AI Agent 实盘交易终于有防弹执行层了！ 以前 AI 写策略，读财报、发信号都牛得飞起，但一到真实下单就原地爆炸： 网络抖一下、API 延迟、WebSocket 断线、重试导致重复订单、余额不同步……随便一个意外，你的策略就从赚钱变成爆仓。 CCXT、Hummingbot 这些老框架全都在这个坑里翻车，AI 再聪明也没用——执行不靠谱等于白扯。 现在好了，Quantweb3 直接开源 NexusTrader，把量化交易的执行可靠性干到专业级！

最近体验了@dappOS_com xBubble 内测的 Coding 功能 ，我完整实操了一遍，结果确实超出预期。 它给我的感觉，已经不只是 AI 写代码工具了。 更像是一套专门为 OPC（个人创业者）和小微团队打造的全球化创业基础设施。 这次我实测搭建的是一个“小美装AI”远程技术部署服务官网。 这种业务很典型： 落地速度要快 带跨境属性 需要打通展示、预约、客服、收款整套闭环 放在以前，搭这样一个站点并不轻松。 建站、配服务器、域名解析、钱包接入、USDC 支付、素材制作，整套流程通常要几天。成本更是昂贵。 而 xBubble 基本重构了这套流程。 相比 Cursor、Claude Code、Codex，xBubble 更像是在解决： 如何让普通人快速把生意跑起来。 它有几个让我印象很深的点。 第一，零技术门槛。 服务器部署、域名解析、API Key 配置这些底层能力都被封装好了，资源统一通过 xBubble Credit 结算。 第二，天然适合全球化业务。 底层架构强调抗审查和隐私保护，数据完全隔离，商业数据和客户资产真正掌握在用户自己手里。 第三，商业闭环打通很快。 平台原生支持稳定币支付与结算，网页生成后可快速接入钱包和 USDC 收款。 最让我意外的是，我原本以为钱包接入会花不少时间。 结果页面生成后，这部分几乎已经配好了。 第四，内容生成能力很强。 从页面文案、团队介绍，到 3D 渲染图、详情页、广告视频，都能批量生成。 这次实测，我只输入了一段文字需求。搭建“小美装AI”高端服务预约官网。页面展示专业女技术人员上门进行AI程序安装部署。网站需包含服务套餐、预约排期、钱包登录、USDC加密货币支付、订单管理功能；同时制作高转化落地页，直观展示AI部署与工作流配置全套服务。 仅仅10分钟后完整官网就生成出来了。 （网页在此，可以检验。有图有真相） 网页自带套餐展示、在线预约、排期系统、钱包连接、USDC 支付。 甚至连技术助理团队介绍页都自动补齐了，这点确实让我惊喜。过去上千美金成本的网页，竟然如此轻松，就建成了。 我越来越觉得，AI 正在加速 OPC Economy（One Person Company Economy） 的到来。 未来很多高利润业务，不再需要传统意义上的大团队。 一个人 + AI + 全球化基础设施，就可能跑出过去一个小团队才能完成的业务规模。 而 xBubble 最核心的价值，不是帮你写代码。 它卖的是：端到端的业务能力。 从内容生成、矩阵宣发， 到稳定币结算，整条商业链路都被 SOP 打通了。 AI 时代真正值得关注的机会，往往不在大而全的市场。 反而藏在那些垂直、细分、非标的长尾需求里。 而 xBubble，正在帮助个人创业者把这些机会快速变成真实生意。

想从产品工程师视角和大伙聊聊，在代码全部由AI生成的时代，如何保证产品的代码可以持续迭代、好维护、不腐化。 最近 Mole 发布到了第 13 个版本，看了看整个项目大概有 11 万行 Swift 产品本身代码、7.3 万行测试代码和 3347 个 XCTest，测试代码部分远多余之前在公司写业务时候有QA来保障下的代码，我一直秉承一个观点，AI 写的代码应该 AI 来测试，而非人，把人引入到这个环节反而会拖慢整体的进度。 想着基于上面这个经验实操来总结一下，我都做了哪些有意思的事情，让这些代码一直可以在我和 AI 之间非常听话的实现功能。 1、即使 AI 能够大幅提升代码生产的速度，产品本身的技术架构、分层、同类抽象，什么东西放到什么地方能够让后续更好的扩展以及解耦，还是需要工程师本身的判断，这一块可以在项目第一个版本可以跑起来后就可以和你最好的 AI 仔细讨论，设定好对应的架构，并通过可沉淀可修改的文档记录下来，持续跟随项目迭代。 