OpenAI 收购了 Astral，Python 三件套 Ruff、uv、ty 一起并入 Codex，这是 11 月 4 日那笔收购之后的第二笔，隔了不到一周。 这三件套月下载数亿次，FastAPI、Airflow、Pydantic 都在用，实际上已经是 Python 开发的事实标准。 逻辑不难懂，agent 写完代码要 lint、格式化、装依赖、查类型，这些确定性环节由谁控制，下游就绕不开谁，竞争也从模型能力转移到了工具链。 HN 上 777 分、485 条评论，质疑的几乎都集中在开源承诺能否兑现。交易完成后的许可证和治理情况，值得关注。

🐍 真省事，FastAPI 让你写好 Python 类型标注，就顺手得到一套能在线调试的接口文档。 FastAPI 在 GitHub 已经 10 万+ star，直接封神了，一万多个 fork，10 月 21 号一天就连发了四个小版本。 以前用 Python 写后端接口，参数校验要写一遍，接口文档再手写一遍，改一个字段两边都得同步，一忙就对不上。 FastAPI 的思路是直接借 Python 自带的类型提示：参数类型写清楚，数据校验交给 Pydantic，文档按 OpenAPI 标准自动生成，Swagger UI 和 ReDoc 两种界面开箱就有，前端同事打开网页就能自己点着试。 性能也不拖后腿，TechEmpower 的独立基准测试里，跑在 Uvicorn 上的 FastAPI 是最快的 Python 框架之一。 写接口这件事，终于不用一份逻辑维护三遍了。 GitHub：

💬 给 Slack 装个 AI 同事：Channels SDK 能把你写好的 AI agent 直接搬进群聊，在 Slack 和 Teams 里干活。 CopilotKit 出品，MIT 协议，npm 上装一个 @copilotkit/channels 就能开工，LangGraph、CrewAI、Mastra、Pydantic AI、Google ADK 这些框架做出来的 agent 都能接。 做内部工具的人都懂这种尴尬：agent 本身写得挺好，但没人愿意为它再开一个网页后台。同事们一天到晚泡在群里，你让他们专门打开一个链接去提问，用两天就没人用了。 Channels SDK 把 agent 挪到了人本来就在的地方。消息不是甩一坨纯文本过来，而是渲染成 Slack 的 Block Kit 和 Teams 的自适应卡片，按钮和选项都在卡片上点；该由人拍板的环节留了审批位，agent 要往外写东西之前先等你点一下同意。官方还拿它做了个开源的值班分诊助手 OpenTag，后面接 Python 写的 LangGraph agent，在 Slack 和 Teams 里原生交互，往 Linear 和 Notion 写数据之前都要人工确认，代码都公开在 CopilotKit/OpenTag。 工具不该让人换地方，该自己搬过去。 GitHub：

Trading agents 很火，期权交易员用它对改善交易逻辑会有帮助吗？看龙虾怎么说。 龙虾：看了，给你一个直评： **TradingAgents 是什么** 多Agent协作的LLM交易框架，模拟真实交易公司分工：基本面分析师、情绪分析师、新闻分析师、技术分析师 → 多空研究员辩论 → 交易员 → 风控 → 基金经理决策。基于LangGraph，支持GPT/Gemini/Claude/DeepSeek/GLM等多种LLM。 **能装吗？** 能。`pip install .` 或 Docker，要求Python 3.13。咱服务器上可以直接clone装。API Key方面，你已经有DeepSeek和智谱GLM的key，直接能用。 **对改善交易逻辑有帮助吗？** 坦率说，**有限**。原因： 1. **目标市场不匹配** — 它是美股单股分析框架（Alpha Vantage数据、StockTwits/Reddit情绪），你的核心是加密期权+A股期权，数据源和交易逻辑完全不同 2. **它做的是"分析→决策"，你做的是"定价→对冲"** — 它输出买/卖/持有建议，你需要的IV期限结构、希腊字母、deltaPA对冲、波动率交易，它根本不涉及 3. **LLM交易决策的实际效果存疑** — 论文是学术研究，实盘表现不确定。多Agent辩论听起来酷，但对期权交易员来说，不如一个好的波动率模型 4. **成本问题** — 每次分析调多次LLM，token消耗不小，产出的却只是方向性判断 **可能有点用的地方：** - 它的新闻分析师/情绪分析师模块，思路可借鉴，融入你的Deribit信号推送 - 如果你以后做美股个股期权，它的基本面+情绪分析框架有参考价值 - 多Agent协作的架构设计（LangGraph）值得学习 **我的建议：不装，但看看源码。** 特别是它的情绪分析流程和研究员辩论机制，可以提取有用思路融入现有工具链。要不要我把几个关键模块的代码拉下来看看？ 好，源码全看完了。给你一份提炼： --- **架构全景** ``` 4个分析师(并行) → 多空辩论(Bull/Bear N轮) → 研究经理(裁判)  → 交易员(具体提案) → 风控辩论(激进/保守/中性N轮) → 基金经理(终裁) ``` **值得借鉴的3个设计** 1️⃣ **多空辩论机制** — Bull/Bear各自拿到全部分析师报告，交替反驳，N轮后由Research Manager做裁判。这种结构化对抗能逼LLM暴露论据弱点，比单次生成可靠。 2️⃣ **情绪分析师的三源融合** — Yahoo新闻(机构框架) + StockTwits(散户情绪标签) + Reddit(社区讨论)，三源预取注入prompt，不让LLM自己调工具(避免幻觉)。输出要求写明牛熊比、跨源分歧、催化剂。这个思路可以移植到加密市场：替换成CoinTelegraph新闻 + Twitter/X + LunarCrush。 3️⃣ **决策记忆+反思** — 每次决策存档，下次同标的开跑时自动取回历史决策，计算实际收益和alpha，让LLM写一段反思注入Portfolio Manager的prompt。这种"闭环学习"设计比纯前向推理好。 **对我们没用的部分** - 数据源全是美股(Alpha Vantage/YFinance/StockTwits/Reddit)，加密市场用不上 - 决策输出是Buy/Hold/Sell方向判断，完全没有希腊字母/波动率/对冲的概念 - 风控辩论还是方向性的(激进vs保守)，不是量化的VaR/压力测试 - 结构化输出用的Pydantic schema，评分只有5档(Buy/Overweight/Hold/Underweight/Sell)，太粗 **可落地的改进思路** 对于Deribit信号推送，可以参考它的情绪分析流程： - 加密新闻(CoinDesk/CoinTelegraph) → 情绪打分 - Twitter/BTC相关讨论 → 散户情绪 - 链上数据(大额转账/交易所净流入) → 鲸鱼动向 - 三源融合后输出一个综合情绪分数，作为Deribit日报的补充维度 核心就三句话： - **三源融合**：新闻(事件)+社交(散户)+链上(鲸鱼)，看分歧比看一致值钱 - **预取注入**：数据先拉好再喂LLM，不让它自己调工具 - **散户情绪是反指**：社交极端乐观=警惕顶部，链上数据通常比新闻早12-48h