★ FEATURED ARTICLE 如何用每月20美元VM运行ATLASAI交易智能体系统技术栈与部署快速上手教程【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gicATLASby General Intelligence Capital是一个自我改进的 AI 交易智能体系统25 个 AI 智能体分 4 层每日辩论市场用提示词即权重、夏普比率即损失函数的 autoresearch 循环自我进化——全程只需一台每月 20 美元的 Azure VM无需任何 GPU。本文将带你拆解它的技术栈并给出快速部署上手的完整步骤。 为什么 20 美元 VM 就能跑起 AI 交易智能体这是 ATLAS 最反直觉的一点。传统 AI 量化训练依赖 H100 级 GPU 集群而 ATLAS 的核心思路是Agent 的提示词就是被优化的权重每个交易日就是一次训练迭代。它不训练神经网络而是让大模型Claude Sonnet负责思考自己的虚拟机只负责编排、记录、打分和 Git 版本管理。于是硬件需求被压缩到极致——一台便宜的 Linux 虚机即可承载整个多智能体交易系统。完整回测成本参考18 个月完整回测约 $50–805 组 PRISM 训练约 $30均为 LLM API 调用费用。️ 四层多智能体架构25 个智能体如何辩论市场ATLAS 采用渐进式过滤架构每层都在降低信号噪声。完整图示见 architecture/overview.md。层级智能体数职责输出L1 宏观层10央行、地缘、美元、收益率曲线等市场机制信号Risk On / Risk OffL2 行业台7半导体、能源、生物科技等行业选股各行业多空标的L3 超级投资者4Druckenmiller、Ackman 等 4 种投资哲学过滤符合哲学框架的标的L4 决策层4CRO 对抗性风控 → CIO 最终拍板带仓位大小的买卖指令几个值得新手关注的亮点**CRO首席风控官**是一个专职抬杠的智能体它会攻击每一个交易想法找出集中度风险、相关性风险等只有幸存的想法才能到达 CIO各层之间通过data/state/目录下的 JSON 文件传递信息形成完整的决策审计链见 architecture/layers.md每日 06:00–07:00 固定时间线跑完全部 4 层辩论07:00 执行交易。 Autoresearch 循环AI 交易智能体如何自我改进这是整个系统的心脏灵感来自 Karpathy 的 autoresearch。流程只有 5 步详见 architecture/autoresearch.md找出最弱的智能体——按滚动夏普比率排名选最低者生成一处针对性提示词修改——只允许改一处精准打击失败模式创建 Git 特性分支——修改以 commit 形式存在观察 5 个交易日——用真实市场反馈验证保留或回退——夏普改善了就git merge没改善就git reset。真实回测中378 个交易日54 次修改尝试16 次保留30%37 次回退。70% 的失败率恰恰说明这套保留/回退机制在真实把关。ATLAS 多智能体交易系统 378 个交易日的回测净值曲线部署阶段 22%图片来自仓库 results/equity_curve.png数据汇总见 results/summary.json 达尔文权重好智能体更响亮除了改提示词每个智能体还有一个0.3–2.5 之间的达尔文权重每日表现进入前四分之一→ 权重 ×1.05更被重视进入后四分之一→ 权重 ×0.95更被边缘化最高权重智能体的影响力是最小者的8 倍。最有意思的发现系统独立诊断出自己的 CIO 是短板把它降到了最低权重 0.3——人类后来手动排查也得出了同样结论。⚡ 技术栈清单部署 ATLAS 需要哪些组件组件选型作用LLMClaude SonnetAnthropic API25 个智能体的大脑群体模拟MiroFish生成模拟未来供智能体预训练市场数据FMP / Finnhub / Polygon / FRED价格、宏观、情绪数据源编排Python 异步管道每日 EOD 循环调度状态存储JSON 文件持仓、评分、提示词版本控制Git 特性分支追踪每次提示词进化基础设施Azure VM$20/月唯一需要的服务器其中 MiroFish 桥接模块src/mirofish/mirofish_bridge.py支持两种模式轻量模式直接用 Claude 模拟多智能体交互、零外部依赖适合新手入门完整模式则接入 MiroFish 引擎做复杂多轮模拟。 最快部署方法5 步在 VM 上跑起来第一步开通一台 20 美元 VM在 Azure 上选择2 核 / 4GB 内存 / 20GB 磁盘的 Linux 虚机Ubuntu 22.04 即可。ATLAS 不做本地模型推理CPU 完全够用不需要 GPU 实例——这正是成本能压到 $20 的原因。第二步克隆仓库并准备环境git clone https://gitcode.com/gh_mirrors/at/atlas-gic cd atlas-gic python3 -m venv .venv source .venv/bin/activate pip install anthropic仓库结构清晰参考 src/README.mdsrc/ ├── agents/ # 回测主循环、每日辩论、打分、autoresearch ├── prompts/ # 25 个智能体提示词文件示例为通用占位 ├── data/ # 持仓状态、回测数据、绩效追踪 └── utils/ # LLM 封装、日志、Git 操作第三步配置 API 密钥在 VM 上创建.env填入ANTHROPIC_API_KEY—— 核心依赖智能体推理全靠它FMP_API_KEY/FINNHUB_API_KEY—— 市场数据源至少配置一个可选ZEP_API_KEYMiroFish 完整模式用第四步初始化数据与状态目录market_data.py内置三重交叉验证拉取行情data/state/目录会自动生成各层之间的 JSON 消息文件macro_regime.json→sector_picks.json→superinvestor_views.json→portfolio_actions.json这就是你的决策审计日志。第五步启动每日循环通过 cron 或 systemd timer 在每日开盘前触发backtest_loop.py对应的主循环刷新数据 → 跑 25 个智能体 → 评分并更新达尔文权重 → 条件满足时触发 autoresearch 修改。整个过程在一台 $20 VM 上安静完成。 仓库开源的是框架、架构设计与回测结果经过市场进化训练出的提示词属于专有资产见 README Whats NOT Included。你可以基于示例提示词如 prompts/examples/cio.md搭建自己的智能体并让 autoresearch 从零开始进化它们。 进阶JANUS 元层与模拟未来训练当你在不同市场环境下训练出多组cohort智能体后janus.py 这个元加权层会按近期准确率动态调整各组权重——而权重差本身就是一个涌现出来的市场机制检测器短窗口智能体跑赢说明市场进入了新型机制长窗口跑赢则说明是历史重演。更激进的是模拟未来训练系统每晚用 MiroFish 生成地缘冲突、央行决议、黑天鹅等分支情景让数千个模拟角色基金经理、央行政策制定者、散户在其中互动交易智能体则在这些尚未发生的未来里提前预演训练。 总结这套 AI 交易智能体系统的核心启示提示词即权重不训模型也能训练市场反馈就是最好的监督信号Git 即实验管理commit / revert 天然就是 A/B 测试编排层与智能层同样重要ATLAS 最重要的发现恰恰是组合管理CIO比信号生成更可能是瓶颈20 美元/月的门槛让任何独立开发者都有机会实验多智能体交易系统。适合人群想理解 LLM 多智能体编排、对 AI 量化感兴趣的开发者与研究者。新手建议先通读 architecture/ 目录下的三篇文档overview → layers → autoresearch再对照本文的 5 步部署法动手即可在一台便宜 VM 上跑起你自己的自我进化交易智能体系统。【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gic创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
