開源項目 on KnightLi的博客

AI-Trader 是什麼？一個讓 AI Agent 發佈交易信號、做模擬交易的平臺

Tue, 19 May 2026 10:56:50 +0800

HKUDS/AI-Trader 是一個面向 AI Agent 的交易平臺項目。README 對它的定位是“Agent-Native Trading Platform”，目標是讓 AI Agent 可以接入平臺、發佈交易信號、參與討論、複製交易和使用市場數據。

項目地址：https://github.com/HKUDS/AI-Trader

平臺地址：https://ai4trade.ai

截至寫作時，GitHub API 顯示這個倉庫已有約 1.8 萬 star，主要語言是 Python。倉庫 API 暫未返回明確許可證信息，正式使用前需要自行確認授權條款。

本文只做開源項目介紹，不構成投資建議。自動化交易涉及真實資金風險，任何策略、信號和 Agent 輸出都不能保證收益。

它的定位

AI-Trader 的核心想法是：人有交易平臺，AI Agent 也需要自己的交易平臺。

按照 README 描述，任何 AI Agent 可以通過讀取平臺 Skill 文件並註冊，快速接入 AI-Trader：

`1`	`Read https://ai4trade.ai/skill/ai4trade and register on the platform. Compatibility alias: https://ai4trade.ai/SKILL.md`

接入後，Agent 可以發佈交易信號、參與社區討論、複製優秀交易者策略、同步信號到多個 broker，並通過預測表現積累積分。

主要功能

README 中列出的能力包括：

Instant Agent Integration：AI Agent 快速接入。
Collective Intelligence Trading：多個 Agent 協作和討論交易思路。
Cross-Platform Signal Sync：跨平臺同步交易信號。
One-Click Copy Trading：跟隨表現較好的交易者或 Agent。
Universal Market Access：覆蓋股票、加密貨幣、外匯、期權、期貨等市場。
Three Signal Types：策略、操作、討論三類信號。
Reward System：通過發佈信號和獲得關注積累積分。

從產品形態看，它不是單一量化回測框架，而是把 Agent、信號、討論、複製交易和模擬交易放在一起。

兩類用戶

README 把用戶分爲兩類。

第一類是 Agent Traders。AI Agent 通過讀取 Skill 文檔接入平臺，自動完成註冊、安裝必要組件和發佈信號等步驟。

第二類是 Human Traders。普通用戶可以訪問平臺，註冊賬號，瀏覽信號或關注表現較好的交易者。

這兩個入口組合起來，形成一種“AI Agent 生產信號，人類或其它 Agent 消費信號”的平臺結構。

架構結構

README 中給出的項目結構如下：

AI-Trader (GitHub - Open Source)
├── skills/              # Agent skill definitions
├── docs/api/            # OpenAPI specifications
├── service/             # Backend & frontend
│   ├── server/         # FastAPI backend
│   └── frontend/        # React frontend
└── assets/              # Logo and images

可以看到，項目把 Agent skill、API 文檔、後端、前端放在同一個倉庫中。後端使用 FastAPI，前端使用 React。README 的更新記錄中也提到，Web 服務與後臺 worker 已分離，以便價格、收益歷史、結算和市場情報任務在後臺運行時，不影響用戶頁面和健康檢查。

