析的一个指标，最终的一个决策和建议，它的一个风险评估，以及它最终的一个模型的一个自信度。也因为我目目前用的是 deepsea 的 r e 的 一个模型， 这个是他最终的一个栽药。这里面我们会会给他分成很多个，比如说市场技术的、市场情绪的、新闻的，包括基本面的，这个是今天的，比如包括他的一些盈利能力啊、评估的一些指标和分析啊，他的最终的一个建议啊， 这个是投资的一个建议，比如说这位怎么样？我建最终建议是怎么样？我详细的最终的建议是什么？这个是交易员的，它里面会每一个，每一个都是一个 ai 的 一个决策，通过提职给它让它变成一个单独作为一个 ai 决策的一个者。你看它这个就是作为谷歌的一个 专业交易员，最后做分析，他的一个价格，当天的一个价格，最终的一个建议，以及最终的交易的一个决策，还有个多头研究员的一个决策。但这些所有内容全部是基于当天 ai 去拉的一个最新的分析的一些指标，这是空投研究员， 这个是研究经理决策的，这个是激进分析、保守分析、中性投资建议组合，这个是分析的，分析的股票分析的。最后还有一些分析报告，比如说我刚才看了谷歌的，那其实我们是可以给他下报告的，他支持那个 down 的 word 和 pdf 的 就几种格式。比如说我们下载一个啊， pdf 的 一个格式，这个就是他最终分析出来的一个，他会通过 pdf 的 形式给你全部给他展示出来，这个是可以直接来看的。最后是什么？这个是他说，当然也很多，大概分析了三十五页，这个是分析报告的，这块也可以进行一些股票的筛选，还有就一些自选股 模拟交易是比如说我把当天我觉得那个的可以放在模拟交易里面，先验证一下整个的模型的一些能力行不行。但这块是很重要的一点，它是一个辅助工具，不具备投资建议资质。所以这块的话，这个也是一个开源搭建的一个一个程序。但这个 这个程序怎么搭呢？其实它有两个，一个是有个叫 trading agents 这个仓库，它就是基于它自己其实发表了一篇论文，大家可以看到这个论文，它是说啊，我现在这个 他最终是通过怎么样一个形式，大概大概介绍了一下这个他通过大元模型，通过 transformer open to， 通过这种方式来给他做了一个整体的一个研究。这个是他的， 比如说 market 市场的、社交的、新闻的，还有房地产 model， 大 元模型的最终给他做了一个到底是买还是卖，让这个群点，让这个交易员来来给他做一个交易。最后有个 相当于这块有一个，有个交易，有个经理，最终是到底是买还是卖？这个是准备卖的时候买的、买的和卖的，他的一些理由是什么？最终 open i 会当然去通过我们的单元模型给他做一些深度一些思考。 这个就是他整个一个论文的一个支撑，大家空了可以可以看一下这个，这个是他论文之后大家也可以看到，其实他短短时间内达到二十九点七 k 的 一个 star， 他是短时间内得到一个基层，说明大家对他的一个支持度认可度还是比较高的，应该是，应该是有些用的是这个是他论文的支撑。那对于这个 对于开源模型开源的来说的话，你看它是 r 帕奇二点零，它开源的话，你看它这种是不太友好的，这种界面只有这种通过论文的最底层的一个支撑。所以我们就看到我们今天其实有一个叫崔定 a 进士杠 c n 这个这个人他开了个代码，它基于我们刚才看的框架， 它把它变成一个可缩化的一个界面，你看它把它变成一个可缩化的这个界面，其实这个界面也是基于它这个框架，我也是基于它这个页面，我自己搭的一套，这个是我自己搭的一套，也是可以直接用的。比如我登出我可以登录 这个我可以自己登录，登录完之后其实我就基于它这个给搭出来的，搭出来之后它的一些页面啊没有写页面，这个就是它最终呈现的一个效果，我觉得还是挺满意的，大家空了可以去看一下。

