上周我们做了一场关于 Agent Trading 的 Space，这个话题很容易滑向模型、策略、收益率，或者某些 AI trading 产品的具体功能。但那场讨论真正有意思的地方，不是“AI 到底能不能帮人交易赚钱”，而是当 AI agent 开始碰到钱，尤其是碰到交易、仓位、杠杆和风险的时候，我们到底愿意把多少权力交给它？

这个问题比 Agent Trading 本身更大，交易是一个很残酷的测试场，它不像写文章，写错了可以改；也不像做调研，结论不完整可以补。交易里一个错误的执行、一个模糊的 prompt、一个没有限制的 API 权限，可能直接变成真实损失。

所以，如果我们想看清楚 AI agent 在金融里的边界，Agent Trading 可能是最好的切入口之一。它会把很多平时被包装在“自动化”“智能化”“autopilot”里的问题全部拉到台前：AI 可以判断吗？可以执行吗？可以管理资金吗？可以承担责任吗？如果亏钱了，用户、平台、模型、策略方、钱包，到底谁负责？

这场讨论之后，一个判断反而更清晰了：AI Trading Agent 现在最大的机会，不是替你赚钱，而是阻止你犯错。

AI 最先落地的地方，不是下单

这场 Space 里有一个很强的共识：AI 在交易里已经有价值，但这个价值并不均匀地分布在每一个环节。

如果把一次交易拆开，其实至少有信息筛选、策略研究、交易计划、下单执行、仓位管理和风险控制几层。现在 AI 最强的地方，明显不是最后的“全自动下单”，而是前面的信息处理和策略框架。

有嘉宾提到，他自己的投资流程里，AI 在策略研究上的参与度可以到 80% 甚至 90%，但在下单执行上的参与度非常低。这个比例很说明问题，因为策略研究需要的是结构化思考，而下单执行需要的是非常具体、非常严格的权限和风控。

比如，一个人原本只是简单定投 BTC，但他可以把自己的思路告诉 AI：不同市场环境下，能不能用不同工具？震荡行情用网格，极端熊市用双币赢或期权，过热行情降低风险敞口，黑天鹅行情优先保护本金。

AI 的价值不是凭空发明一个赚钱机器，而是把一个模糊的交易想法，整理成一套更完整的框架：市场状态怎么分，指标怎么看，不同状态下用什么工具，哪些场景不能碰，什么时候需要停下来。

这件事对很多人很有价值，大部分人亏钱，不一定是完全没有判断，而是没有稳定的框架。今天看一个指标，明天听一个 KOL，后天被价格波动带着跑。AI 至少可以帮助人把自己的想法写清楚、拆开、复盘、迭代。

但这和“让 AI 自动交易”不是一回事，一个能帮你整理交易框架的 AI，和一个能被授权直接动用资金的 AI，中间隔着很多层约束。今天大部分可行的 Agent Trading 产品，更像 Copilot，而不是 Autopilot。

Copilot 的意思是：人仍然负责方向判断，AI 负责辅助分析、提醒风险、补齐信息、执行纪律。它不一定替你决定买还是卖，但它可以不断提醒你：你现在的仓位是不是过重，止损是不是和原计划一致，市场条件有没有真的触发，你是不是因为连续赚钱开始放大风险，或者因为亏损压力想做一次反向报复交易。这些东西听起来不如“AI 自动赚钱”性感，但可能更真实。

交易里很大一部分亏损，不是来自完全错误的方向判断，而是来自执行过程中的情绪化操作。你本来判断对了方向，但因为中间一根针提前平仓；你本来仓位合适，但连续赚钱之后开始加杠杆；你本来设置了止损，但真的跌到那里时又舍不得砍；你本来只是想做一笔短线，最后变成了长期套牢。

这些问题不是模型精度问题，而是人性问题。所以，AI agent 在交易里最现实的价值，可能不是比人更聪明，而是比人更冷静。它可以像一个不会上头的交易助理，把你自己提前写下来的纪律拿回来提醒你；在你想临时改计划时，强迫你重新解释为什么要改；在你已经连续盈利的时候，提醒你风险预算并没有变化；在你已经亏损的时候，阻止你用下一笔交易去证明自己没错。

