企业官网建设流程全解析

如何用每月20美元VM运行ATLAS：AI交易智能体系统技术栈与部署快速上手教程

【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gic

ATLAS（by General Intelligence Capital）是一个自我改进的 AI 交易智能体系统：25 个 AI 智能体分 4 层每日辩论市场，用"提示词即权重、夏普比率即损失函数"的 autoresearch 循环自我进化——全程只需一台每月 20 美元的 Azure VM，无需任何 GPU。本文将带你拆解它的技术栈，并给出快速部署上手的完整步骤。

🧠 为什么 20 美元 VM 就能跑起 AI 交易智能体？

这是 ATLAS 最反直觉的一点。传统 AI 量化训练依赖 H100 级 GPU 集群，而 ATLAS 的核心思路是：

"Agent 的提示词就是被优化的权重，每个交易日就是一次训练迭代。"

它不训练神经网络，而是让大模型（Claude Sonnet）负责"思考"，自己的虚拟机只负责编排、记录、打分和 Git 版本管理。于是硬件需求被压缩到极致——一台便宜的 Linux 虚机即可承载整个多智能体交易系统。

完整回测成本参考：18 个月完整回测约 $50–80，5 组 PRISM 训练约 $30（均为 LLM API 调用费用）。

🏗️ 四层多智能体架构：25 个智能体如何辩论市场

ATLAS 采用渐进式过滤架构，每层都在降低信号噪声。完整图示见 architecture/overview.md。

几个值得新手关注的亮点：

• **CRO（首席风控官）**是一个专职"抬杠"的智能体，它会攻击每一个交易想法，找出集中度风险、相关性风险等，只有幸存的想法才能到达 CIO；
• 各层之间通过data/state/目录下的 JSON 文件传递信息，形成完整的决策审计链（见 architecture/layers.md）；
• 每日 06:00–07:00 固定时间线跑完全部 4 层辩论，07:00 执行交易。

🧬 Autoresearch 循环：AI 交易智能体如何自我改进

这是整个系统的心脏，灵感来自 Karpathy 的 autoresearch。流程只有 5 步（详见 architecture/autoresearch.md）：

1. 找出最弱的智能体——按滚动夏普比率排名，选最低者；
2. 生成一处针对性提示词修改——只允许改一处，精准打击失败模式；
3. 创建 Git 特性分支——修改以 commit 形式存在；
4. 观察 5 个交易日——用真实市场反馈验证；
5. 保留或回退——夏普改善了就git merge，没改善就git reset。

真实回测中（378 个交易日）：54 次修改尝试，16 次保留（30%），37 次回退。70% 的失败率恰恰说明这套"保留/回退"机制在真实把关。

ATLAS 多智能体交易系统 378 个交易日的回测净值曲线（部署阶段 +22%），图片来自仓库 results/equity_curve.png，数据汇总见 results/summary.json

🐟 达尔文权重：好智能体更响亮

除了改提示词，每个智能体还有一个0.3–2.5 之间的达尔文权重：

• 每日表现进入前四分之一→ 权重 ×1.05（更被重视）
• 进入后四分之一→ 权重 ×0.95（更被边缘化）

最高权重智能体的影响力是最小者的8 倍。最有意思的发现：系统独立诊断出自己的 CIO 是短板，把它降到了最低权重 0.3——人类后来手动排查也得出了同样结论。

⚡ 技术栈清单：部署 ATLAS 需要哪些组件？

其中 MiroFish 桥接模块（src/mirofish/mirofish_bridge.py）支持两种模式：轻量模式直接用 Claude 模拟多智能体交互、零外部依赖，适合新手入门；完整模式则接入 MiroFish 引擎做复杂多轮模拟。

🚀 最快部署方法：5 步在 VM 上跑起来

第一步：开通一台 20 美元 VM

在 Azure 上选择2 核 / 4GB 内存 / 20GB 磁盘的 Linux 虚机（Ubuntu 22.04 即可）。ATLAS 不做本地模型推理，CPU 完全够用，不需要 GPU 实例——这正是成本能压到 $20 的原因。

第二步：克隆仓库并准备环境

git clone https://gitcode.com/gh_mirrors/at/atlas-gic cd atlas-gic python3 -m venv .venv && source .venv/bin/activate pip install anthropic

仓库结构清晰（参考 src/README.md）：

src/ ├── agents/ # 回测主循环、每日辩论、打分、autoresearch ├── prompts/ # 25 个智能体提示词文件（示例为通用占位） ├── data/ # 持仓状态、回测数据、绩效追踪 └── utils/ # LLM 封装、日志、Git 操作

第三步：配置 API 密钥

在 VM 上创建.env，填入：

• ANTHROPIC_API_KEY—— 核心依赖，智能体推理全靠它
• FMP_API_KEY/FINNHUB_API_KEY—— 市场数据源（至少配置一个）
• 可选：ZEP_API_KEY（MiroFish 完整模式用）

第四步：初始化数据与状态目录

market_data.py内置三重交叉验证拉取行情；data/state/目录会自动生成各层之间的 JSON 消息文件（macro_regime.json→sector_picks.json→superinvestor_views.json→portfolio_actions.json），这就是你的决策审计日志。

第五步：启动每日循环

通过 cron 或 systemd timer 在每日开盘前触发backtest_loop.py对应的主循环：刷新数据 → 跑 25 个智能体 → 评分并更新达尔文权重 → 条件满足时触发 autoresearch 修改。整个过程在一台 $20 VM 上安静完成。

💡 仓库开源的是框架、架构设计与回测结果；经过市场进化训练出的提示词属于专有资产（见 README "What's NOT Included"）。你可以基于示例提示词（如 prompts/examples/cio.md）搭建自己的智能体并让 autoresearch 从零开始进化它们。

📈 进阶：JANUS 元层与模拟未来训练

当你在不同市场环境下训练出多组（cohort）智能体后，janus.py 这个元加权层会按近期准确率动态调整各组权重——而权重差本身就是一个涌现出来的市场机制检测器：短窗口智能体跑赢说明市场进入了"新型机制"，长窗口跑赢则说明是"历史重演"。

更激进的是"模拟未来"训练：系统每晚用 MiroFish 生成地缘冲突、央行决议、黑天鹅等分支情景，让数千个模拟角色（基金经理、央行政策制定者、散户）在其中互动，交易智能体则在这些尚未发生的未来里提前预演训练。

🎯 总结：这套 AI 交易智能体系统的核心启示

• 提示词即权重：不训模型也能"训练"，市场反馈就是最好的监督信号；
• Git 即实验管理：commit / revert 天然就是 A/B 测试；
• 编排层与智能层同样重要：ATLAS 最重要的发现恰恰是"组合管理（CIO）比信号生成更可能是瓶颈"；
• 20 美元/月的门槛：让任何独立开发者都有机会实验多智能体交易系统。

适合人群：想理解 LLM 多智能体编排、对 AI 量化感兴趣的开发者与研究者。新手建议先通读 architecture/ 目录下的三篇文档（overview → layers → autoresearch），再对照本文的 5 步部署法动手，即可在一台便宜 VM 上跑起你自己的自我进化交易智能体系统。

【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gic