2、我目前最依赖的还是单测，1.0 只有 56 个 XCTest，到 1.13 已经有 3347 个，测试代码大约是生产 Swift 代码的 66%，不过数量只是顺手统计出来的结果，我平时更关心测试有没有覆盖那些容易想当然的地方，比如扫描结束以后文件又变了、进程检查失败、命令返回成功但 App 根本没有更新、旧任务很晚才回来覆盖了新结果。正常情况一般不难写，麻烦的是那些结果看起来没问题，实际上已经错了的情况如何可以及时去更新。 3、特别是修 Bug 的时候，我会多留一些东西下来，除了把问题修复，还会加一个让旧代码失败的回归测试，然后沿着同类路径去找有没有类似的问题，最后把当时为什么这么改写到规则里面去，到目前 Mole 已经有 1000 多个以 fix 开头的提交，其中 900 多个提交过测试，很多测试和规则都是用户真实踩过一次以后留下来的经验，或许我认为这个是当前这个项目最宝贵的资产。 4、测试能记住输入和结果，但记不住当时为什么放弃一种做法，所以项目里还有一批 Rules，主要记录功能边界、历史原因和不能碰的地方。比如为什么某类文件宁可漏掉也不能自动删除，为什么有些看起来重复的组件不能随便合并，哪些系统数据不属于 Mole。Rules 一多又很费上下文，我就按模块把它们拆开，只在改到相关代码时加载，再把经常重复的检查做成 Skills。bugs 会从以前的修复里找同类问题，design-system-review 看界面有没有越写越乱，release 则负责检查签名、公证、远端文件和更新链路，这样不需要每次都从头跟 AI 解释一遍。 5、还有一个对我很有用的法子，就是少做一些没有实际用的功能。现在 AI 加一个设置项、兼容分支或者后台监听太容易了，几分钟就能写出来，留下来的状态和维护成本反而腐化的最大的原因。比如Mole 现在对新功能设置了一些规则，比如尽量不增加常驻开销，不增加新的特权和系统权限，有合理默认值就不继续加设置项，更新和清理也不会因为发现一种新的可能性就一直扩范围，很多时候有很多功能是开发者自以为重要，但是使用者完全不在乎的功能，更多还是建议从用户中来，到需求中去，如无必要勿增实体。 6、需要充分利用好 Github 自动化 actions 的能力，这个会是你最后的兜底，其实代码写完、跑通、测试变绿以后也还没结束，我的项目里还有一套检查负责九种语言、网站生成结果、Appcast、Xcode 工程和公开部署文件之间的一致性，make verify 会把这些检查和测试一起跑，CI 再换到云端干净机器上重新来一次。到了发布的时候，本地代码、Git 提交、签名后的安装包、线上文件和用户实际收到的更新也是几种不同状态，我会分开确认。之前也遇到过源码完全正确，线上还在提供旧文件的情况，只看一个绿色结果很容易过早觉得已经做完了，其实是有错误的。 7、上面的一切，假如需要说特别的地方，我能想到的就是执行流程完全我没有插手干扰，每一步是 AI 自动化的去执行验证，出错了 AI 自动去解决，只不过会在不同的时候设置必要的流程卡点，让 AI 主动去验证，得到明确的结果才确定通过，并持续的去迭代规则，保持现有规则的新鲜度，并及时移除旧的逻辑，让本身的校验逻辑和本身的业务代码同步升级。 或许，这是我认为 AI 时代的工程师更需要培养的能力，如何让 AI 写的代码更好维护、更清晰、更好扩展，即使半年、一年、两年都不会腐化，而且会越来越听话，越来越符合开发者的心意，也给多 Agent 合作开发确立一个很稳靠的根基。之前手写代码的乐趣已经没有了，好在有这个弥补了一些纯 AICoding 过程无聊，让工程师的一些专业度得以延续下去。