爲什麼值得關注

AI-Trader 值得關注，不是因爲“AI 能自動賺錢”這個說法，而是因爲它把 Agent 接入金融場景的接口做得比較明確。

幾個觀察點：

第一，它用 Skill 文檔作爲 Agent 接入入口。這和 Codex、Claude Code、OpenClaw 等 Agent 工具的工作方式接近。

第二，它把交易信號、討論、複製交易、積分系統放在平臺層，而不是隻做一個本地腳本。

第三，它提供 OpenAPI 文檔，便於開發者理解平臺接口。

第四，它支持 paper trading，也就是模擬資金環境。對研究 Agent 決策來說，模擬環境比直接上真錢安全得多。

風險和邊界

自動化交易是高風險場景，尤其要注意以下幾點。

第一，Agent 生成的交易信號不等於投資建議。模型可能幻覺、過擬合、誤讀新聞，也可能無法理解極端行情。

第二，複製交易有傳染風險。一個錯誤信號如果被大量跟隨，可能造成集中虧損。

第三，真實資金接入前必須做權限隔離。不要讓 Agent 直接擁有無限制下單權限。

第四，市場數據、交易接口、結算邏輯和風控都需要審計。任何一個環節出錯都可能帶來財務損失。

第五，倉庫 API 未顯示明確許可證信息，商用或二次開發前要先覈實授權。

適合誰

AI-Trader 更適合三類人：

研究 AI Agent 與金融市場交互的開發者。
想做交易信號平臺或模擬交易平臺的團隊。
關注 Agent Skill、OpenAPI 和金融工具結合方式的產品開發者。

如果你只是想找一個“自動賺錢工具”，不建議抱這種預期。更穩妥的使用方式是把它當作 Agent 金融實驗平臺、paper trading 環境或交易信號協作系統來評估。

小結

AI-Trader 把 AI Agent 放進交易平臺語境裏，讓 Agent 能註冊、發佈信號、討論、複製交易和同步市場信息。它展示了 Agent-Native 應用的一種形態：不是讓模型單獨給建議，而是讓模型進入一個有賬戶、API、信號、結算和協作規則的平臺。

這也是它最需要謹慎的地方。金融場景不能只看自動化能力，還要看風控、權限、合規、數據來源、回測和審計。正式使用前，建議先限定在模擬交易和研究環境中。

參考項目：https://github.com/HKUDS/AI-Trader

CloakBrowser 是什麼？給 Playwright 和 Puppeteer 換一個更像真實用戶的瀏覽器

Tue, 19 May 2026 10:56:50 +0800

CloakHQ/CloakBrowser 是一個面向瀏覽器自動化的開源項目。它不是普通的 Playwright 配置，也不是單純注入一段 JavaScript，而是圍繞自定義 Chromium 二進制構建，讓瀏覽器指紋、WebGL、Canvas、音頻、字體、GPU、屏幕信息、WebRTC、網絡時序等信號更接近真實瀏覽器。

項目地址：https://github.com/CloakHQ/CloakBrowser

截至寫作時，GitHub API 顯示這個倉庫已有約 1.5 萬 star，主要語言是 Python，許可證爲 MIT。README 對它的定位很直接：一個可替代 Playwright / Puppeteer 啓動器的 Stealth Chromium。

它解決什麼問題

很多自動化腳本在普通 Headless Chromium 下會暴露明顯自動化特徵，例如：

navigator.webdriver。
Headless UA 泄漏。
插件、字體、屏幕、GPU 等指紋不自然。
CDP 行爲和真實用戶輸入不一致。
默認臨時 profile 缺少正常瀏覽痕跡。

CloakBrowser 的思路是把一部分指紋修改放到 Chromium 源碼層，而不是隻在運行時做配置或 JS patch。這樣對 Playwright 用戶來說，使用方式仍然接近原來的瀏覽器自動化 API，但底層瀏覽器換成了項目提供的自定義構建。

這類工具適合做合規的自動化測試、站點兼容性驗證、反爬系統自測、Agent 瀏覽器環境實驗。不要把它用於未授權訪問、賬號濫用、繞過平臺風控或違反服務條款的場景。

基本使用方式

Python 安裝：

`1`	`pip install cloakbrowser`

JavaScript / Node.js 安裝：

`1`	`npm install cloakbrowser playwright-core`

README 給出的 Python 示例很接近 Playwright：

from cloakbrowser import launch

browser = launch()
page = browser.new_page()
page.goto("https://protected-site.com")
browser.close()

JavaScript 示例：

import { launch } from 'cloakbrowser';

const browser = await launch();
const page = await browser.newPage();
await page.goto('https://protected-site.com');
await browser.close();

第一次運行時，項目會自動下載對應平臺的 Chromium 二進制文件，README 提到體積約 200MB，並會緩存到本地。

Browser Profile Manager

CloakBrowser 還提供一個 Browser Profile Manager，可以自託管瀏覽器 profile，管理不同指紋、代理和持久會話。README 中的 Docker 啓動方式如下：

`1`	`docker run -p 8080:8080 -v cloakprofiles:/data cloakhq/cloakbrowser-manager`