从这个角度看，好的 Trading Agent 不应该先承诺收益率，而应该先承诺约束条件。它不是一个替你发财的神秘交易员，而是一个帮你少犯低级错误的执行系统。

Autopilot 可以存在，但必须被限制

当然，这不意味着自动交易完全不能做。Autopilot 可以存在，但它必须被限制在一个很明确的范围里。比如只能读取部分数据，只能在白名单交易所或协议里操作，只能使用固定脚本，只能在预设仓位范围内执行，必须配置止盈止损，达到最大亏损自动停止，达到最大盈利也自动停止，关键操作需要用户确认。

这和“你帮我赚钱”完全不是一个 prompt 级别的问题。一个危险的 Agent Trading 产品，是让用户给 AI 一句非常宽泛的指令：帮我在市场里赚钱。一个相对可控的 Agent Trading 产品，则是把 AI 的能力拆成很多被约束的步骤：在这几个指标里判断，在这个仓位范围内操作，在这个风险预算内执行，触发这个条件就停，超出这个范围就交回给人。

这也是为什么未来的 Trading Agent 产品，真正的壁垒不一定是“用了哪个模型”，而是“约束系统设计得好不好”。

模型会幻觉，会误解，会过度推理，会把用户说得不清楚的地方补成自己的理解。但交易不能靠模型的自觉。交易系统必须默认模型会犯错，然后用权限、脚本、风控、审计、日志、回滚、白名单、资金上限，把错误限制在可承受范围内。

如果一个 AI agent 可以直接自由调用交易 API，可以自己解释用户意图，可以自己决定仓位，可以自己改策略，还没有强制停止条件，那它就不是智能，而是风险放大器。

市面上的产品，已经开始把重点放到边界上

如果只停留在概念讨论，很容易把 Agent Trading 想得太抽象。但现在市面上其实已经有不少产品在尝试，它们还远没有到成熟阶段，但已经能看出一些方向。

这个市场最早跑出来的并不是一种标准产品，而是几种方向同时在试。

有些产品更像交易 Copilot 和信息层。它们帮助用户看行情、看链上数据、看聪明钱、做复盘、生成机会假设，不一定直接替用户交易，而是把信息筛选和交易计划这件事做得更快、更结构化。这个方向反而比较合理，因为它不需要一开始就拿走资金控制权，也不需要承诺收益。它的价值是帮用户减少信息噪音，降低复盘成本，让交易者更早看到可能的机会和风险。

另一些产品更接近 prompt-to-trade 或 perp autopilot。这里我会特别关注 Wallet V。它有意思的地方，不是把 AI trading 讲得更激进，而是把自己放在 self-custodial Web3 wallet with built-in AI trading agents 的位置上：用户选择交易对、AI 模型、交易金额、止盈止损和最大亏损，AI 工具负责持续监控市场，并向连接的平台提交订单。

这件事说明，Agent Trading 已经不是纯 PPT。至少在 crypto perp 和 prediction market 这种开放度比较高的场景里，产品已经开始让用户把 prompt、模型和风险参数接到真实交易执行上。

Wallet V 这类产品真正值得看的，不只是“AI 能不能下单”，而是它把哪些边界前置到了产品流程里。对普通用户来说，Agent Trading 最危险的误解，是以为给一句 prompt 就够了。但当交易金额、止盈止损、最大亏损这些参数被放到用户必须设置的位置上，用户会更清楚地意识到：自动化交易不是把钱交出去，而是在明确约束下授权一个系统执行。

它的风险提示也很克制：crypto、perpetual contracts、tokenized assets 和 prediction markets 都有重大亏损风险，相关交易由第三方平台提供，产品本身定位为连接外部平台的软件提供商，不提供投资、税务或法律建议。这个表述不是在削弱产品，反而是这类产品走向成熟时必须具备的表达。AI trading 的商业化不能靠把收益说满，也不能靠把责任说虚；它要把权限、风控和责任边界说清楚。

HyperPerps AI 和 xtrading 这类产品，也从另一个角度说明了同一件事：权限限制会成为 Agent Trading 的核心产品语言。HyperPerps AI 强调自己使用 Hyperliquid 的 agent-wallet system：bot 可以签署交易，但不能转账，不能提款；用户可以 revoke agent。它还把风险管理拆成几个很具体的层次，比如每笔交易有风险比例，entry 和 stop-loss 原子化放置，take-profit 是 reduce-only，风险收益比不够时 bot 不交易。

xtrading 的表达也很清晰：它只跑 Hyperliquid 上的 BTC 和 ETH perpetual futures，sub-wallet margin 被限制在 250 到 1000 美金，3 到 5 倍杠杆，每笔交易有 on-chain stop-loss，每日亏损上限触发后暂停新交易。它甚至把自己和普通 bot、copy trading 区分开：不是跟单，也不是用户配置一个规则，而是 agent 每 5 分钟自己判断要不要交易。但即使这样，它也明确写了：不托管资金、不保证收益、agent 会犯错、losing trades 会发生。