拿遍硅谷顶级 lab offer 的人，写的ML面试指南 刚看完一篇 ML Research Scientist 面试指南，作者是 Silvia Sapora，PhD 做 ML，最后拿到了 DeepMind、Isomorphic Labs、Cohere、Meta和一家 stealth startup 的 offer，最后去了 DeepMind。 文章讲了很多实操指南，比如他说ML 求职已经越来越像一个工程项目、顶级researcher也会因为没准备面试而挂（原文里说，她认识很多极强的人，就是因为没准备而被拒）。感觉国内顶级researcher的面试也大概是这样。 总结一下看完体会最深刻的点，希望最优秀的研究员们，都能找到顶级的工作，不要因为没准备好面试，让才华短暂被埋没。 希望对大家有用。 1/ 拿到面试前，就是看简历 大家也可以按这个方向完善自己的履历： 3 篇以上一作/共同一作顶会 paper，至少一次大厂/前沿实验室实习，才比较稳定拿到 top lab 的 callback。 这里还有几个小细节： a.cold email 可能比想象中有效。尤其是直接写给 hiring manager 或团队成员，不要重复 CV 上已经有的东西，而是要讲清楚：你为什么 fit 这个 team，你为什么真的对他们的工作感兴趣。 b.cover letter 不要完全交给 LLM 写。可以让 LLM polish，但原始内容最好自己写，要有真实兴趣和个性。 c.LinkedIn / X 上的岗位信息要对看。很多 internship / research role 可能只通过某个 researcher 的帖子和 Google form 流出来。 2/ 一旦进面试，忘掉CV 但一旦进入面试，CV 基本就没用了。 很多面试官甚至不会仔细看你的简历。你有再多 ICLR / NeurIPS / ICML paper，这时候都没什么用了。 面试现在已经非常“杂技化”。 LeetCode、ML coding、debugging、ML fundamentals、LLM/RL/diffusion、system design、research discussion，全都可能问。 说白了，更像是一个压缩版竞技项目：45 分钟内，在陌生人注视下，把你平时几个月慢慢想、慢慢查、慢慢 debug 的东西，现场做。 b.这里有个很实用的方法。 每次面试前，她会把JD、公司、面试类型丢给 LLM，让它 mock interview，而且实际问题经常撞上（笑死，毕竟我估计问题也是AI写的）。 她还列了一张 baseline 清单，能在限时下从头写出来，才算状态在线： ① 端到端实现一个 transformer ② causal / cross / self attention ③ flash attention，以及它的 backward pass ④ MLP 的前向和反向 ⑤ 用 PyTorch 或 JAX 写一个带 SGD 的训练 loop c.还有个细节，越到顶级 lab，越不能靠“我懂这个方向”混过去。他们会问到非常基础，也会问到非常细，甚至会问你熟悉领域里最容易被忽视的部分。 3/ 情绪管理 她说自己最严重的问题是睡不好。一周 10 场面试的时候，整个人快被榨干。她还吃不下，看到食物会反胃，最后只能靠猛灌可乐补糖续命（她也说了，这不是什么最优解，只是她当时能想出的唯一办法）。 她还有一套面试前仪式：背景里插一束新鲜的花、化妆、看同样几个 comfort 视频。 听起来很琐碎，但我觉得非常真实。高压面试最可怕的，不一定是你不会，而是你明明会，但脑子突然空白。 4/ 谈薪是一场暗战，而且你大概率被读穿了 一天最好只排一场面试；先面自己没那么想去的公司练手；让不同 offer 尽量落在同一个窗口。 然后，主动告诉每家公司你还有其他流程。听起来很“职场”，但这些真的会影响最后结果。 到了谈 offer 阶段，peer offer 的重量也完全不一样。OpenAI / Anthropic / DeepMind 这种互相之间的 offer，才真的有谈判筹码（这部分大家都熟练了）。 这部分不要太信“谈判要像盲拍、别亮底牌”那套，好几家公司明确要求她出示竞争 offer 的截图才肯加价，有一家甚至当场质疑她截图的真假（lol）。 而且 recruiter 极其会读人。你多频繁提一家公司、用什么语气谈论它，全都是会被记录的信号。一旦对方知道自己已经是你的首选，你的谈判筹码基本就没了。她说自己很透明、很好读，所以在这上面吃了点亏。 唯一让人稍微松口气的是：公司真的想要你的时候，能报的数字比你以为的大得多。永远值得开口问，多数公司愿意谈。 其实她的履历已经很顶了。但她复盘下来，最有用的结论反而很朴素：做研究，和通过 ML 面试，是两套能力。

