企业官网建设流程全解析

最近在 Hacker News 上看到一个很有意思的帖子：Show HN: Delphi – Build your own AI trading agent in seconds。这个项目的思路是把大模型、市场数据、交易执行整合到一起，让开发者用很短的时间搭建一个属于自己的 AI 交易代理（trading agent）。和很多 Demo 项目不同，它不是只给一个聊天框让你问“明天买什么”，而是把“观察行情 → 模型推理 → 生成交易决策 → 执行订单”这条链路做成了可配置、可复用的框架。

我顺着这个方向做了一些研究和本地实验，并把从概念到实战的完整过程整理成这篇教程。读完你会理解 AI 交易代理的核心组成，能照着示例写一个最小可用版本，也能避开模型乱调用、接口限流、回测失真这些常见坑。

需要提醒一句：名字叫 Delphi 的项目不止一个。老牌的 Delphi 是 Embarcadero 出品的 Object Pascal 开发工具，很多热词里出现的“Delphi 10.4 读取 Excel”“Delphi 7 禁 U 盘”都是指它。而本文要讲的是 Hacker News 上这个专门用于构建 AI 交易代理的开源项目，它只是恰好也叫 Delphi。阅读时先把这个区分开。

1. 项目背景与核心概念

1.1 什么是 AI 交易代理

先看一个通俗解释。AI 交易代理是“一个能自己拿主意”的程序，它不像传统量化策略那样只执行你写死的买卖规则，而是借助大模型的推理能力，把市场行情、新闻、技术指标甚至宏观经济数据作为上下文，经过分析后输出一个交易动作。

它最典型的运行循环如下：

1. 获取当前市场数据，比如 K 线、最新价、成交量。
2. 读取用户设定的投资目标和风险偏好。
3. 把上述信息交给大模型，要求模型输出一个结构化决策。
4. 校验模型输出，确认动作合法后再提交到交易所。
5. 记录决策理由、当时的持仓、当时的行情快照，方便复盘。

这已经不是一个简单的“策略回测脚本”，而是一个带有感知、推理、行动、反思能力的智能体（AI Agent）。

1.2 为什么这类项目值得关注

传统量化交易的门槛主要在两点：一是策略开发需要大量数学和代码功底，二是数据清洗、回测、实盘接入的工程链很长。而 AI 交易代理把门槛进一步降低，因为策略本身不再是一堆公式，而是可以用自然语言描述的“规则”。

例如，你可以把策略写成这样一句话：

当比特币 4 小时级别突破布林带中轨，且 RSI 大于 55 时，可以考虑做多； 如果价格跌破最近一个支撑位，则立即止损离场。

Delphi 这类框架的作用，就是让这句话变成可执行的交易逻辑。大模型负责理解这句话，并基于实时行情做出当前时刻的判断。对个人开发者、量化初学者、搞 AI 应用开发的人来说，这是一个很好的学习切入点。

1.3 适用场景与目标读者

从项目标题里的 “in seconds” 可以看出，这个框架的定位是快速搭建。它比较适合以下场景：

如果你是刚接触 AI Agent 的开发新手，或者已经有量化基础想试试大模型怎么辅助交易，这个项目值得研究。

2. AI 交易代理的系统构成

在动手写代码之前，需要先建立一个整体认知。一个可用的 AI 交易代理，通常由下面几个模块组成。

2.1 观察层：市场数据接入

观察层负责给 agent 提供“眼睛”。它从交易所 API、行情服务商或本地数据库获取数据，统一转换成 agent 可以理解的格式。

这里的关键不是“能拿到数据”，而是“拿到数据之后如何组织”。大模型对长文本的注意力有限，把 5000 根 K 线全部塞进提示词既不经济，效果也差。常见的做法是只提取最近几十根 K 线，再计算几个关键指标，如移动平均线、RSI、布林带、成交量变化。

2.2 推理层：大模型与工具调用

推理层是 agent 的“大脑”。它接收市场数据、用户指令和对话历史，输出决策。这一层大多是调用 OpenAI、Anthropic 或本地模型的 API。

为了不让模型“凭空猜测”，推理层通常配合工具调用（function calling / tool use）能力。比如模型可以请求调用get_price_data、calculate_rsi、place_order这些工具，然后根据工具返回结果继续推理。这样 agent 就不是一次性输出结论，而是能主动获取信息后再决定。

2.3 执行层：订单与仓位管理

执行层把模型输出的决策翻译成真实或模拟的订单。它必须处理几个关键问题：

• 订单方向：买入、卖出、持有。
• 订单类型：市价单、限价单。
• 仓位比例：用总资金的多少比例下单。
• 杠杆与保证金：如果交易合约，还要考虑杠杆倍数和强平价格。