把 Wallet V、HyperPerps AI、xtrading 这些案例放在一起看，会更接近当前 Agent Trading 产品的真实状态。表面上，大家都在讲 autonomous agent。但产品里真正被反复强调的，是 self-custodial、non-custodial、cannot withdraw、stop-loss、daily loss cap、sub-wallet、risk-per-trade、revoke。也就是说，市场已经开始意识到：Agent Trading 的卖点不能只是“AI 会交易”，而必须是“AI 被关在什么边界里交易”。

还有一类产品，不一定被包装成 trading agent，但可能更接近 agent 金融自动化的早期可用形态。比如 Giza 的 ARMA 文档里，把 ARMA 定义为 autonomous yield optimization agent，目标是在 Base 和 Mode Network 上的 Aave、Morpho、Compound、Moonwell 等借贷协议之间，持续监控收益机会并自动重新配置稳定币资金，同时考虑 APR、协议奖励、生态奖励、交易成本、安全和用户控制。

这和高倍合约完全不一样。它不是让 agent 去预测某个资产明天涨跌，而是让 agent 在一组白名单协议里持续做收益优化。这里的判断空间更窄，动作更容易审计，风险边界也更容易被写进 smart account 或权限系统里。

也有一些产品更偏策略开发和 agent 基础设施。比如 Almanak 的文档里，SDK 被描述为用于开发和部署 autonomous DeFi agents 的 Python SDK，覆盖 strategy framework、CLI、connectors 和 API reference。这类产品不是直接给散户一个“点一下就赚钱”的界面，而是给开发者、quant 或高级用户搭建 agent、回测、部署策略的工具。

从长期看，这一层也很重要。因为真正可持续的 Trading Agent，可能不是一个通用模型直接接交易所，而是一个由数据、回测、策略约束、执行环境、权限系统和监控系统组成的完整 stack。模型只是其中一层。

所以，现在市面上的产品并不是都在做同一件事。有的做研究和信号，有的做 prompt-to-trade，有的做 perp autopilot，有的做稳定币收益优化，有的做 agent wallet，有的做策略开发框架，有的则更接近 token 叙事和 launchpad。如果把它们都简单归成“AI 自动交易”，就会看错。

更准确地说，现在 Agent Trading 市场已经从“AI 会不会交易”的 demo 阶段，进入了“AI 被允许在什么边界内交易”的产品阶段。这也解释了为什么监管和研究层面的声音会比较谨慎。

CFTC 曾经发过一个很直接的 customer advisory，标题就叫 AI Won't Turn Trading Bots into Money Machines。它提醒用户，不要相信那些声称 AI-created algorithms 可以带来巨大收益或保证收益的交易 bot 和 crypto-asset trading scheme。这个提醒不是针对某一个产品，而是针对整个叙事：一旦 AI 和交易被放在一起，最容易出现的风险就是“高收益承诺”。

2026 年 5 月的一篇 arXiv 研究《Paper Agents, Paper Gains》也给了一个很冷静的观察。它研究了 DeFi investment agents，结论是当前部署仍然早期且异质化；很多项目还没有清晰证据证明真正的 autonomous trade execution；一些可见部署仍然更像基础 API integration；作者也提出，判断这类系统是否接近 investment-grade，应该看三个维度：autonomous execution、risk-adjusted profitability 和 stakeholder alignment。

这个框架很有用。它提醒我们，评估 Agent Trading 产品时，不应该只看“有没有 AI”“有没有交易”“有没有收益截图”，更应该问的是：它到底有没有自主执行？它的收益是不是经过风险调整？亏损、滑点、资金费率、手续费有没有被计入？它能不能被 revoke？它能不能提款？有没有强制止损？有没有公开日志？有没有把失败案例也拿出来？