各位朋友大家好，今天我们来干一件很硬核的事儿，一个软件架构师的视角，来对一个野心勃勃的开源项目 no fix 做一次彻底彻底的技术拆解。 你看，它的目标可不是做什么交易机器人，而是要成为 ai 交易这个领域的底层操作系统。所以今天我们要做的就是深入它的代码和设计，一层一层地把它扒开，看看它到底凭什么敢说自己是 ai 交易的 linux。 好，咱们就从项目自己的这句宣言开始。说实话，这句话野心真的非常大，他一下子就给整个项目定了调， 他不想做那些表面的应用，他想做的是一个最底层的最基础的设施，一个能为所有 ai 交易策略提供统一的决策方控，还有执行的这么一个 functional layer。 记住这个定位，这是我们理解他后面所有设计选择的出发点。 ok， 这一次的深入分析呢，我们会分成六个部分走。首先咱们得搞明白他凭什么叫自己是交易界的 linux， 然后我们会一头扎进他的系统架构里去看看。接着我们会跟着一次交易决策走一遍完整的数据流。 之后就是最精彩的部分了，我们要揭秘他那个独创的 ai 辩论场。再然后，我们再一起看看他的未来规划。 好了，我们进入第一部分。你知道啊，任何一个牛逼的项目，它一定是为了解决某个特别头疼的问题。你想想，传统的交易机器人是不是都得靠那些又复杂又难搞的配置文件 手动去改，不仅容易出错，而且灵活性差到不行。 no fax 要干的就是彻底把这个旧模式给颠覆掉。 来，大家看这张图，它把 no fax 三点零带来的架构变更展现得清清楚楚。左边就是那个旧世界，咱们得小心翼翼地去改那些静态的计算文件，改错了服务就得重启，有时候一个逗号都能让整个系统崩掉。 再看右边，这就是 no fax 带来的新世界，一个完全动态化的平台，所有的配置都存在数据库里，通过网页界面，你就能实时地修改、启动、停止交易，完全不会中断。 这可不只是用户体验的提升，这是从一个脚本工具到真正的操作系统的本质飞跃。好，那咱们现在就掀开引擎盖，深入它的核心架构，看看这个所谓的操作系统底层到底是怎么搭建起来的。 这就是 no fax 选中的技术站。你看啊，后端用 go， 这个选择非常明智，就是为了保证高病发和高性能。前端呢， react 加 type script， 这已经是现代 web 应用的标配了。但最有意思的我觉得是数据库的选择 sqlite， 你想，对于一个用户自己部署独立运行的系统来说， sq lite 它轻量不用，配置还特别可靠，这简直完美契合了操作系统核心这个定位。 同时你看，它还广泛支持市面上主流的 ai 模型和交易所，这就体现了它作为一个通用操作系统的设计思想。 这是一张系统的高层结构图，逻辑非常清晰。前端的 web ui 就 好比是我们电脑的桌面环境，用户的所有操作都在这上面。 然后呢，所有的操作都通过标准的 rest api 发送给用勾语言写的后端核心，这个核心呢，负责管理所有的核心资源，比如交易员的进程啊，策略的配置啊，然后把这些东西都存到 s q l light 数据库里。 同时他也通过统一的接口去跟外面的交易所和 ai 模型打交道。这种前后端分离面向 a p i 的 设计，保证了整个系统的模块化和未来的扩展性。 好嘞，现在我们来做一件最有意思的事，追踪一次交易决策，从头到尾走一遍，这可以说是整个系统的心窍。我们来看看他的核心策略模块内部到底是怎么运转的。每次做决策，系统都会非常严格的执行这七个步骤，一步都不会少。 第一步，先选币，你可以给他一个固定的列表，也可以让他动态地去选，比如按持仓量排名来筛。第二步，把所有需要的数据打包成一个市场快照，这里面有你的账户情况， k 线数据，各种技术指标等等。 三四步是关键，系统会生成两个 prompt， 一个叫系统 prompt， 里面是你的交易规则和各种限制。另一个叫用酷 prompt， 里面装的都是实时的市场数据。 第五步，把这两个 prompt 一 起发给 ai。 第六步，解析 ai 返回的结果。最后一步，系统根据解析出来的指令去执行交易。你看整个过程是完全自动化的，就像一条特别精密的流水线。 这张图揭示了一个特别特别重要的技术细节， noix 强制要求 ai 的 输出必须遵循一种混合格式。 