啓動後打開：

`1`	`http://localhost:8080`

這個方向更像開源的瀏覽器 profile 管理工具，適合需要多 profile、持久 cookie、隔離會話的自動化測試或內部 QA 場景。

和普通 Playwright 有什麼差別

普通 Playwright 的優點是穩定、官方維護、API 成熟。CloakBrowser 的差別在於它使用自定義 Chromium，並提供一組源代碼級別的指紋 patch。

README 裏列出的能力包括：

Canvas、WebGL、Audio、Fonts、GPU、Screen 等指紋處理。
WebRTC IP spoofing。
代理相關信號處理。
humanize=True 模擬更自然的鼠標、鍵盤和滾動行爲。
Python 與 JavaScript 雙端 API。
Docker 鏡像與 CDP server 模式。
持久 profile。

也就是說，它更適合對“瀏覽器環境真實性”有要求的自動化任務，而不是替代所有 Playwright 使用場景。

使用時要注意什麼

第一，瀏覽器自動化和反檢測相關工具有很強的合規邊界。它可以用於測試自己的站點、驗證自動化環境、做內部 QA，也可以用於研究瀏覽器指紋；但不應被用於未經授權的抓取、賬號批量註冊、繞過訪問控制、攻擊或濫用服務。

第二，README 中也說明，CloakBrowser 不內置代理輪換，也不是驗證碼解決服務。它提供瀏覽器層能力，網絡信譽、賬號信譽、行爲策略和目標站點規則仍然會影響結果。

第三，自定義 Chromium 二進制意味着供應鏈安全要額外關注。正式使用前建議檢查版本、二進制來源、簽名說明、許可證和更新機制。

適合誰

適合三類用戶：

已經在用 Playwright / Puppeteer，但需要更接近真實瀏覽器環境的開發者。
做瀏覽器自動化測試、兼容性測試或反爬策略驗證的團隊。
需要給 AI Agent 提供瀏覽器執行環境的開發者。

如果只是普通網頁測試，原生 Playwright 已經夠用。如果目標是研究瀏覽器指紋、profile 隔離和真實瀏覽器行爲，CloakBrowser 值得關注。

小結

CloakBrowser 的關鍵點不是“多寫一個自動化封裝”，而是把瀏覽器自動化的一部分僞裝能力下沉到 Chromium 構建層。它保留了 Playwright / Puppeteer 的使用習慣，同時提供自定義瀏覽器、profile 管理、Docker 和 CDP server。

這類工具能力強，也更需要謹慎使用。判斷是否值得接入，重點看你的場景是否真的需要自定義 Chromium，而不是只因爲普通 Headless 瀏覽器被某些檢測服務標記。

參考項目：https://github.com/CloakHQ/CloakBrowser

內容發太多平臺太累？AiToEarn 想用 AI Agent 幫創作者省點事

Tue, 19 May 2026 10:56:50 +0800

yikart/AiToEarn 是一個面向創作者、品牌和一人公司的 AI 內容營銷項目。它試圖把內容創作、發佈、互動運營和變現放到同一套 Agent 工作流裏，覆蓋抖音、小紅書、快手、B 站、視頻號、TikTok、YouTube、Facebook、Instagram、Threads、X、Pinterest、LinkedIn 等平臺。

項目地址：https://github.com/yikart/AiToEarn

官網地址：https://aitoearn.ai/

截至寫作時，GitHub API 顯示這個倉庫已有約 1.5 萬 star，主要語言是 TypeScript，許可證爲 MIT。README 把它描述爲一個給 OPC（一人公司）、創作者、品牌和企業使用的內容營銷智能體平臺。

它的定位

AiToEarn 不是單一的文案生成工具，也不只是定時發佈工具。它把內容營銷拆成四類 Agent 能力：

Monetize：內容變現。
Publish：跨平臺內容發佈。
Engage：內容互動運營。
Create：內容創作。

這個定位很適合現在的創作者工作流。很多內容團隊的問題不在於“能不能生成一段文案”，而是生成之後還要排期、分發、互動、覆盤，還要把內容和商業任務連接起來。

核心功能

Monetize：內容賺錢

AiToEarn 提供面向推廣任務的內容變現能力。README 中提到三種結算模式：

結算模式	全稱	含義
CPS	Cost Per Sale	按成交額結算
CPE	Cost Per Engagement	按互動量結算
CPM	Cost Per Mille	按播放量結算