Moss 本周大更新 ：多币种Agent+实盘跟单直接上线！ Moss这次更新真的杀疯了，直接把门槛干没了。 现在支持22个主流币，BTC、ETH、SOL、BNB、ARB、DOGE这些全都能单独开一个AI交易Agent，完全对标Hyperliquid实盘环境。 从策略回测、模拟盘跑数据，再到真实资金自动执行，一套流程直接打通，不用自己折腾。 这周实盘跟单也正式开了，排行榜上做得好的Agent，直接一键复制自动跟单就行。 说下我自己的配置思路： BTC和ETH绝对不能共用一套策略，行情逻辑完全不一样。 BTC Agent：走宏观长线，盯美联储、ETF资金、减半周期，吃大趋势 ETH Agent：抓生态震荡，看L2、DeFi、质押叙事，灵活做波段 剩下中小币种全部单独建Agent，按各自的叙事和波动单独调参数。 真正做到每个人都能开自己的小量化基金，用大白话写策略，AI帮你24小时盯盘交易。自由度直接拉满，体验感拉满。 你们打算怎么搭配自己的多币种Agent？评论区聊聊思路。 #Moss# #Hyperliquid# #AICrypto# #加密交易#

未来三年还有很大红利的20个赛道 1、AI短视频获客代运营 很多老板知道AI重要，但自己没时间研究。你帮他们用AI写脚本、剪视频、做数字人、运营账号，核心不是做内容，而是帮老板获客。尤其本地实体店，需求还会越来越大。 2、小红书本地高客单获客 别只盯着餐饮探店。医美、摄影、婚庆、装修、月子中心、口腔、汽车服务都需要小红书获客。只要能稳定带来客户，一个商家每月几千到几万都愿意付。 3、TikTok海外内容电商 国内电商卷价格，海外很多品类还有利润空间。宠物、家居、美妆、3C小商品都能做。真正重要的不是英语多好，而是会做海外用户愿意看的内容。 4、AI Agent企业落地 未来真正值钱的，不是教别人怎么用ChatGPT，而是帮公司把AI接进工作流程。客服、销售、表格、数据分析、客户跟进，都可以用AI自动完成一部分。 5、AI垂直自媒体 以前一个人认真做一个账号都很累，现在借助AI，可以同时运营多个垂直账号。AI负责搜集资料、整理、剪辑和分发，人负责选题和观点，效率会比以前高很多。 6、企业AI培训 大量公司都知道员工要学AI，但内部根本没人会教。给销售、HR、运营、客服、管理层做AI培训，未来会成为很稳定的一门企业服务生意。 7、闲鱼无货源与信息服务 很多人还是把闲鱼当二手平台，其实里面有大量冷门需求。无货源商品、技能服务、信息服务，只要找到有人搜但竞争没那么大的需求，就可以长期吃信息差。 8、出海AI工具 / 微SaaS 不用做下一个ChatGPT。只要做一个能解决具体问题的小工具，卖给全球用户就行。图片处理、PDF、视频、SEO、招聘、设计、翻译，都有机会做订阅收入。 9、AI内容再生产 一个老板录1小时内容，可以拆成几十条短视频、小红书、公众号、推特。未来公司需要的不是单纯剪辑师，而是能把一份内容变成多个平台素材的人。 10、老板IP / 企业IP代运营 未来越来越多老板都要亲自出来做IP，但他们没时间，也不会做内容。你帮他做定位、选题、脚本、拍摄、运营，客户价值越高，代运营费用也越高。 11、玄学+情绪消费+文创 塔罗、水晶、香薰、手串、好运饰品，这类东西卖的从来不只是产品，而是情绪价值和仪式感。年轻人压力越大，这类消费反而越容易增长。 12、陪跑型社群 现在很多人不是缺知识，而是缺人监督。减肥陪跑、AI实操、英语打卡、自媒体陪跑，都可以做。课程卖一次，陪跑服务却可以长期收费。 13、本地相亲 / 兴趣社交 年轻人线上聊天越来越多，真正认识新人的机会反而越来越少。相亲局、徒步、露营、桌游、兴趣活动，都可以通过门票、会员和商家合作赚钱。 14、银发经济 中国老年人口越来越多，陪诊、养老、康复、适老化改造、老人用品都会持续增长。这个不是三年红利，而是未来十年以上的大趋势。 15、YouTube原创内容出海 国内有大量国外用户没看过的故事、商业案例、人物、历史和制造业内容。