Vibe-Trading 的核心主张非常简洁:

一条命令,让你的智能体具备完整交易研究能力。

它不是另一个"AI 选股机器人",也不是一个封闭的 SaaS 平台。它的定位是交易研究智能体的基础设施层——帮你把数据采集、分析推理、策略回测、信号生成这些能力,通过一套统一的 Runtime 暴露出去,然后你想在哪用就在哪用。

CLI 里跑研究?可以。

REST API 接自己的系统?可以。

微信里问一句"今天纳指怎么看"?可以。

Telegram / Slack / Discord 群里 @它一下?也可以。

同一套 session runtime,所有通道共享。


这是 Vibe-Trading 最"离谱"的地方——通道覆盖面极广:

|

类别

|

通道

|
| --- | --- |
|

IM 即时通讯

|

Telegram、Slack、Discord、Matrix、WhatsApp、Signal

|
|

国内主流

|

微信 / 企业微信、QQ(NapCat)、飞书/Lark、钉钉、Mochat

|
|

企业协作

|

Teams、email

|
|

开发者接口

|

CLI、REST API、Web UI

|
|

实时通信

|

WebSocket

|

不管你的团队用飞书、你自己用微信、海外社区在 Telegram——同一个智能体实例,全都能聊。


架构上,Vibe-Trading 做了通道层与核心逻辑的解耦:

几个关键设计决策:

Session Runtime 是中心

——不管从哪个通道进来,用户的身份、对话历史、正在执行的任务,全部归一管理。你在微信里发起一个研究任务,到电脑上打开 Web UI,任务状态和结果都在。

Channel Adapter 插件化

——每个 IM 通道是一个独立适配器,实现统一的收发接口。新增通道 = 写一个适配器,不改核心逻辑。

WebSocket + REST 双协议

——实时推送走 WS,异步查询走 REST,CLI 和 Web UI 都能用。

一条命令启动

——vibe-trading start 拉起整个 Runtime,配置好通道适配器即可对外服务。


场景 1:个人交易者的"贴身研究员"

早上打开微信,问一句:"昨晚美股三大指数收盘情况 + 今天宏观日历。"

智能体秒回——数据拉取、整理、总结,一条消息搞定。

不用打开 Bloomberg、不用翻财经网站、不用切好几个 App。

场景 2:交易团队的内部研究 Bot

Slack/飞书群里 @Vibe-Trading:"帮我对比一下 BTC 和 ETH 过去 30 天的波动率,画个图。"

Bot 在群里直接回复图表 + 分析结论。

团队成员都能看到、都能追问,研究过程透明可回溯。

场景 3:量化研究者的快速原型工具

CLI 里跑:vibe-trading research --strategy momentum --symbol TSLA --period 1y

Runtime 拉数据、跑回测、输出结果。

觉得方向对了,通过 REST API 把策略接进自己的实盘系统。

场景 4:跨时区/跨平台的协作

你在 Telegram 上跟智能体讨论了一个交易想法,晚上回家在微信上继续追问细节,周末在 Web UI 上回顾完整的研究历史。所有通道共享同一份记忆。



Vibe-Trading vs 传统量化平台(QuantConnect / 聚宽 / 米筐)

传统平台是Web IDE + 回测引擎,研究在浏览器里完成,和 IM 通道天然割裂

Vibe-Trading 把研究能力推到你的聊天窗口里,交互范式完全不同

互补关系:Vibe-Trading 做研究交互层,传统平台做执行层

Vibe-Trading vs AI 聊天机器人(ChatGPT + 插件 / Claude)

通用 AI 没有交易研究专用引擎,数据时效性、专业因子计算都受限

Vibe-Trading 的 Runtime 内建交易研究管线,不是"让 LLM 硬算"

通道覆盖上,通用 AI 的官方 App 覆盖有限,Vibe-Trading 几乎通吃

Vibe-Trading vs 自研交易 Bot

自研要写:IM 接入层 + 消息路由 + 会话管理 + 研究引擎 + 数据源对接

Vibe-Trading 把这些一次性全给你了,你只需要关心策略逻辑

省下的开发量:保守估计 2-3 个月

Vibe-Trading vs 封闭 SaaS 交易助手

封闭 SaaS 数据在人家服务器上,通道支持有限,定制空间小

Vibe-Trading 开源自托管,通道想接就接,逻辑想改就改


个人交易者:想要一个随时在线的研究助手,不用盯盘时也能保持信息优势

小型交易团队:需要一个共享的研究 Bot,降低沟通成本

量化研究者:需要一个快速验证想法的前端,把精力花在策略上而不是工程基建

开发者/量化工程师:需要一个可扩展的交易智能体框架,在上面搭自己的东西

它不替你做交易决策,它替你把做决策需要的信息和研究能力,送到你手边最近的地方。


开源地址

https:

8元解锁820+优质项目!别再瞎找资料了!AI、低代码、Agent实战教程一网打尽,永久更新!