ai 思考的过程，也就是我们常说的思维链必须写在 xml 标签儿里，而最终那个可以被机器执行的交易决策，必须是格式非常严格的。 jason， 我 得说，这是一个相当漂亮的设计，它把 ai 模糊的思考和精确的指令给完全分开了。 这样做的好处是，既保证了我们能回头看清楚 ai 是 怎么想的，又保证了机器可以百分之百准确的解析和执行指令，一点儿都不会搞错。 好的，现在到了最激动人心的部分了，我们来看看 norfox 系统里那个最具创新也最有魅力的功能， ai 辩论场。 这么说吧，如果说单个 ai 做决策是个人英雄主义，那这个辩论场就是请来了一个专家委僚会。 在这个辩论场里，你可以请好几个不同的 ai 模型，然后给他们每个人分配一个人设。比如说，你可有一个永远看涨的多头，一个总是盯着风险的空投，一个只看数据的分析师，还有一个把风险控制当成第一药物的风控管。 这个设计的目的其实就是在模拟一个真实世界里顶级的投研团队，通过引入各种不同的视角来避免单个模型可能出现的认知偏向，最后做出一个更稳健的决策。 整个辩论的过程是高度结构化的，不是瞎联。第一步，你先创建一个辩论绘画，选好哪些 ai 参加，它们分别扮演什么角色， 然后辩论开始。有好几个回合， a m 们会根据试抢数据和其他 ai 的 观点来表述自己的理由。辩论一结束就进入投票环节，每个 ai 都会提交自己的最终决策，还有一个信心指数。 最后，系统会通过一个共识算法，算出一个唯一的最终的交易指令，咱们来看一个具体的例子，这样就更清楚了。 假设现在要决策比特币的交易，我们请了三个 ai， 那 个多头 ai 说做多信心八十趴，空投 ai 说不对，要做空信心六十趴，而那个中立的分析师也说做多信心七十趴。 你看现在观点出现分歧了，两个要做多，一个要做空，那系统到底该听谁的呢？秘密就在这个共识算法里，它的核心逻辑其实既简单又强大，就是一个基于信心的加权投票系统， 系统会把所有支持同一个操作的 ai 的 信心指数加在一起，得出来的总和就是这个操作的最终得分。简单说就是谁的信心越足，谁的嗓门就越大， 这就是那个啊哈的时刻。我们把刚才那个算法套到例子里，你看做多这个选项，他得到了多头的百分之八十和分析师的百分之七十的知识，所以他的分数就是零点八，加上零点七等于一点五， 而做空这个选项只有空投的百分之六十支持，所以分数是零点六，一点五比零点六大。所以最终的共识决策就是做多。你看就是这么一个简单又优雅的算法，就把多个 ai 的 智慧给融合到了一起。 好了，理论我们讲的差不多了，现在来看看实践，这么强大的一个系统，我们到底怎么才能把它真正的跑起来呢？ 说出来你可能不信，部署过程简单到有点吓人，这都得感谢 docker， 你 只需要敲两条命令，第一条 get clone， 把代码下下来，然后 docker compose up， 把所有的服务一键启动。一个这么复杂的分布式系统被打包成一个这么容易上手的应用，这本身就体现了非常优秀的工程实践。 服务启动之后，所有的操作都在网页上完成，非常简单。整个流程就四步，第一，在设置页面把你 ai 模型的 a p i 密要填进去。第二，把你交易所的凭证也加上。 第三步，创建一个交易员实力。在这一步，你可以把任何一个配置好的 ai 模型和任何一个交易所给组合起来。最后一步，点一下启动，你的 ai 交易员就正式上岗了。整个过程非常直观， 对于交易系统来说，安全绝对是头等大事。 nofx 在 这一点上设计了一个贯穿始终的三层安全架构。 首先，在前端，它有一个很独特的安全输入机制。其次，在数据传输过程中，它用了现在行业里顶级的混合加密方案，保证你的通信不会被任何人窃听。 最后，在存储层，你所有的 api 密钥，这些敏感信息在存进数据库之前都会经过高强度的加密。这是一个非常全面的端到端的安全设计， 这张图展示了它前端安全设计里一个特别巧妙的地方，为了防止有些恶意软件通过监控你的剪贴板来偷你的私要， no fax 设计了一个两阶段输入的流程， 他会让你分两次输入你的私钥，而且在中间他会往你的剪贴板里复制一段完全不相干的字母串来迷惑对方。