安全起见，执行层最重要的职责是“校验”，而不是“执行”。模型分析能力再强，也可能突然输出一个不合理的仓位，所以执行层必须设置硬性上限。

2.4 记忆层：对话记忆与策略记忆

记忆层是 AI 交易代理比较容易忽视的部分。每次调用模型时，如果只把当前行情塞进上下文，模型就会“失忆”，看不到上一轮它自己给出的判断和理由。这会带来两个问题：

• 无法对之前的决策做复盘。
• 策略行为不稳定，同一个行情可能一会儿做多一会儿做空。

合理的做法是维护一个会话记忆，记录历史决策、当时的理由和最终结果。在下一轮推理时，将最近的几条决策作为参考。这就是一个轻量级的“交易日志系统”。

2.5 安全边界：风控模块

任何自动交易工具都不能少了风控。AI 交易代理的安全边界至少要覆盖：

• 单笔最大亏损比例。
• 总仓位上限和最大回撤限制。
• 不允许交易的时段或品种黑名单。
• 模型输出非法动作时的熔断处理。

如果风控模块不完善，AI 交易代理在模拟盘上跑得再好，都不能上实盘。这是建议中优先级最高的一条。

3. 环境准备与版本说明

由于这类 AI 项目迭代速度快，具体版本需要根据你实际 clone 的仓库来确认。下面以我实验时的常见环境为例，重点演示配置思路。

3.1 运行环境

• 操作系统：建议 Linux 或 macOS。Windows 也能运行，但部分原生库可能要多花时间解决依赖。
• Python：3.10 或更高。AI Agent 生态基本都逐步迁移到新版 Python。
• 包管理工具：pip、poetry 或 uv，任选其一。
• 开发工具：VS Code 或 PyCharm，配合 Python 插件即可。

3.2 模型 API

Delphi 这类框架通常支持多种大模型后端。常见的几类：

• OpenAI 兼容接口：包括 OpenAI 官方、Azure OpenAI，以及大量兼容 OpenAI 协议的开源模型服务。
• Anthropic Claude：部分框架通过 SDK 接入。
• 本地模型：通过 Ollama、vLLM、llama.cpp 启动本地模型，再暴露一个 OpenAI 兼容的 HTTP 接口。

建议没有特殊需求时，先使用 OpenAI 兼容接口。它生态最成熟，工具调用（function calling）支持得也最稳定。

3.3 数据源与交易端

在开发阶段，千万不要直接接真实资金账户。建议优先使用以下环境：

• 交易所模拟盘（Paper Trading）：例如币安测试网、Alpaca Paper Trading。
• 本地回测数据：下载历史 K 线到本地 CSV 或 SQLite，反复测试策略。
• 实时行情专用接口：部分数据服务商提供免费等级的行情 API，注意限流。

下表是我建议的开发环境组合：

4. 快速构建：实现自己的第一个 AI 交易代理

下面的示例按照“基于 Delphi 项目的一般实现思路”来写。由于开源项目 API 可能随时调整，具体类名和函数名请以仓库 README 为准。这里重点演示一个 AI 交易代理的完整搭建流程，你完全可以照搬到自己的项目中。

4.1 安装与初始化

假设你已经 clone 了项目到本地，并创建了虚拟环境。安装核心依赖的命令通常类似：

cd delphi python -m venv .venv source .venv/bin/activate pip install -r requirements.txt

如果你的项目使用了 pyproject.toml，也可以使用：

pip install -e .

这一步的作用是安装 agent 框架本身、模型 SDK、交易所 SDK、行情处理库等依赖。

4.2 配置文件：模型、数据源与风控

多数 agent 框架都会提供一个配置入口。下面是一份示例config.yaml，包含模型、数据源和风控三个部分：

model: provider: openai api_key_env: OPENAI_API_KEY model_name: gpt-4o-mini temperature: 0.2 max_tokens: 1024 data_source: type: binance_testnet symbol: BTCUSDT timeframe: 4h lookback_bars: 50 risk: max_position_pct: 0.1 max_single_loss_pct: 0.02 max_drawdown_pct: 0.1 allowed_actions: - buy - sell - hold memory: enabled: true max_history_entries: 20 storage: sqlite:///trading_logs.db

配置里的“风控”部分尤其重要。max_position_pct表示单次开仓最多占用总资金的 10%，max_single_loss_pct表示单笔亏损超过 2% 就强制平仓。这些参数后续会直接传给执行层，充当硬性约束。

