交易所給「小龍蝦」點技能樹，Openclaw 要把交易員拍在沙灘上？

作者：Frank，PANews

一夜之間，似乎所有人都在部署小龍蝦。這股風終於也吹到了加密行業當中，3 月 3 日，幣安和 OKX 兩大加密行業巨頭同時推出並開源針對 AI Agent 的 AI Skills 庫，支持 AI Agent 可以直接通過這些協議實現鏈上 Alpha 發掘以及實時交易。此前不久，預測市場龍頭 Polymarket 也推出了專門針對 Agent 的 CLI 工具。

這樣看似巧合的背後，似乎都在說明一個問題，AI 正在成為加密產業未來主要的交易主體，而這個變化已經開始。

但擺在使用者面前的核心問題是，Agent 交易真的可靠嗎？

大廠帶頭，加密正式迎接 AI 交易員

先來看下幣安和 OKX 這次開源的 Skill 具體能做什麼？

幣安推出的 7 項 Skills 定位是「統一智慧核心」，將分散的加密市場訊號轉化為可執行的交易決策。在具體的功能上，可以實現存取即時市場數據、執行下單等 AI Agent 自動化現貨交易執行。亦或者是分析任意錢包地址，產生持倉明細等類似聰明錢追蹤報告。另外還有代幣檢索、跟單交易、監控合約風險等多種功能。

OKX 推出的 OnchainOS AI 升級，定位是「AI Agent 的鏈上作業系統」。支援 60+條鏈上自主管理錢包、交易和支付的相關功能。例如，錢包持倉查詢（跨鏈資產餘額和組合），DEX 市場數據、交易執行、代幣檢索發現等功能。

而先前 Polymarket 所推出的 Rust CLI 接口，則是一個適用於 AI Agent 的終端，允許 Agent 從終端直接查詢、交易、管理 Polymarket 上的所有預測市場。此外，包括 Bitget 、 Coinbase 也都推出了類似的 Skill 庫。

從功能實現的角度來看，這些 Skill 已經完整的普通用戶在鏈上交易或參與其他加密交易環節當中所需要的基礎功能，從市場調查、執行下單、聰明錢追踪等等方面都能實現。

不過，這是否就意味著以後每個人都可以一邊喝著咖啡，一邊看著「小龍蝦」們在後台跑著幫自己賺錢了？

AI Agent≠量化機器人

但真實的結果可能與多數人想像的不同。

很多人把「AI 交易」等同於量化交易機器人，但兩者的底層邏輯有根本差異。

區別是根本性的。傳統量化機器人本質上是一套預設規則的自動執行程序，例如「RSI 跌破 30 就買入，漲過 70 就賣出」。它速度極快，但完全不理解自己在做什麼，不會讀新聞，也不知道市場情緒如何。策略好不好，完全取決於背後寫程式的人。

AI Agent 的核心則是大語言模型。它可以讀一條關於聯準會升息的新聞，理解這對加密市場意味著什麼，然後決定是否要減倉。

簡單說：Bot 執行規則，Agent 做判斷。

也就是說，目前 Agent 並不是自己盯盤，然後發現機會直接下單。這種模式下帶來的 Token 成本和時效延遲對交易來說是毀滅性的。

目前的 Agent 交易更偏向一種「分工合作」模式：即傳統程序負責盯盤和執行，大模型只負責分析和決策。

具體來說，一段傳統程式持續從交易所拉取即時價格、鏈上數據、新聞等訊息，然後把這些數據打包發送給大模型。大模型綜合行情、新聞、鏈上異常等多維訊息，給出交易判斷，例如「買入 ETH，部位 10%，掛單價格 2450 美元」。最後交易指令再交還給傳統程序，透過交易所介面執行下單，並持續追蹤結果。

傳統代碼是 Agent 的「手」和「眼」，大模型是「大腦」。而三大平台推出的 Skills，本質上就是給 Agent 提供了標準化的「手」和「眼」，讓它可以快速接入各個交易平台的數據和交易能力。但在這個程式運作的背後，仍是根據人類特定的策略設計交易邏輯。而非直接接入 Skill 就能看著帳戶餘額自動飛漲了。