这样以来，恶意软件就极难拼出你完整的私钥了。就是这么一个小细节，体现了开发者对真实世界安全威胁的深刻理解。 好了，最后让我们一起来看看这个夏模未来要走向何方，他的蓝图是怎么规划的。 我们可以看到项目的路线图非常清晰，而且目标宏大。短期内它会继续完善核心的功能，比如说更高级的风控模块，集成更多的交易所等等。而它的长期目标就是要真正实现那个通用操作系统的愿景， 把支持的范围从现在的加密货币扩展到股票、期货、外汇，覆盖所有的金融市场，并且还要引入像强化学习这样更前沿的 ai 技术。 那么聊到这儿，我们回到最初的那个问题，一个开放的架构，支持多智能体去竞争与协助，并且专注于成为整个行业的基础设施层。 novax 所描写的这幅蓝图，它真的会成为未来 ai 自动化交易的行业标准吗？ 我觉得这个问题的答案可能正在由它的代码，它的社区，在今天被一行一行地书写着。

你是小阿八，正在用 ai 开发网站，为了让 ai 生成的效果更好，你告诉 ai 界面不要使用蓝紫渐变色，不要生成一大堆没用的文档，你要遵循公司的代码规范。阿八阿八，洋洋洒洒几百字 之后，每次开发网站时，你都要写这么一段又臭又长的提示词，太麻烦了。于是聪明的你开始想办法， 先把常用的提示词保存到单独的文件，每次手动投喂给 ai。 然后创建了资源文件夹，把公司的代码、规范、设计素材都塞进去，告诉 ai 参考这些去写。 接着你还写了一些脚本，让 ai 生成代码后自动执行格式化运行测试，提交代码到 get 仓库。最后再写着 agent 点 m d 文件，把所有规范和工作流程都写进去，让 ai 自动读取，你沾沾自喜， 嘿嘿，俺这套工作流堪称完美。但很快你发现了问题，随着规范越写越多，文档越来越臃肿，每次对话都要占用很多 ai 上下文空间，浪费 tokens。 于是你找到号称没有人比他更不懂 ai 的 鱼皮，求助阿爸阿爸，俺还能咋办啊？不是有 agent skills 吗？为啥不直接用呢？ 呃，啥玩意儿？这可是最近 a h r 爆火的技术，下面我来带你玩转 agent skills， 让你知道它是什么，怎么用，有什么魔力，怎么自己开发。点着收藏，我们开始。 agent skills 是 astropic 推出的一套开放标准，目的是让 ai 能够学习使用各种专业技能，而不用每次都重复输入提示词。简单来说，它就是给 ai 装备的技能包，技能包里有精心设计的提示词、代码、脚本，还有各种资源文件， 把 ai 想象成一个职场小白，给他装上文档处理技能，他就立刻知道怎么生成 ppt 处理 excel 表格。装上代码规范技能，他就知道怎么按照公司的标准写代码。 你挠挠头，呃，等等，这不就是俺在做的事吗？把教 ai 做事的文档和 ai 要用到的文件打包成文件夹差不多，但 osropet 把它做成了一个通用标准，而且在实现原理上有一些新花样。 可恶啊，俺差点就改变世界了，这能有什么新花样？下面我先来带你用一下 agent skills， 再跟你说说其中的奥秘。 目前对 agent skills 支持最完善的工具是 asteroid 官方的 cloud code， 我 们就以此为例，安装并使用 skills， 先打开 cloud code， 并输入命令，添加官方技能市场。这就像是在你的 ai 助手里开通了一个技能商店，接下来你就可以从商店中获取技能了。 然后在 toloud code 中输入命令，安装官方提供的技能包。这着 example skills 包含了一堆官方势力技能，包括前端设计、网页测试、动图制作等等。 装完之后，你就可以直接让 ai 使用这些技能了。比如你要做一个网站，以前没装技能的时候， ai 生成的代码又是那个熟悉的蓝紫渐变色，千篇一律的 ai 审美。 现在安装了 front design 这个教 ai 生成专业设计版网站的技能后，你输入提示词，帮我开发个人作品及网站。 