最新

我没有直接将原始价格数据输入提示中，而是将大型语言模型（LLM）严格视为“定性推理者”（大脑），并构建了确定性的脚本作为“定量执行者”（双手）。 数学层（零幻觉）：传统的 Node.js/Python 脚本提取市场数据并计算确定性指标（简单移动平均线 SMA、平均真实波幅 ATR、相对强弱指数 RSI），并对历史胜率进行回测。 上下文层：它通过 Finnhub/Tavily 获取实时新闻、美国证券交易委员会（SEC）文件摘要和华尔街评级。 LLM 大脑（DeepSeek-R1 / GPT-4o）：模型仅接收计算结果。它充当投资委员会，权衡技术设置与宏观新闻催化剂之间的关系。 风险控制器：即使人工智能大喊“买入”，系统也会通过硬编码的波动率平价模型（使用 ATR）来计算确切的安全持仓规模。 人机协作（Telegram）：在执行方面，我集成了一个政策引擎。机器人会向我的 Telegram 发送一张精美的提案卡。只有在我回复/批准后，它才会通过经纪人 API（Longport/Alpaca）执行。 1000 美元实验： 我现在正在进行这个实验。这不是为了致富，而是一个工程实验，旨在观察多代理系统是否能够在嘈杂的市场中保持正的期望值（+EV），而不会崩溃。 目前，系统在第一周的表现为 [上涨 2% / 下跌 1% / 持平]。它成功避免了昨天的假突破，因为熊代理成功地在低成交量下与牛代理进行了辩论。 技术栈：Node.js、TypeScript、SQLite、better-sqlite3、Longport SDK。 我将整个框架开源。它高度模块化，因此您可以轻松替换自己的指标或提示逻辑。 我希望 HN 社区能对我的架构进行批评，指出我在回测逻辑中的盲点，或者告诉我我将多快失去这 1000 美元。

我正在构建 CmdRunner，一个能够直接从文档中执行 web 应用测试用例的 AI 代理。 大多数团队维护着 Selenium 或 Playwright 脚本，但许多团队已经在 Excel 或文档中编写了测试步骤。 CmdRunner 可以读取这些步骤，并像人类测试人员一样在浏览器中执行它们。 工作流程： 1. 上传测试用例文件 2. 代理理解每个步骤 3. 打开浏览器 4. 执行动作 5. 验证结果 6. 生成报告 目标：减少维护自动化脚本所花费的时间。 如果有人有兴趣用真实的测试用例进行尝试，请在这里注册： <a href="https:&#x2F;&#x2F;cmdrunner.com" rel="nofollow">https:&#x2F;&#x2F;cmdrunner.com</a>

在 https://www.githubstatus.com 上没有报告任何问题。<p>但我看到操作失败，错误信息为：<p><pre><code> 错误：响应状态码未指示成功：401（未经授权）</code></pre>