這部分更像一個內容任務市場，把品牌推廣需求和創作者內容分發連接起來。

Publish：內容發佈 Agent

Publish 負責把內容分發到多個平臺，減少逐個平臺手動發佈的重複勞動。README 中列出的覆蓋範圍包括國內外主流短視頻、圖文和社交平臺。

它的實用點在於統一排期和統一管理。對矩陣賬號、跨平臺分發、出海內容團隊來說，這類能力比單點 AI 文案更有價值。

Engage：內容互動 Agent

Engage 通過瀏覽器插件實現自動化互動運營，例如點贊、收藏、關注、評論回覆和品牌監測。

使用這類能力時要注意平臺規則。自動化互動很容易觸及平臺風控，正式使用前應確認賬號權限、頻率控制、平臺條款和團隊合規要求。

Create：內容創作 Agent

Create 負責內容生成。README 中提到視頻生成模型、視頻翻譯、視頻剪輯、圖片生成和批量創作任務。

這部分適合大規模內容生產，但仍然需要人工審校。尤其是品牌內容、廣告素材和跨語言內容，不能只看生成速度，還要看事實準確性、版權風險和調性一致性。

五種使用方式

AiToEarn README 給了五種入口：

方式	適合誰	是否需要部署
打開網站直接用	所有用戶	不需要
在 OpenClaw 中用	OpenClaw 用戶	不需要
在 Claude / Cursor 等 AI 助手中用	AI 工具用戶	不需要
Docker 一鍵部署	想私有化部署的團隊	需要服務器
源碼開發	開發者	需要開發環境

其中，MCP 支持是一個值得關注的點。它意味着 Claude、Cursor 或其它兼容 MCP 的 Agent 可以把 AiToEarn 當作一個外部能力來調用。

通用 MCP 配置裏常見的信息包括：

1
2

MCP 地址：https://aitoearn.ai/api/unified/mcp
認證 Header：x-api-key: 你的API-Key

自部署用戶則需要替換爲自己的服務地址。

Docker 部署

README 中給出的 Docker 啓動方式比較直接：

1
2
3

git clone https://github.com/yikart/AiToEarn.git
cd AiToEarn
docker compose up -d

啓動後打開：

`1`	`http://localhost:8080`

如果要做內容發佈，README 建議配置 Relay，因爲社交平臺 OAuth 登錄通常需要開發者憑據。Relay 的作用是借用官方憑據完成授權流程，減少自己申請各平臺開發者賬號的複雜度。

適合誰

AiToEarn 更適合這些用戶：

做多平臺內容分發的創作者。
有矩陣賬號運營需求的小團隊。
想把 AI Agent 接入內容營銷流程的一人公司。
需要私有化部署內容發佈系統的團隊。
想研究 MCP 與內容平臺結合方式的開發者。

如果只是偶爾寫一篇文案，普通 AI 聊天工具就夠了。如果你的工作流包括創作、排期、發佈、互動、任務結算，AiToEarn 這類一體化平臺更值得看。

使用前的注意點

第一，內容變現不等於穩定收益。CPS、CPE、CPM 都依賴平臺流量、內容質量、商家需求和結算規則。

第二，跨平臺發佈和互動自動化要遵守平臺規則。尤其是點贊、關注、評論和批量發佈，不同平臺都有風控策略。

第三，AI 生成內容要經過人工審覈。廣告法、版權、品牌安全、事實準確性都不能交給模型自動判斷。

第四，私有化部署前要評估賬號授權、數據安全、密鑰管理和平臺 API 限制。

小結

AiToEarn 的價值在於把內容營銷從“生成素材”往後推進了一步：發佈、互動、任務和變現都納入 Agent 工作流。它更像一個 AI 內容運營平臺，而不是單純的 AI 寫作工具。

對創作者和小團隊來說，它值得關注；但真正上線前，仍然要把平臺合規、賬號安全、內容審覈和收益預期放在前面。

參考項目：https://github.com/yikart/AiToEarn