AI代理的核心定义与自动化区别

本文旨在构建一个能自主交易的AI代理，而非简单的自动化工具。作者投入了500美元真金白银进行为期两个月的实盘测试，最终获得了超过8%的收益。需要强调的是，这并非投资建议，而是关于如何构建通用AI代理的技术实验。“我是一名金融顾问吗？不。这不是股票建议。” AI代理的核心逻辑在于其具备目标、决策、行动和记忆的能力，即“Goal, Decide, Act, Remember”。与定时发送新闻或天气的自动化任务不同，“如果它每次执行相同的固定步骤，那就是自动化；如果它观察情况并做出自己的决定，那才是代理。” 例如，智能代理不仅查看天气，还会结合日历发现下午四点有户外会议且预报降雨，从而主动起草邮件建议将会议移至室内。这种基于情境的动态决策能力是AI代理区别于传统脚本的关键。

系统架构：大脑、工具与记忆

构建该交易代理需要三个核心组件。首先是“大脑”，即调度中心，作者使用Cloud Running作为定时任务，每个工作日美股开盘前（5:30 AM）唤醒代理。其次是“手”或工具，这里选择了Robinhood应用。“今年他们推出了Agentic Trading功能，允许代理使用真金白银进行交易。” 用户需开设专门的代理账户并隔离资金，确保AI只能操作指定金额。此外还配置了Notion作为“记忆”模块（账本）。在权限设置上，默认情况下交易需人工审批，但为了测试完全自主性，作者关闭了此功能。“如果你第一次尝试这个实验，请务必保持审批开启。” 这种架构确保了代理能在无人干预的情况下独立执行交易指令。

交易策略与风险控制规则

该代理遵循一套严格的“规则书”，由作者研究并批准，AI仅负责执行。核心策略为：“买入我关注列表中跌幅最大的股票……只要它没有创出52周新高就持有，直到创新高后卖出。” 这里的“52周高点”指过去一年内该股票的最高价格。具体执行逻辑包括：从33只股票的固定关注列表中，同时持有最多5只股票（每只约占账户的20%）。买入触发条件是股价从高点下跌至少7.5%。风险控制极为严格：“单笔订单不超过账户的25%，每天最多交易五次，禁止借贷或做空。” 若数据异常则当日不操作；设置熔断机制，当账户从最高点回撤达25%时自动停止交易直至人工重启。关注列表每60天审查一次，期间不可更改。

无代码搭建步骤与工具集成

构建过程无需编程，分为五个步骤。第一步是连接工具：通过设置中的连接器添加自定义MCP（Model Context Protocol）链接，这是让AI调用其他应用的插件。登录Robinhood并开设代理账户存入500美元后，同样方式连接Notion以建立记忆库。在此过程中，作者介绍了其开发的iOS应用“ango task”，该应用支持通过自然语言对话创建、编辑任务和查询状态，如“提醒我明天早上给牙医打电话”即可自动创建任务并调整其他日程。这种对话式交互体现了AI代理在个人助理场景下的潜力，用户只需通过语音或文字指令即可完成复杂操作，无需手动点击菜单。

构建核心：状态记忆与指令系统

这个AI代理的核心在于其持久化的状态管理。在顶部有一个关键的数据框，用于记录当前账户的实时状态（活跃或暂停）、历史最高净值、持有的股票份额以及现金余额。代理每天早晨首先读取这个“盒子”，并在一天结束时重写它，随后在下方添加一条包含当日所有操作及其理由的日志条目。如果没有这种机制，代理每天早上醒来都会忘记昨天的行为。这一设计确保了决策的连续性。

指令部分由纯英文写成，包含账户选择、策略逻辑、安全规则、观察列表以及每日执行的精确步骤。流程包括：检查市场是否开盘、读取账本、获取价格、逐一核对规则、下单、撰写报告并更新账本。指令末尾包含诚实原则，如“绝不将过去的测试结果视为保证”。该版本经过与Claude十轮迭代优化而成，核心原则是“如果不确定任何事，就什么都不做”。

测试迭代与自动化部署

在正式调度前必须进行严格的本地测试。首先通过Robinhood连接器查询账户余额、Google股价及Meta市盈率等基础数据，然后运行完整指令并检查其推理逻辑是否正确。如果代理读取账户错误或 reasoning 不合理，需修正指令后重试。

测试通过后，直接在聊天中要求Claude在每个工作日早上5:30运行任务并发送报告。代理具备自我维护能力：一个月后，第二个每60天运行的代理被创建，用于重新研究股票并更新观察列表。早期部署中曾出现技术故障：由于Google Drive权限问题，代理无法编辑现有文档导致“断路器”失效。修复后引入新规则：如果无法读写账本，则禁止交易并大声警告。这体现了构建代理的核心逻辑：观察、修复、添加规则。

日常运作与交易案例解析

大多数交易日，代理执行所有规则后决定“今日无操作”。例如报告显示：“今天没有行动。五项持仓均在通道内。”这正是代理与简单定时任务的区别：它每天根据不同的价格和持仓检查记忆、核对规则并行动。

具体交易案例显示，8月20日第一天买入5只股票各100美元（Vistra, Constellation Energy等）。9月25日Meta触及52周新高，代理以$76.74卖出全部仓位（成本约$54.5），单笔获利$31.62。所有Meta交易累计利润为$37.59。次日，代理用这笔钱买入了列表中跌幅最深且通过所有检查的新股票L3H。规则强调：不犹豫，严格执行。在41个交易日内，仅执行了13笔交易（9买4卖）。

最终绩效与理性反思

初始资金为$500（8月19日），截至周五收盘账户余额为$533.60，获利$33.60（约7%）。其中大部分利润来自Meta的卖出锁定。然而，作者展示了常被忽略的回撤数据：10月7日账户曾达$582（涨幅超16%），随后因科技股下跌回落至$533。同期标普500指数基本持平。这种波动在策略中完全正常，也证明了“断路器”机制的必要性。

“Two Months Is Way Too Short to Say If the Strategy Is Good or Bad.”

作者强调，代理并非天才，而是纪律的执行者。由于测试数据存在偏差（仅针对已表现良好的股票），结果具有误导性。对于非美国用户，可通过API或人工辅助实现类似逻辑。核心启示适用于任何自动化任务：目标、决策、行动、记忆。务必先用纸面交易或小资金测试，因为AI只会高效执行糟糕的策略。

结论

该实验证实了基于“目标、决策、行动、记忆”架构的AI代理具备独立执行复杂金融策略的能力，而非仅依赖固定脚本。在500美元、两个月的实盘测试中，代理实现了约8%的收益（$33.60），主要得益于严格执行“买入跌幅最大股、持有至52周新高卖出”的规则，且期间仅执行13笔交易。尽管收益跑平标普500指数，但账户曾出现超16%的回撤并回落至7%，凸显了策略波动性及“断路器”机制的必要性。

核心启示在于AI是纪律的执行者而非策略创造者。测试数据存在偏差，短期结果不具备统计显著性，且AI会高效执行糟糕策略。因此，该架构适用于需要严格纪律的自动化场景，但必须配合严谨的规则设计与小资金测试。对于非美国用户或普通投资者，这更多是技术验证而非可复制的投资建议，盲目信任AI可能导致在无效策略上加速亏损。