AI把翻译、配音、字幕成本打下来了，未来普通人做海外内容的门槛会越来越低。 16、私域会员制知识服务 未来知识付费不会只是卖一门课，而是卖长期服务。微信群、知识星球、训练营、会员社群，只要能持续提供价值，就可以形成稳定现金流。 17、AI电商视觉 / AI广告素材 以前商家拍商品图，要找模特、摄影师、摄影棚。现在很多商品图、海报、广告视频都可以用AI完成。真正值钱的不是会生成图片，而是能帮商家省钱和卖货。 18、情绪陪伴与情绪价值消费 聊天、陪伴、树洞、连麦、深夜直播，都会越来越常见。现代人越来越孤独，只要能提供稳定的陪伴和情绪价值，就有人愿意付费。 19、ToB销售 / 企业服务 普通人想提高收入，ToB一直是一条很现实的路。卖软件、企业服务、广告、招聘、咨询，一个客户可能就是几万甚至几十万，成交一单顶普通人卖很多小单。 20、健康管理 / 体重管理 / 抗衰 控糖、减脂、睡眠、运动、康复、营养，未来都会越来越重要。年轻时大家愿意为娱乐花钱，年龄上来以后，愿意花钱最多的往往就是健康。

這絕對是個大工程。能把這種跨越幾百萬年的宏大敘事撐滿兩個小時，沒點耐性真做不出來。 這類影片看下來，最讓人震撼的通常不是資訊量，而是那種「視覺上的跨越感」。你想想，畫面從幾百萬年前在樹上晃蕩的古猿，鏡頭一轉，變成在草原上直立行走、眼神開始有了神采的原始人。接著是火光的亮起、石器的打磨，再到後來古埃及、美索不達米亞的黃沙與神廟，最後一路飆到現代的霓虹燈和未來的星際探索。這中間的視覺張力，光是用腦袋想像就夠起雞皮疙瘩了。 不過，要用 Seedance 2.0 熬出這兩個小時，背後的工作量其實挺考驗人的。 多模態的優勢與代價 Seedance 2.0 厲害的地方在於它那種 「多模態控制」，你可以餵給它圖片、分鏡，甚至塞一段現成的視頻去讓它學習運鏡。做這種歷史迭代的影片，最怕的就是前後畫風崩掉，前一秒還是寫實史詩風，後一秒突然變成廉價 3D 動畫。作者大概用了大量的角色與場景參考圖，去死磕那種歷史的厚重感和前後的一致性。 而且它自帶音效同步，原始人打砸石器的撞擊聲、遠古暴風雨的咆哮，這種環境音要是合得好，史詩感立刻翻倍。 兩個小時是怎麼拼出來的？ 雖然這模型比以前進步很多，但它單次輸出的片長畢竟有限，也就十幾秒。這意味著，兩個小時的成片是由成百上千個鏡頭硬生生拼接出來的。 • 工作流的考驗： 作者得先把劇本和時間線拉好，古猿、南方古猿、直立人、智人、農業革命、工業革命……每一階段都要瘋狂生成素材。 • 墊圖與墊片： 為了讓轉場順暢，可能用了大量的 Image-to-Video 或者 Video-to-Video。比如用前一個時代的結尾畫面當作下一段的起點，或者指定運鏡讓鏡頭從遠古的星空拉下來，變成現代的夜景。 • 後期剪輯： AI 把畫面生出來只是第一步，後面還得靠傳統剪輯軟體去調色、對軌、加上轉場和旁白，不然單靠 AI 生出來的片段直出，節奏很容易散掉。 這種影片看著看著，真的會讓人有一種「人類好渺小、但文明又好神奇」的宿命感。你看過最震撼的是哪一個歷史階段的轉場？還是說，你對它最後預測的「未來進化」部分更有興趣？

给表妹写的一些 AI 学习和实操建议。 刚从中央美院回来，跟今年即将毕业的表妹聊了一路。聊下来我发现，她对 AI 的理解基本上还停留在豆包和 DeepSeek 上。 于是我真诚的给她写了一些建议，整理出来，希望也能帮到其他人。 1、不管怎么样，先买一个月 ChatGPT 会员，然后就去用。问它问题，什么问题都问，工作的、生活的，任何自己困惑的都行。 然后也试一试里面的图片模型，让它生成有意思图片。别因为舍不得 100 来块钱，或者嫌麻烦，不愿意折腾 ChatGPT 会员。这绝对是最值得的一笔人生投资。 2、ChatGPT 的 Plus 会员就有不少的 Codex 使用额度，不用另外花钱。所以，相当于有一个 ChatGPT 的会员，就可以直接用 Codex 了。 Codex 是类似 Claude Code 这样的 Agent 工具，可以写代码，处理各种各样的工作任务。 3、别费劲折腾 Claude Code 了。虽然 Claude Code 也有客户端，但现在大家主要还是在终端里。 