ai 会主动问你，我发现你安装了前端设计技能，需要用它来生成证据设计版的页面吗？ 确认之后， ai 会利用技能生成代码，告别篮子渐变，生成独特风格的精美页面。我们不用每次都给 ai 输入一大堆相同的提示词，装一次技能就行了。 除了代码相关的技能，官方还提供了文档处理技能包，同样在 cmd code 中输入一行命令安装。 这只技能包里有 ppt 制作、 word 文档生成、 excel 数据分析、 pdf 解析等技能。接下来，如果你让 ai 做着 ppt， 它会自动调用 ppt 制作技能，直接生成排版好的 ppt 文件，帮你节省几个小时。 你好奇道，咦，为什么 stills 能做到安装即用？技能包里面到底有啥？ ai 又是怎么知道该用哪个技能的？ 好问题技能其实就是一个包含 still 点 m d 技能说明文件的文件夹，还可以包含可执行脚本资源和参考文档。 由于每个技能的复杂度不同，结构也会存在区别，我们可以在本地目录中找到已安装的技能文件夹。以官方的 ppt 制作技能为例，它的结构是这样的，包含一个核心的技能说明文档， still 点 m d， 还有脚本参考文档和各种资源文件。 而 front and design 前端设计技能只有一个， still 点 m d 文件。 still 点 m d 文件是每个技能的核心，它包含两个关键部分，第一部分是原数据，用 yam 格式写在文档开头， 其中 name 是 技能的名字， description 是 技能的描述，告诉 ai 什么时候应该使用这个技能。 描述写得越清晰， ai 就 越容易在合适的时机调用它。第二部分是指令内容，就是一套经过精心设计的提示词，指导 ai 具体怎么做。以前端设计技能为例，它的指令内容包括设计思考、前端美学指南和必称指南。 你挠了挠头，如果有多着 stux， ai 怎么知道该用哪个技能呢？如果把每个技能说明文的都塞给 ai， 不是 很占用上下文吗？ 这就要说到渐进式批漏这个核心机制了。当你让 ai 执行任务时，它会先扫描技能目录，但不会把所有内容都加载到上下文中，而是只读取每个技能的原数据， 发现描述和任务相关，就知道该用这个技能了。然后才把完整的技能说明文档读进来，按照里面的指令执行，并根据需要加载技能包中的其他资源，用到哪个查哪个，既精准匹配又节省上下文，这就是渐进式纰漏的精髓。 所以 agent skills 的 本质就是把专业知识打包成一个文件夹，让 ai 按需读取并使用。呃，那除了 cloud code 之外，其他 ai 工具支持 agent skills 吗？俺平时用 curser 比较多， 当然能， agent skills 已经成为通用标准， curser、 west code code、 dex 等工具都支持。 skills 的 社区也非常活跃，你可以在 cloud skills、 hub 市场开源的 awesome、 cloud skills 等地方找到很多现成的技能， 比如有着叫 uiu 叉 pro max 的 技能特别火，专门用于提升 ai 的 设计能力。用法很简单，首先按照开源仓库文档的指引，安装官方提供的命令行工具， 然后进入到你的项目目录下，根据使用的 ai 工具执行对应的命令。比如我这里用 cursor， 它会自动把技能安装到 cursor 的 配置目录里，安装完成后，可以看到它的文件结构。接下来当你让 ai 开发一个网站时，可以使用斜杠命令手动触发技能，或者让 ai 自动识别技能。 ai 会根据你的需求识别出产品类型和需要的页面类型，然后调用设置点 p y 搜索脚本，在 data 目录里进行多维度搜索，找到适合的配色、字体、布局风格。接下来综合搜索结果，生成完整的设计方案。最后 ai 再按照设计方案生成代码， 这样一来，生成的界面既专业又有设计感。 ai 不 需要把所有规则都背下来，而是用到哪个查哪个，这就是 agent skills 的 精髓。 