4.3 核心代码：创建并运行交易代理

下面用 Python 写一个最小示例。这个示例把配置加载、策略提示词和 agent 运行三部分串起来。

# 文件路径：examples/run_agent.py from delphi import TradingAgent from delphi.config import load_config def advice_prompt() -> str: """把用户的自然语言策略转成模型提示词。""" return """ 你是一个稳健的加密货币交易助手。请基于以下行情数据给出交易决策。 规则： 1. 只看当前数据，不要预测未来。 2. 如果趋势不明朗，输出 hold。 3. 任何买入建议都必须包含止损价。 4. 输出格式必须是 JSON：{"action": "buy/sell/hold", "position_pct": 0~0.1, "stop_loss": 价格, "reason": "理由"} 当前行情： {market_summary} """ def main(): config = load_config("config.yaml") agent = TradingAgent( config=config, system_prompt=advice_prompt(), ) # 运行一轮完整的观察-推理-决策-执行流程 result = agent.run_once() print("=== 决策结果 ===") print(f"动作: {result.action}") print(f"仓位: {result.position_pct}") print(f"止损: {result.stop_loss}") print(f"理由: {result.reason}") print(f"行情快照: {result.market_snapshot}") if __name__ == "__main__": main()

这里需要特别说明agent.run_once()做了什么：

1. 从data_source拉取最新 K 线，计算技术指标。
2. 把指标摘要填充进system_prompt中的{market_summary}占位符。
3. 调用大模型，得到 JSON 输出。
4. 解析 JSON，通过风控校验。
5. 在模拟盘提交订单，并记录日志。

4.4 运行与验证

在激活虚拟环境后，运行：

export OPENAI_API_KEY="你的API Key" python examples/run_agent.py

预期输出类似：

=== 决策结果 === 动作: hold 仓位: 0 止损: 0 理由: 当前价格在布林带中轨附近，RSI 为 52，没有明确方向，不适合开仓。

第一次跑通时，模型输出hold是很正常的。这表示链路是完整的，模型确实看到了行情，也按照规则给出了保守决策。

4.5 结果说明与首次迭代

当你看到类似输出时，说明你的第一个 AI 交易代理已经运行成功。此时我建议先不急着改策略，而是做三件事：

1. 查看数据库里记录的决策日志，确认每一轮决策都有行情快照。
2. 多运行几轮，观察不同行情下模型的决策是否稳定。
3. 把模型输出和真实行情对比，判断模型的理解是否准确。

如果发现模型频繁乱买乱卖，优先检查提示词里是否把仓位上限写清楚，而不是先调温度参数。

5. 进阶：让 AI 交易代理更可靠

跑通一个最小 demo 之后，你会很快发现光靠一句提示词还不够。下面这几个方向是让 agent 真正可用的关键。

5.1 加入技术指标工具

如果你把 50 根 K 线原始数据全塞给模型，它很难看出趋势。更合理的做法是提供计算好的指标。例如给 agent 注册一个calculate_indicators工具：

from delphi.tools import tool @tool def calculate_indicators(df): """计算 RSI、MA20、布林带等指标。""" df["rsi"] = ta.rsi(df["close"], length=14) df["ma20"] = ta.sma(df["close"], length=20) df["bb_upper"], df["bb_middle"], df["bb_lower"] = ta.bbands( df["close"], length=20, std=2 ) return df[["close", "rsi", "ma20", "bb_upper", "bb_middle", "bb_lower"]]

这样模型在决策时可以直接读取指标值，而不是自己计算或盲目猜测。自定义工具注册是 AI 交易代理最核心的扩展方式。

5.2 使用思考链改进决策

简单的一步式输出容易让模型“拍脑袋”。改进办法是让模型先输出思考过程，再输出决策。在提示词中加入类似要求：

请按以下顺序思考： 1. 当前趋势是多头还是空头？ 2. 是否存在明显的支撑/阻力位？ 3. 当前风险偏好是多少？ 4. 综合以上分析，给出最终决策。

这里要注意，思考过程不要被直接当作指令执行。实际项目中，最好把“日常分析”和“最终下单”分开调用模型，避免提示词注入导致的乱操作。

5.3 仓位管理与止损策略

AI 交易代理最常见的风险是模型某个时刻输出一个过大的仓位。即便有max_position_pct参数兜底，也需要在策略层面加入渐进式仓位管理。比如：

• 首次开仓不超过总资金的 5%。
• 浮盈超过一定比例后，再逐步加仓。
• 单笔亏损达到 2% 强制止损，且当天不再开仓。
• 下午之后不开启新交易，只处理平仓。