对很多非计算机相关的人来说，门槛太高了。我觉得在 Codex 已经追上来的情况下，真没必要去学那些命令行，命令行根本不是这件事的关键。 4、用 Codex 解决一个真问题。光装上不算用起来，得拿它去解决一件自己手头的事。 我跟表妹说，她前段时间不是写论文吗，那能不能用 AI 做一个小工具，帮她排版，或者帮她优化论文。做一个小工具，立马就能够体会到成为一个 Builder 的爽感。 5、手机也一定要装上 ChatGPT。如果用的是苹果手机，那一定要想办法装 ChatGPT。 其实办法也很简单，只要愿意查，现在小红书那么多教程。手机上有 ChatGPT 之后，那我们随时随地只要有问题就可以问它，这就会方便很多。 6、把自己了解 AI 行业的信息源切换到 X 和 YouTube，去那里看最新的实践和思考。 X 上我们知道的硅谷创业者基本都有账号，可以 follow 他们，看他们在思考什么，在研究什么，在讨论什么。YouTube 上则有非常多优质的播客。 记得前两天看过一个帖子，说我们和硅谷的距离并不重要，只要我们会用 YouTube 和 X，我非常认同。 7、我刷 X 的目标很明确，就是去看硅谷那些顶尖的创业者、CEO、工程师，他们最新的思考、判断和经验。这个真的受益匪浅。 8、英语不好也没关系。可以给浏览器装一个翻译插件，这类插件很多，能设置成自动翻译某个网站的内容。 YouTube 也是，听不懂英文的话，可以找工具把视频内容导出为中文文字再读。 9、一定要用语音输入法。我现在电脑和手机上都在用豆包语音输入法。语音输入会极大地加快我跟 AI 互动的效率。 10、花 15 分钟搞懂什么是 Skill。注意，就花 15 分钟。这个概念其实不复杂，不需要长篇大论看很多东西。 明白之后立马去 Codex 里操作一下，装一个 Skill，再试着搭一个自己的 Skill。 然后就慢慢地、循序渐进地把它用到工作里。我的思路是永远在实践中学习。 11、还是要重视提示词。提示词说白了就是我们怎么跟 AI 沟通，跟怎么跟一个朋友沟通是一个道理。语气不一样、方式不一样，它给你的结果可能就不一样。 举个最简单的例子，让 AI 帮忙续写内容的时候，你提前跟它说好，别凑字数，不懂的地方要反过来追问我，这样最后生成的质量就会高不少。类似的小技巧还有很多。 12、刻意去调整自己的工作习惯。我们过去基本都是自己一个人在那吭哧吭哧地干活。有了 AI 之后你会发现，身边其实多了一个能跟你协作的人。 AI 不是工具，AI 是一个能帮我们干活的人。明白这一点，就得调整习惯，调整思维方式，告诉自己所有的事先让 AI 去干。 这个习惯不太好改，我的办法是在电脑前贴张便签，或者换一张壁纸提醒自己，硬逼着自己花 14 天把这个思维扭过来。

AI 会写代码、会做分析、会盯盘，但真到了拿真钱交易这一步，我还是想先站人类。😂 明天，WEEX AI Wars II 正式开打。 这次不是让 AI 做几张回测图、比比谁的参数更漂亮，而是直接把双方拉进真实市场：Team Human vs Team AI，5 轮实盘合约交易，最后让真实交易结果说话。 更有意思的是，AI 组也不是指定某一个模型。 开发者可以自己写量化程序，可以用 AI Agent，也可以接第三方 API 工具。 唯一的硬规则是AI 赛道只统计通过 WEEX API 执行的订单，手动下单不算 AI 成绩。 这就有点意思了。 人类的优势是经验、盘感、临场判断，以及对市场情绪的理解。 AI 的优势则是速度、纪律、数据处理能力，以及它不会凌晨三点看着浮亏开始怀疑人生。😂 到底哪边更强，我还真不敢提前下结论。 第一季 AI Wars 已经跑出了 80 亿美元交易量和 16 万次 API 实战调用，第二季则直接把 Human vs AI 摆到了台面上。 而且这次最高奖励来到 600,000 USDT。 所以我先把答案留在这里，我站人类这方！ 不是因为我觉得 AI 不够强，而是我更想看看交易这件事，到底什么时候才会轮到人类真正被机器教育🥊 明天开打，回来对答案。 参与 WEEX AI Wars II ：算法纪元活动：： #WEEX# #AIWars# #AI黑客松# #AITrading#