技術和功能之外，有兩個現實問題必須正視。

第一個是速度。傳統高頻量化 Bot 的交易延遲在微秒到毫秒級別，專業系統甚至可以做到亞毫秒。而 AI Agent 的關鍵瓶頸在於大模型推理需要時間，一次完整的分析加決策輸出，耗時通常在幾百毫秒到幾秒之間，複雜場景甚至超過 5 秒。這比傳統 Bot 慢了上千倍甚至上百萬倍。

所以 Agent 根本不可能跟量化 Bot 比速度，它做不了高頻套利，也賺不了毫秒的價差錢。 Agent 的競爭力在於決策品質：一個量化 Bot 可以在幾毫秒內下單，但它不知道「聯準會主席剛發了一條鴿派推文」是什麼意思，Agent 知道。 Agent 更適合每小時做一兩筆深思熟慮的交易，而不是每秒做幾千筆機械操作。

第二個是成本。傳統 Bot 一旦開發完成，運作只需要伺服器費用。但 Agent 每做一次判斷都要調用大模型接口，這是要花錢的。以 GPT-5.2 為例，如果一個 Agent 每 5 分鐘分析一次市場（一天 288 次），每個月的推理成本大約是 106 美元。用更強的 Claude Opus 4.6 則要 238 美元左右。對於管理大資金的交易者來說不算什麼，但對於只有幾千美元本金的散戶，這筆推理費用疊加交易手續費，要實現淨盈利就沒那麼容易了。

Agent 賺錢這事，坑比機會多

除此之外，Agent 的決策品質也是一個大問題。那些看似邏輯嚴謹，思路清晰的判斷背後，很有可能是荒唐的決策。

2025 年，Nof1 的一場 AI 交易競賽提供了直覺的樣本。多個大模型驅動的 Agent 同場競技，結果分化極為劇烈：GPT-5 驅動的 Agent 虧了初始資金的 62%，而 Qwen3 和 DeepSeek 分別獲利 22.3% 和 4.89% 。在這場 AI 交易比賽中，部分模型雖然最終盈利，但表現出極不穩定的特點，尤其像 Deepseek 前段當中展現出的高收益和最終巨大的回撤給市場也潑了一盆冷水。

第二季的實驗當中，15 個各有 10,000 美元本金的 AI Bot 參賽，僅有 GROK-4.2 實現了正收益。整體來看，兩次達到正收益的模型只有 3 個，其餘的都處於虧損狀態。

此外，PANews 也對當時能力最強的幾個大模型進行了模擬研究，最終的結果是長期來看，其獲利預期均為負值。

在 Polymarket 上，AI Bot 最經典的玩法是數學平價套利：當一個二元市場中「是」和「否」兩種合約的買入總成本低於 1 美元時，同時買入兩側即可鎖定無風險利潤。有不少部落客曾極度推崇此類策略。不過 Polymarket 也已經做出應對，透過引入動態手續費等規則調整，部分套利策略已經失效。

總的來看，Agent 交易不是「印鈔機」。模型選擇、策略設計和風控紀律缺一不可。

除此之外，Agent 交易還存在著多種風險需要注意。

首先就是安全性方面，Agent 持有私鑰並自主執行交易，運作環境一旦被攻陷就可能導致資產損失。先前已有案例顯示，惡意技能被注入到開源平台中竊取使用者金鑰。三大平台在聲明中均使用了審慎的免責措辭，Polymarket 更是直接標註「早期實驗性軟體」。

其次，大模型的「幻覺」問題也不容忽視。模型有時會產生看似有理但實際錯誤的分析，在日常對話中這只是尷尬，在交易中可能意味著真金白銀的損失。

策略同質化同樣值得警惕。當大量 Agent 使用同樣的技能和同樣的模型分析同一個市場，判斷高度趨同，買入訊號同時觸發，價格被迅速推高，後入場者的空間就被壓縮殆盡。