港大团队开源「龙虾交易员」：你负责说话，AI负责盯盘、回测、管仓位

2024年如果你想做量化交易，需要先搞定三件事：学Python、搭回测框架、找数据源。一套流程走下来，没三个月下不了手。

2026年，事情变了。

香港大学数据科学实验室（HKUDS）4月开源了一个叫Vibe-Trading的项目，不到两个月GitHub破11000 Star。它做的事很简单：把量化研究的门槛从"写代码"砍到"说话"。你对着终端说一句"帮我回测一下BTC过去一年的均线策略赚了多少"，Agent自己拉数据、写策略、跑回测、出报告。

听起来像科幻，但项目已经上了PyPI，一条命令安装。我花了一周把它从头到尾拆了一遍，下面从架构到实操，把它的能力边界和真实表现说清楚。

不是又一个"AI炒股工具"，是一套Agent驱动的研究工作台

先把市场定位说清楚。

现有量化开源项目可以分三层：底层是数据接口（AKShare、Tushare），中层是回测框架（Backtrader、vnpy），顶层是策略模板。但这套链条有个断点——你得自己把三层串起来。数据怎么清洗、策略怎么写、回测参数怎么调，每一步都是代码活。

Vibe-Trading的定位不在这一层。它是在这三层之上架了一个AI Agent层：你用自然语言说需求，Agent自动规划任务、调用工具、串联全链路。它不替代AKShare或Backtrader，而是让它们可以被"说话调用"。

这个架构有三个关键设计。

第一，ReAct循环。 Agent不会一次性规划所有步骤，而是"先推理、再调用、看结果、继续推理"。比如你让它分析茅台北向资金关系，它会先推理"我需要拉茅台股价和北向流入数据"，调用get_stock_data和get_capital_flow，拿到数据后再推理"还需要做相关性分析"，如此往复直到任务完成。这种模式比一次性规划更接近人类研究员的思考方式，中间有阻塞可以自己调整。

第二，74个金融技能按需加载。 每个技能是一个独立的SKILL.md文件加上example.md示例，Agent用load_skill工具按需加载，不会一次性塞满上下文窗口。技能覆盖八大类：数据源（AKShare、Tushare、yfinance等6个）、策略（动量、均线、配对交易等12个）、分析（波动率、VaR、相关性等14个）、资产类别（股票、期货、期权等8个）、加密（链上数据、Gas分析等10个）、资金流（北向资金、主力流向等7个）、工具（可视化、报告生成等6个）、风险（最大回撤、Sharpe、VaR等11个）。

第三，技能会自己进化。 某个工作流跑通了，Agent可以调用save_skill把它保存成可复用的技能。数据源API变更了，Agent能调用patch_skill自动修复。这意味着这套东西越用越聪明——不是一个每次都从零开始的"对话型"问答，而是有记忆的研究助手。

四大核心功能拆解

1. 自进化交易Agent：从一句话到完整回测

这是最核心的能力。用户输入大白话描述，Agent自动完成从数据获取到回测报告的全链路。

举个例子。你输入：

“帮我分析一下茅台（600519）和五粮液（000858）过去三年的股价相关性，跑一个配对交易策略的回测。”

Agent的处理链路是这样的：

第一步，它识别到两个A股标的，自动调用load_skill加载get_stock_data技能，从AKShare拉取两只股票过去三年的日线数据。第二步，发现还需要配对交易回测，加载pair_trading技能，用Engle-Granger两步法做协整检验。第三步，计算spread = 茅台价格 - β × 五粮液价格，设定布林带进出场信号。第四步，调用backtest技能跑历史回测，输出收益率、最大回撤、Sharpe Ratio。第五步，调用report技能把结果渲染成图表和Markdown报告。

整个过程大概30-60秒。你不需要知道AKShare的API参数、不需要手写协整检验代码、不需要调Backtrader的回测引擎。Agent帮你做了所有"翻译"工作。

同样的逻辑适用于加密市场。你只需要换一下标的：

“用OKX的BTC-USDT永续合约数据，回测一个EMA12/26的金叉死叉策略，看最近半年表现。”

Agent会自动加载加密数据源技能（OKX + CCXT），用CryptoEngine跑回测——这个引擎专门处理7×24连续交易、永续合约的资金费率等加密市场特有规则。

2. 多Agent交易团队：29个预设Swarm，像真实交易室一样分工

单个Agent分析能力有限时，可以启动Swarm多Agent团队。Vibe-Trading内置了29个预设团队，每个团队里多只"龙虾Agent"各司其职。

以investment_committee（投资委员会）为例：

1. Long Analyst（多头分析师） 先拉取目标股票的财务数据、技术指标、行业对比，提出看多理由。不是空洞的"我看好"，而是带数据支撑的论点。
2. Short Analyst（空头分析师） 从相反角度攻击——估值是否过高、有没有潜在利空、技术面有没有顶部信号。
3. Risk Evaluator（风险评估师） 识别风险点：最大可能的亏损幅度、流动性有没有问题、系统性风险敞口多大。
4. PM（投资经理） 综合三方的分析做最终决策。

关键细节：每个Agent发言前会先拉取真实市场数据，不是对着空气辩论。而且整个过程实时输出，你能看到每只"龙虾"在想什么。

其他预设团队包括quant_desk（量化策略台）、crypto_desk（加密交易台）、risk_committee（风险管理委员会）等，覆盖从选股到风控的常见场景。

