KeyFrame內部研究專用

I Built an AI Agent That Day Trades Crypto Using Claude Code (Tutorial)

Austin Marcus7 min英文
觀看原始影片

三句話摘要

使用 AI 驅動的交易機器人透過以太坊上的 Front Running 技術進行自動化交易獲利。 通過 AI 自動化利用區塊鏈交易池的市場低效進行 sandwich trading,在 1-10 ETH 本金投入下可實現被動收入,但操作涉及爭議性交易手段且需承擔市場風險。 Sandwich trading 機制:系統監控去中心化交易所的交易池,當偵測到目標交易時,透過提高 gas fee 使自己的交易優先被礦工確認,隨後立即反向交易以從價格變動中獲利。

重點整理

  1. Sandwich trading 機制:系統監控去中心化交易所的交易池,當偵測到目標交易時,透過提高 gas fee 使自己的交易優先被礦工確認,隨後立即反向交易以從價格變動中獲利。

  2. 本金規模的數學限制:1 ETH 是技術下限(低於此金額會因 gas 耗盡而虧損),2-10 ETH 為最優投資區間,50 ETH 以上收益開始遞減,凸顯市場流動性有限。

  3. 完全開源自動化架構:整套系統由 AI 編寫,代碼公開可審計且附詳細註釋,部署成本不超過 1 美元,透過三個簡單函數控制,降低使用門檻。

  4. 完整可追蹤的交易日誌:系統記錄每筆交易的執行過程與合約路由,使用者能完全監督機器人行為而非只看最終結果,提供透明度。

實用技巧與重點

  • 最少投資:1 ETH
  • 最佳區間:2-10 ETH
  • 收益遞減點:約 50 ETH
  • 部署費用:不超過 1 美元(gas 費)
  • 交易模式:Sandwich trading(先發交易 + 反向交易)
  • 目標平台:Uniswap(去中心化交易所)
  • 必需工具:錢包擴展插件、以太坊環境
  • 控制面板:三個自解釋函數(啟動、查詢、提取)
  • 收益波動因素:網路擁塞程度、實時市場波動性
  • 最小測試週期:24 小時

結論

通過 AI 自動化利用區塊鏈交易池的市場低效進行 sandwich trading,在 1-10 ETH 本金投入下可實現被動收入,但操作涉及爭議性交易手段且需承擔市場風險。

完整解析

這個交易機器人系統針對以太坊區塊鏈上去中心化交易所的市場低效現象而設計。當使用者在 Uniswap 等平台下單時,交易不會立即執行,而是進入交易池等待被礦工打包確認。機器人的核心功能就是持續掃描這個交易池,一旦偵測到有利可圖的交易,就提交更高的 gas fee(網路費用)確保自己的交易被優先執行。具體流程是:機器人搶先執行一筆交易,導致目標交易所涉及的代幣價格產生變化,隨後機器人立即反向交易,從中差價中獲利。這種技術稱為 sandwich trading,是區塊鏈上的已知套利方法。

系統的部署流程相對直白。用戶首先需要準備至少 1 ETH 的本金——這不是任意設定,而是數學上的必要下限,因為低於此金額會因 gas 成本耗盡而無法運作。根據實際測試經驗,2 到 10 ETH 是最佳投資區間,此時機器人在充足流動性下能維持穩定獲利。然而當投入達到 50 ETH 左右時,收益開始遞減,這反映了市場流動性的現實限制。更大的本金確實允許機器人處理更高交易量,但受到市場深度的制約。

整個系統完全由 AI 開發,代碼開源可供任何人審計。用戶需要透過錢包擴展插件連接系統,支付不超過 1 美元的部署費用,將本金轉入機器人地址後點擊啟動。系統啟動後,控制面板提供三個簡單函數供使用者操控。最值得注意的是,機器人會詳細記錄每筆交易的執行細節與合約路由,使用者能追蹤整個交易過程,而不是只看最終的獲利數字。根據測試案例,機器人在 24 小時內可產生可觀收益,但實際表現受網路擁塞程度和市場波動性影響。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。