这些问题，比“用的是 GPT 还是 Grok”重要得多。

“人人都能用 AI 赚钱”这句话不成立

Agent Trading 最容易被讲成一个很诱人的故事：以前只有专业交易员、量化团队、基金才能做的事情，现在普通人也可以用 AI agent 做了。

这个故事有一部分是真的。AI 确实降低了很多门槛。它可以帮人读信息、写脚本、理解期权、整理策略、做复盘、搭建监控。很多过去需要专业知识和时间堆出来的东西，现在可以更快开始。

但如果这个故事继续往前走，变成“普通人用同一个 AI agent 就能持续赚钱”，那就不成立了。原因很简单：交易不是一个所有人都可以同时赢的游戏。在一个充分博弈的市场里，如果所有人用同一个模型、同一套数据、同一类策略，最后这个策略本身就会失效。不是因为 AI 不够聪明，而是因为市场会吸收掉公开、通用、可复制的优势。

所以，通用型 Trading Agent 很难成为一个持续 alpha 来源。

更可能成立的是垂直场景和个性化 agent。前者比如信息筛选、链上钱包追踪、预测市场里的聪明钱识别、稳定币收益优化、小容量套利、风险预警。这些场景不一定要让 AI 变成万能交易员，只要它在一个小范围里比人更快、更稳定、更不懒，就有价值。

后者则更接近一个长期训练出来的个人交易系统。每个人的资金规模、风险偏好、交易周期、熟悉标的、心理弱点都不一样。真正有价值的 agent，可能不是一个所有人共享的交易大脑，而是一个围绕个人交易风格长期训练和迭代的系统。

但这也意味着，它不会是一个很轻松的消费级产品。个性化 agent 需要数据、回测、策略记录、交易日志、风险偏好、长期记忆，还需要用户持续修正。它更像一个长期训练出来的交易操作系统，而不是下载即用的赚钱插件。

所以，Trading Agent 的终局大概率不是“一个万能 AI 交易员服务所有人”。更现实的终局可能是：每个人都有一套自己的交易辅助系统，但系统的能力上限，仍然取决于这个人的判断、纪律、资金管理和风险承受能力。

你愿不愿意把 1000 美金交给 agent 自动交易 30 天？

这场讨论里另一个很有意思的点是：当问题从概念讨论变成“要不要把自己的钱放进去”，大家的答案都变得很谨慎。

有人愿意，但前提是先用 50 美金跑过。有人愿意，但会每天调整 prompt，开开关关，不会真的完全放手。也有人不愿意让它做高风险交易，但愿意让它在白名单协议里做稳定币理财、收益率优化和风险预警。

这个反应很真实。当我们抽象地谈 Agent Trading 时，很容易觉得未来很大。但当问题变成“你自己的钱愿不愿意放进去”，所有人都会立刻回到风险、信任和可控性。这也是为什么稳定币理财、smart account、收益率优化，可能比 AI 高倍合约更适合 agent 先落地。

因为这里的目标不是追求十倍收益，而是解决几个更朴素的问题：哪里收益更高，哪里风险更低，什么时候需要调仓，哪个协议出现异常，gas 成本是否值得，是否有更好的路径，资金能不能只在白名单协议之间移动，收益能不能只回到指定钱包。

这个场景里的 agent，更像一个不偷懒的理财操作员。它不需要预测 BTC 明天涨跌，也不需要在合约市场里和专业交易员对抗。它只需要持续监控、比较、提醒、执行一些被明确授权的动作。

这听起来没有那么刺激，但金融产品里真正能承接大资金的，往往不是最刺激的东西，而是最能建立信任的东西。

如果一个 smart account 只是帮你把 3%-6% 的收益多优化 0.5 个点，用户未必愿意放很多钱进去。但如果它能证明自己长期安全运行、风险事件时能及时撤出、权限边界清晰、团队有赔付和响应能力，那它的价值就不只是收益率，而是信任。

金融最大的门槛，很多时候不是功能，而是信任。以太坊为什么在体验不完美、性能不最优的情况下，仍然承载大量 DeFi TVL？一个重要原因就是历史运行时间和信任积累。金融系统不是靠一句“我们更智能”赢得资金，而是靠长时间证明自己不会轻易出事，出事之后也能处理。

Agent 理财也是一样。它要承接真金白银，就必须先回答：我凭什么相信你？

Agent Payment 也会遇到同一个问题

这场讨论后半段也聊到了 Agent Payment。它和 Agent Trading 其实是同一个问题的两面：Agent Trading 问的是，AI 能不能替我动用资金去交易；Agent Payment 问的是，AI 能不能替我动用资金去支付。

