企业官网建设流程全解析

jev-trader 的 AI 大脑：TypeSafe Jev 模型如何在 100ms 内给出买卖决策

【免费下载链接】jev-traderOne AI trade decision every Monad block. Jev on Kuru MON-USDC.项目地址: https://gitcode.com/gh_mirrors/je/jev-trader

jev-trader是一个运行在 Monad 链上的 AI 交易机器人：TypeSafe 的Jev 模型（一种约 100ms 内返回类型化决策的 System One 推理模型）实时盯住 Kuru 交易所的 MON-USDC 订单簿，每 300ms 一个区块给出一次buy 或 sell决策，并立刻把真实订单挂上链上订单簿。本文将拆解这套「AI 大脑」的输入、输出，以及它是如何把一次决策压进 100ms 预算、恰好塞进一个区块的。

⏱️ 300ms 的生死节奏：为什么 AI 必须这么快

Monad 的出块间隔约300 毫秒，而 jev-trader 的规则简单粗暴：每个区块必须做一个决策、必须下一笔真实订单，不做观望。

这意味着「读盘 → AI 推理 → 广播交易」整条链路必须在一个区块内跑完。项目为此设计了一个极简热路径，实测数据（mock 模型，dry run 环境）：

如果 AI 慢了怎么办？逻辑很诚实：上一轮决策还没跑完时新到的区块直接被标记为late（迟到），本块挂起（hold）不交易，而不是硬挤进去。

🧠 Jev 模型：不问「写段分析」，只问「买还是卖」

与传统大模型交易机器人「生成一段分析文字再解析」的做法不同，jev-trader 里的 Jev 是System One 模型——无文本输出，直接返回带概率的类型化决策。源码在 src/model.ts：

• 调用入口是 AI SDK 的experimental_evaluate：给它状态（state）+ 问题（questions），拿回一个buy或sell的选择，外加{ buy: 0.77, sell: 0.23, hold: 0 }这样的概率分布；
• 输出结构是Decision类型（action、probabilities、upIn10上涨概率、latencyMs耗时），全程强类型，没有 JSON 解析失败的可能；
• 切换模型只需改环境变量MODEL=jev（默认mock是一个动量启发式占位实现，用同样的 80ms 推理时延模拟生产节奏，方便本地零成本体验完整流水线）。

它只被问一个问题（见 QUESTIONS）：

再过horizonBlocks（默认 100 块，约 30 秒）之后，MON 的中价会更高还是更低？而且涨幅必须盖过点差（spread）才值得交易。

问题里的goal、inputs指令还告诉模型哪些字段是最强信号——taker 主动买卖流量（cvdMon）、最近成交方向、某一侧深度偏薄时价格更容易朝那个方向走等等。模型不是在做「预测股价」，而是在做一笔盖过交易成本的方向性判断。

📊 模型的「眼睛」：一份 40 行左右的紧凑市场快照

每次决策前，Trader.buildState 会把链上信息压缩成一份紧凑、相对化、人类可读的TradeState快照，大致包括：

• 📍 当前 mid 价、点差（bps）、区块号与观察窗口长度；
• 📚 订单簿 Top 5 档（每侧，「价格 x 数量」格式）+ 10/25/50 bps 三个距离档的累计深度，以及买卖盘不平衡度（-1 到 1）；
• 📈 最近 1/5/20/100 个区块的收益率（bps）+ 每 5 块采样一次的中价序列；
• 💹 观察窗口内的 taker 成交流水：买量、卖量、净主动流量cvdMon、VWAP、最近 10 笔成交明细；
• 🚦allowed标志：当前仓位上限/保证金允许买还是允许卖。

这份快照刻意去掉了冗余：没有原始字节、没有全量订单簿，只保留对「30 秒后涨还是跌」真正有信息量的字段。输入越短，推理越快、越便宜——这正是它能塞进 100ms 的另一半原因。

🚀 100ms 预算是怎么抠出来的

想理解这个项目的工程美学，可以看 The 300 ms budget 一节的原始描述。热路径上只发生两次 RPC 往返，一次读盘、一次发交易，其余全部砍掉或挪到后台：

1. 读盘只发一个eth_call：官方 Kuru SDK 读订单簿要串行两次调用，而手写解码器 src/book.ts 一次搞定。MON-USDC 上 AMM 金库档位为空，第二次调用纯属浪费延迟；万一金库上线，还能把两个调用合并进同一个 HTTP 批量请求。scripts/bench-read.ts 专门用于对比自研读盘与 SDK 的精确性和延迟。
2. 不做eth_estimateGas：Monad 按 gas limit 计费，limit 在启动时估算一次后直接硬编码；
3. 不做 gas 价格查询：固定 type-2 费用（2 gwei priority + 高上限 cap），省掉一次 RPC；
4. 发交易是 fire-and-forget：eth_sendRawTransaction被接受就返回，回执、费用刷新、保证金检查全部放到后续区块的后台轮询里。

决策落地时的执行细节（src/trader.ts）：每个区块把模型选的那一侧挂上一笔post-only 限价单，价格贴在最优盘口内 1 个 tick，同一次batchUpdate顺带撤销上一笔残留订单。机器人赚的是价差而不是付出价差——成交发生在别人的 taker 订单打到它头上时。

🛠️ 三步跑起来：本地体验 AI 每 300ms 交易一次

仓库是只读的，直接拉取代码运行：

git clone https://gitcode.com/gh_mirrors/je/jev-trader cd jev-trader cp .env.example .env bun install bun run start

• 不加PRIVATE_KEY：自动 dry-run——真实订单簿、真实 AI 决策、模拟成交，零成本、零风险；
• 启用真 Jev：在.env里设置MODEL=jev和TYPESAFE_AI_API_KEY，模型 ID 默认jev-latest（见 src/config.ts）；
• 启动后http://localhost:3000是一个实时仪表盘：每 300ms 刷新的价格图、决策概率条、逐块决策延迟（ms）、AI 花费 vs Gas 花费的对比计数器、逐笔成交流水——所有区块、交易哈希都可到浏览器验证。

一个有趣的成本细节：Jev 每小时推理花费约$0.20，同时段 gas 约$2–5——「AI 比 gas 还便宜」正是这个项目最核心的演示信息。

📁 项目结构速览

💡 给新手的三个关键启发

1. 给 AI 做交易决策，先收窄问题：不问「分析一下」，只问二选一的类型化问题（experimental_evaluate），输出直接可用、天然带概率，还省掉了文本解析这一整层不确定性。
2. 实时 AI 系统的瓶颈往往不在模型，而在链路：把 estimateGas、回执确认、费用刷新全部挪出热路径，一个 300ms 的窗口就能塞下 100ms 的推理。
3. 一切可验证是演示的底线：真实钱包、真实区块、逐笔哈希，亏损也照常显示——这也是 jev-trader 明确声明的「诚实」原则：这是实验性演示，模型并不以盈利为目标。

想深入模型调用细节，读 src/model.ts；想理解「迟到就挂起」和成交记账，读 src/trader.ts。整套「AI 每个区块下真单」的体验，从一次bun run start开始。

【免费下载链接】jev-traderOne AI trade decision every Monad block. Jev on Kuru MON-USDC.项目地址: https://gitcode.com/gh_mirrors/je/jev-trader