为什么你的 AI 交易代理需要记忆——以及我们是如何构建它的

Source: Dev.to

概览

我使用的每个 AI 交易助理都有同一个问题：失忆。

你让 Claude 分析一次黄金交易。它给出扎实的分析——指出伦敦时段的突破，标记阻力位，建议止损。很好。

下一周，出现了完全相同的布局。而 Claude 对上次发生的事情毫无记忆。那次突破成功了吗？止损被触发了吗？它不知道。它不可能知道。

这不是现实交易者的思考方式。资深交易员脑中存有成千上万的模式识别。他们称之为“对市场的感觉”——但其实只是记忆在时间中被提炼为判断。

于是我想：如果我们能给 AI 同样的记忆会怎样？

问题：AI 代理是无状态的

目前大多数 AI 交易工具的工作方式如下：

• 你向 AI 提供一些市场数据
• 它进行分析并给出建议
• 对话结束
• 下次再次从零开始

没有学习循环。AI 无法说“上次我在亚洲时段看到这个模式，失败了 4 次中的 5 次——我应该谨慎”。

现有的解决方案也没有解决这个问题。交易日志是为人类设计的，而不是为代理设计的。回测框架用于测试策略，但不会给 AI 一个可以实时查询的持久记忆。

解决方案：三层记忆架构

我们构建了 TradeMemory Protocol —— 一个面向 AI 交易代理的开源记忆层。它有三层，灵感来源于人类交易员实际的专业成长过程：

L1：原始交易记忆

每笔交易都会自动记录完整上下文——入场价、出场价、止损、止盈、时间框架、时段、结果以及 AI 当时的推理。可以把它看作一个永不遗忘细节的完美交易日志。

L2：模式记忆

反思引擎定期审阅 L1 数据并提取模式，例如：

• “XAUUSD 在伦敦时段的突破：73 % 胜率（n = 41）”

• “NFP 期间的逆趋势入场：23 % 胜率——避免”

• “强趋势日后的回撤入场：RSI 时 81 % 胜率”

• 架构文档：

• 许可证：MIT

L3：（本文未详细说明）

本文重点在 L1 和 L2；L3 将涉及更高层次的战略记忆。

由 Mnemox 在台北构建。我们为 AI 代理构建记忆基础设施。

如果你正在开发 AI 交易代理或对有用的记忆模式有想法，欢迎在 GitHub 上评论或打开 issue。