Oft3r/agentic-trading-desk

这个项目是一个为股票和ETF提供短期技术分析的自动化交易台。它通过Robinhood的MCP协议让AI代理获取数据，同时用本地的Python脚本进行确定性技术指标计算，最终由用户审核并批准每一笔交易。它的目标用户是那些希望将量化分析与AI自动化结合，但又不想完全放弃决策控制的个人交易者。

以往，一个交易者想要实现类似的分析流程，通常需要在几个工具间手动切换。他们可能用Python的`yfinance`库或TradingView的API获取数据，自己编写或复制一段计算RSI、MACD指标的脚本，然后在Excel或Notion中整理结果，最后再登录Robinhood或Interactive Brokers的交易平台手动下单。整个过程是割裂的：数据源、计算逻辑、决策界面和执行通道是分开的。交易者经常卡在几个地方：数据格式不统一导致计算脚本报错；不同平台API的调用频率限制和认证方式不同；当市场出现波动时，手动执行这一系列操作的速度跟不上变化。

这个项目精准地切入了一个特定层：**Agent执行层与本地确定性计算层之间的衔接**。它没有试图创造一个全知全能的交易AI，而是清晰地划分了职责：AI（通过MCP）负责与外部世界（数据源、交易API）的交互和用户沟通；本地的Python脚本（仅依赖标准库）负责执行不容出错的、确定性的数学计算。这种“AI负责交互与获取，脚本负责计算，人负责最终决策”的三权分立架构，是它最核心的设计。

旧方案，比如完全依赖ChatGPT或Claude Code进行金融分析，其问题在于模型的“幻觉”和输出的非确定性。让大语言模型直接计算EMA或RSI，其结果可能因提示词微调或模型版本更新而波动，这在金融计算中是致命的。而完全手动的流程或依赖商业量化平台（如QuantConnect的一部分功能），则缺乏与新兴AI代理工作流（如通过自然语言指令启动分析）的自然集成。

为什么这个项目现在能够成立？直接原因是**MCP（Model Context Protocol）的普及**，它为标准化的AI代理工具调用提供了可能。Robinhood支持MCP，意味着AI代理可以像一个标准化的“插件”一样，安全、可控地获取账户数据和执行交易指令，而无需开发者从头破解其私有API。同时，**开源生态出现了可拼装的方案**：确定性的技术指标计算有成熟的公式和库（如TA-Lib），而AI代理框架（如Claude Desktop的Agent）也提供了可扩展的接口。这使得开发者可以像拼乐高一样，将可靠的金融计算引擎“插入”到智能的AI交互流程中，而无需自己从零构建两端。

这透露出一个变化：AI应用正从“一次性内容生成”转向“持续、可审计的自动化任务执行”。在这个过程中，**可靠性被拆解并分配给最合适的组件**：非确定性的、需要理解自然语言和上下文的任务交给大模型；确定性的、要求绝对准确的计算交给本地脚本；最终的权责和控制则保留给人。这种架构模式正在成为复杂Agentic工作流的标准设计。

对于Builder而言，今天可以直接使用这个项目作为个人量化交易的分析辅助，严格遵循其“AI提议、脚本计算、人工批准”的流程，避免自动化交易的风险。最值得学习的是其**“能力分层与接口固化”的设计**：它将易变的（AI交互）、稳定的（数学计算）、敏感的（资金操作）三层分离，并用清晰的JSON数据接口和文件协议（`SKILL.md`作为AI操作手册）来定义它们之间的契约。这种设计确保了每个模块可以独立演进和测试。

这种设计模式可以迁移到任何需要结合AI灵活性与传统程序可靠性的领域。例如，在智能运维中，AI代理可以分析日志和发出警报，而本地脚本执行确定性的重启或扩容操作；在内容审核中，AI可以初步识别可疑内容，而本地规则引擎进行最终的风险评分。核心在于识别流程中哪些部分必须确定无误，并将其剥离出来，用最可靠的方式实现，再通过标准协议与AI代理协同。