这些规则不需要交给大模型，直接用代码执行会更可靠。大模型负责“判断方向”，代码负责“控制风险”。

5.4 多时间周期分析

很多策略只盯一个时间周期，容易在震荡行情中频繁进出。可以让 agent 同时分析 15 分钟、1 小时、4 小时的行情摘要，再综合判断：

15分钟：短期动能向上，但接近超买区。 1小时：价格在布林带中轨上方，偏多。 4小时：仍在上升通道内，但成交量萎缩。

这种多周期视角能让模型给出的决策更稳健，也更容易生成“等待回调再入场”这类合理建议。

6. 常见问题与排查思路

在搭建和运行 AI 交易代理的过程中，下面几个问题出现频率最高。我整理了现象、原因和解决思路，方便你对照排查。

6.1 模型不遵守输出格式

这是最常遇到的问题。解决办法是“给例子，而不是给描述”。在提示词中直接放一个具体的 JSON 示例：

{ "action": "buy", "position_pct": 0.05, "stop_loss": 51000, "reason": "价格突破20日均线，RSI从超卖区回升，短期动能偏多。" }

模型看到具体例子后，输出格式的稳定性会明显提升。如果还是偶发解析失败，可以在解析层做一次兜底重试。

6.2 回测与模拟盘结果差异大

很多人在本地回测表现很好，一上模拟盘就亏损。根本原因通常是回测时忽略了手续费、滑点和成交延迟。AI 交易代理在模拟盘阶段还多一个变量：模型输出的不确定性。

排查时建议把每一轮决策的“模型理由”和当时的行情快照一起录下来，观察模型是否真的依据数据做判断，还是只是随机喊单。

6.3 模型成本失控

如果 agent 频繁调用大模型，每月账单可能很可观。一个常见优化方案是先本地计算硬指标，只把“已经整理好的结论”发给模型。例如先用代码判断：

• 价格是否高于 MA20？
• RSI 是否大于 60？
• 今日成交量是否放大？

只有这些条件满足时才发起模型调用，这样既省成本，又避免模型处理无意义数据。

7. 最佳实践与工程建议

无论你用的是 Delphi 项目，还是自己造的轮子，下面这些都是值得长期坚持的工程实践。

7.1 先跑模拟盘，再考虑实盘

AI 交易代理存在明显的“黑盒性”，你无法完全预测模型在极端行情下会做什么。因此一定要先在模拟盘上运行足够长的时间，建议至少覆盖一轮完整的震荡和趋势行情。模拟盘没有资金压力，但成交机制更接近真实环境，是检验策略的第一步。

7.2 把风控写成代码，而不是写进提示词

提示词里的规则是“软约束”，模型可能因为各种原因不遵守。风控应该写在与模型无关的执行层里。例如，开仓前必须检查：

def check_risk(action, position_pct, stop_loss, balance): if action not in ["buy", "sell", "hold"]: return False if position_pct > 0.1: return False if action == "buy" and stop_loss <= 0: return False if position_pct * balance < 10: # 最少下单金额 return False return True

只有通过检查的订单才会被发送到交易接口。这条建议能拦住大多数“模型抽风”的情况。

7.3 保留完整的决策日志

每一轮决策都应当记录：

• 当前时间。
• 行情快照与技术指标。
• 模型原始输出和解析后的动作。
• 最终成交结果。
• 决策理由摘要。
• 手续费和滑点。

这些日志不仅用于复盘，还能在模型“事后解释”时提供依据。SQLite 足够用，不需要一开始就上重型数据库。

7.4 用最小化模型验证链路

初学阶段不要一上来就使用顶级大模型，成本高且故障排查困难。先用gpt-4o-mini或本地小模型跑通全链路，再逐步替换为更强模型。这样能快速区分问题是“链路问题”还是“模型能力问题”。

7.5 注意合规与平台条款

不同国家和地区对自动交易有不同的监管要求，交易所平台对 API 下单也有使用条款限制。开发和测试时，务必使用模拟盘或虚拟资产。如果要进行实盘交易，必须先确认所在地区的合法性，并严格控制资金规模。任何自动交易系统都应该允许随时手动接管，避免完全无人值守。

8. 总结与学习路线

通过本文，你已经理解了一个 AI 交易代理的基本架构：观察层负责行情数据，推理层由大模型驱动，执行层负责下单，记忆层记录决策，风控模块提供安全边界。你也动手搭建了一个最小可运行的代理，知道怎么配置模型和数据源，也了解到模型不遵守格式、回测失真、成本失控这些高频问题的排查思路。

接下来，如果你想继续深入，可以考虑这些方向：

• 阅读 Delphi 项目源码，理解 agent 循环和工具注册机制。
• 给 agent 增加更多工具，比如新闻情绪分析、链上数据查询。
• 尝试接入不同数据源，对比不同市场下 agent 的表现。
• 学习回测框架，把策略历史表现量化出来。
• 研究多智能体协作，比如“分析 agent 负责研究，执行 agent 负责下单”。

最后再次提醒：AI 交易代理的本质是一个“辅助决策工具”，它不保证盈利。千万不要因为模拟盘表现好就直接上大资金实盘。先把模拟盘跑通，把日志和风控做扎实，再逐步、小规模地放到真实环境验证。交易有风险，入场需谨慎。