表面看，支付比交易简单。交易有涨跌，支付只是付款。但真正进入产品层面后，支付也不是一个简单的转账问题。

Agent 凭什么有权付款？谁来确认它没有越权？它能花多少钱？它能向谁付款？服务有没有真实交付？付款失败、买错、被攻击、被诱导时，谁负责？

稳定币在技术上当然适合 agent。它可编程、可自动调用、可以 7×24 小时结算，资金流和信息流也更容易被放在同一个系统里。但稳定币支付本身还有很多没有解决的问题：合规、身份、授权、商户接受度、对账、风控、责任、退款、争议处理。如果稳定币支付在现实商业里的渗透率还不高，那么在它之上再切一个更小的 Agent Payment 场景，商业化就不会那么快。

所以，Agent Payment 不是没有未来，而是现在还很早。它真正缺的不是“AI 会不会转账”，而是一整套让 agent 可以被授权、被限制、被验证、被追责的基础设施。这和 Agent Trading 完全一样：问题不是 AI 会不会下单，而是它凭什么下单，下错了怎么办，谁承担后果。

如果 AI 交易亏钱了，责任算谁的？

这是整场讨论里最关键的问题。如果一个 AI trading agent 亏钱了，用户会找谁？找自己，找平台，找模型，找策略提供方，找钱包，还是找执行交易所？

如果产品只是一个 copilot，平台可以说：我只是辅助分析，决策是你做的。

如果 agent 是用户自己训练的，平台也可以说：策略来自你自己的偏好和配置。

但如果平台直接提供 prompt，直接提供策略，直接承诺收益，甚至把用户资金放进一个 vault 里统一跑，那它就越来越像一个高风险基金，责任也会越来越重。

这也是为什么 Agent Trading 产品的表达边界非常重要。如果一个产品说“我能帮所有人赚钱”，那它本身就很危险。如果一个产品说“我可以在你明确授权和限制的范围内，帮你更好地执行计划、控制风险、减少情绪化操作”，这反而更可信。

金融产品最怕的不是能力小，而是承诺过大。能力小可以慢慢做。承诺过大，一开始就会把用户、监管、平台和模型全部推到错误的位置上。

尤其是在交易这种多方博弈市场里，风险不像自动驾驶那样可以相对清晰地精算。自动驾驶至少有明确目标：不要撞人、遵守规则、到达目的地。交易没有一个所有人都能同时达到的标准答案。

市场里有人赚钱，就会有人亏钱。所以 Agent Trading 很难用“AI 更聪明，所以大家都赚”来解释。它更应该被当成一种高风险金融工具，或者一种带有严格权限和风险披露的交易辅助系统。谁愿意用，谁就必须理解自己在承担什么风险。

现在怎么看 Agent Trading

Agent Trading 不是一个伪命题。相反，它会成为 AI x Crypto 里很重要的一条线。因为 Crypto 市场本身就是 7×24 小时、链上数据丰富、资产可编程、API 和钱包天然开放的市场。它非常适合让 agent 参与信息处理、监控、执行和自动化。

但它不会按“AI 替散户自动赚钱”这条路线成熟。更现实的路径可能是先从信息筛选开始，再到策略框架和复盘，再到风险提醒和仓位管理，再到白名单场景里的半自动执行，再到稳定币理财、预测市场、链上钱包追踪、小容量策略这些垂直场景。最后，才可能出现真正个性化、长期训练、能在特定范围内自动执行的 trading agent。

这条路不会像叙事里那么快，也不会像很多 demo 那么轻松。因为只要 agent 开始碰钱，产品就不再只是 AI 产品，而是金融产品。金融产品的核心不是模型炫技，而是信任、约束、风控、披露、合规和责任边界。

这也是这次讨论里最重要的启发：Agent Trading 的第一个成熟形态，不是一个全自动赚钱机器，而是一个更诚实的交易操作系统。它知道自己不能承诺市场会怎么走，但可以帮你把信息看得更完整，把策略写得更清楚，把执行做得更稳定，把风险限制在更可承受的范围里。

对很多人来说，这可能已经很有价值了。因为在交易里，真正难的从来不只是找到机会。更难的是，在机会、贪婪、恐惧和不确定性之间，仍然按照自己提前承认过的规则行动。如果 AI agent 能先做到这一点，它就已经不是玩具了。

Written by: Yuki（刘雨晴）Stablehunter/Money in Motion