3. 跨市场回测引擎：六大市场，各有各的规则

Vibe-Trading支持A股、港股、美股、加密、期货、外汇六大市场。每个市场有独立的回测引擎，自动处理该市场的特殊规则：

市场	引擎	特殊规则
A股	ChinaAEngine	T+1交易、涨跌停限制、印花税
美股	USEngine	T+0、盘前盘后交易、25%日内交易限制
加密	CryptoEngine	7×24连续交易、永续合约资金费率
期货	FuturesEngine	合约到期日、保证金计算、交割规则

数据源有六个通道：Tushare、AKShare、yfinance、OKX、CCXT、Futu。系统会自动选最佳的，如果一个挂了自动切下一个。A股回测还支持PIT（Point-in-Time）财报数据——保证不会用到还没公告的财务数据，避免未来信息泄露这个量化初学者最容易踩的坑。

4. Shadow Account影子账户：量化你的心理偏见

这是Vibe-Trading最特别的功能，其他开源量化框架都没有。

它不回测策略，而是分析你自己的真实交易记录。流程分六步：

你上传券商交割单（支持同花顺、东方财富、富途和通用CSV格式），系统解析交易行为，生成行为画像（持仓天数、胜率、盈亏比、最大回撤），然后通过四种心理偏见诊断：处置效应（赚了就跑、亏了死扛）、过度交易（频繁买卖交手续费）、追涨杀跌、锚定效应（死盯成本价不放）。

最关键的是最后一步——审计对比。系统从你的交易记录中提取出"影子策略"：假如你严格按照自己实际执行的买卖规则操作（去掉情绪干扰），理论上能赚多少？跟你实际赚的对比，中间的差额就是你心理偏见的"成本"。

这个功能的洞察力很强。大多数散户亏钱不是因为"策略错了"，而是因为"策略执行歪了"。Shadow Account把你的执行偏差量化出来，告诉你到底是选股有问题还是纪律有问题。

技术亮点：五层上下文压缩 + MCP生态

量化研究通常涉及大量数据，Agent会话很容易超出LLM的上下文窗口。Vibe-Trading做了五层上下文压缩：

第一层，静默裁剪旧的工具调用结果，只保留最近3个。第二层，纯字符串操作——长文本保留头尾折叠中间，零API成本。第三层，token超出阈值时调用LLM生成结构化摘要。第四层，Agent主动调用压缩工具。第五层，在已有摘要基础上更新而非重新生成。

这个设计让Agent可以处理超长研究会话，比如一个包含20次数据查询、15次回测迭代的复杂分析过程，不会因为上下文窗口满了而中断。

另一个重要设计是MCP Server支持。Vibe-Trading可以作为一个MCP Server接入Claude Desktop、Cursor等工具，暴露22个金融分析工具（其中21个不需要API key）。这意味着你不需要切到Vibe-Trading的界面，在自己的IDE里就能调用量化分析能力。

快速上手：三条命令开始

# 1. 安装
pip install vibe-trading-ai

# 2. 启动（交互式CLI）
vibe-trading

# 3. 或者启动Web UI
vibe-trading serve

启动后你会得到一个交互式终端。支持的命令：

/skills        列出所有74个金融技能
/swarm         启动多Agent交易团队
/resume <id>   恢复历史会话
/provider      查看/切换LLM提供商
/research      启动自进化研究循环

支持的LLM提供商包括Claude、DeepSeek、Kimi、GLM/Zhipu、Gemini、OpenAI，基本上主流模型全覆盖。

如果你习惯Web操作，运行vibe-trading serve后会启动一个FastAPI后端加React前端，可以上传交割单做Shadow Account分析、浏览回测报告、管理多Agent Swarm。

建议与局限

项目2026年4月才开源，两个月破万星说明需求真实存在。但它还处于快速迭代期：

好处很明确：

• 把量化入门门槛从"三个月学Python"降到了"会打字就能用"
• Shadow Account功能直击散户痛点，是其他框架没有的差异化价值
• MCP接入现有工作流，不用换工具就能用
• 自进化机制意味着越用越强

局限也摆在明面上：

• 回测严谨性还需要更多验证，特别是A股的T+1和涨跌停边界处理
• Swarm输出质量受限于底层LLM能力——用小模型跑容易翻车，建议用Claude或DeepSeek-V4级别
• Shadow Account的偏见诊断基于启发式规则，不是严格统计检验，结论仅供自省
• 社区还在早期，文档和最佳实践还在积累中，遇到问题可能需要自己读源码

关于能用不能赚钱这件事。 Vibe-Trading不会替你赚钱——它帮你验证想法的效率，但不替你想策略。如果你指望"装上就能盈利"，那任何一个量化工具都会让你失望。但如果你有一些交易想法想快速验证，或者想搞清楚自己的操作习惯到底亏在哪，这是一个很好的起点。

对AI+金融交叉方向感兴趣的话，这可能是2026年最值得关注的开源项目之一——不是因为它现在有多完善，而是因为它开启了一个正确的方向：让专业金融工具变到"一句话可用"。

项目地址：https://github.com/HKUDS/Vibe-Trading
官方文档：https://vibetrading.wiki/docs/