用了很多别人的技能后，你产生了一个大胆的想法，哎，能不能把公司的周报折式封装成一个技能，以后推荐给新来的同事，还能卖几个钱，嘿嘿嘿。嗯，有点东西，那你打算怎么做呢？当然是发挥程序员最擅长的事情。复制粘贴。 俺先复制一个官方的技能包，修改目录名称为自己的，然后修改技能说明文的 still， 点 m d 的 原数据指令内容这些关键部分。最后把公司的 logo、 ppt 模板爆照样例放在子文件夹里就行了。妈妈再也不用担心我的周报了。 不错不错，但其实有更简单规范的方法。在前面安装的 example stills 官方势力技能包里有一个叫 still creator 的 技能，专门用来帮你创建新技能。你只需要跟 ai 说，帮我创建一个专门生成公司周报的技能。接下来 ai 会问你几个问题， 你希望周报包含哪些主要部分，以什么格式输出？你通常会如何使用这个周报技能？希望周报的语言风格是什么？很快，一个完整的技能包就生成了，你会看到一个点 scale 为后缀的文件，本质上是一个压缩包，你可以把它解压到你的个人技能目录下，你的所有项目都能用。 如果你想让技能只在某个项目生效，可以把它放到项目的 cloud， 同步给项目组其他成员 测试。没问题后，你还可以把它开源到 github， 或者上传到 chaleo 的 stokes hub 这样的社区平台，让所有用户都能用，你开心极了。原来开发一个 stokes 这么简单，但是这玩意儿跟之前火爆的 mcp 和邪道命令有啥区别？ 好问题， m c p 就 像给 ai 装上了手和眼睛，让 ai 能够连接外部工具和数据源，比如搜索网页、读取代码、仓库、查询数据库，适合需要获取数据或操作外部系统的场景。 而 agent skills 正像是给 ai 发了一本工作手册，把专业知识和工作流程打包起来，教 ai 在 特定领域该怎么做。 至于斜杠命令，它就像是快捷键，是需要你手动输入常按的命令来触发的固定操作。而 steils 的 特点是， ai 可以 自动识别该用什么技能，不需要你显示调用。对了，其实 mcp 和 steils 是 可以结合起来的。 举个例子，如果你想让 ai 帮你发周报， m c p 负责获取数据，从任务管理数据库拉取这周的任务列表。 skills 负责加工数据，把获取到的原始数据整理成老板爱看的格式，一个提供食材，一个提供配方， 你看这技能文件夹的结构，突然怪叫一声，阿爸，哈！等等，俺突然意识到一个问题，这不就是我们程序员玩烂的封装附用、模块化懒加载那一套吗？写几个代码文件，打着包发到网上，让其他程序员下载下来用 不是一回事吗？为什么 agent stux 能突然让整个 ai 圈为之疯狂？好问题，从技术的角度来看，它并没有发明什么惊天动地的算法。在我看来，它能火主要是两个原因。第一，它是开放标准，封装一次技能包后就能在各种 ai 工具里附用，还能通过社区共享。 更重要的是， stux 能立刻让 ai 的 工作更专业可靠，让普通人无感地享受到技术带来的价值。以前想让 ai 变聪明，你得学提示词、工程配置各种工具链。现在只需要像装 app 一 样安装技能包， ai 就 立刻变专业了。 一项技术的成功不在于它有多复杂，而在于它能让普通用户在不关注技术细节的情况下感受到技术的价值。 你点点头，学会了，学废了。降低门槛才是技术走向大众的钥匙。没错， agent skills 不 仅仅是个技术概念，更是一种新的工作方式。 你可以把它融入到自己的日常工作中，比如把重复的任务封装成技能，把团队的最佳实践固化成技能，让 ai 真正成为你的得力助手。 在这个 webtopod 盛行的年代，技术的门槛正在崩塌，而想象力的边界正在无限扩张。你可以在我免费开源的 ai 编程零基础入门教程中学到更多 ai 编程技巧，也欢迎关注鱼皮，学习更多 ai 和编程的技巧。那么问题来了，你最想让 ai 学会什么技能呢？