AI Agent炒幣真賺啊：8天100 U做到20萬U
- 核心觀點：AI Agent交易系統「拉哪」透過結合輿論熱度、價格波動與鏈上數據構建趨勢跟隨策略，在短期內實現顯著收益，其核心在於嚴格的止損紀律與少數交易貢獻主要利潤的模式。
- 關鍵要素：
- 該系統在8天內將100U本金增長至20萬U，其策略不預測市場，專注於跟隨已啟動的趨勢行情。
- 選標邏輯分三層：抓取幣安廣場輿論熱度；篩選漲幅榜出現波動的幣種；觀察持倉量變化以判斷資金佈局。
- 採用動態風險管理，初期為20%止損，後優化為每筆交易固定虧損約200U，但會根據幣種特性（如新幣）調整。
- 盈利模式非依賴每單盈利，而是透過多數交易嚴格止損，由少數標的（如ORDI、RAVE）貢獻絕大部分利潤。
- 系統透過餵養Hyperliquid聰明錢包數據、基礎合約指標，並經過持續的對話修正與行為蒸餾訓練而成，模仿人類決策框架。
最近，AI Agent 交易系統「拉哪」火了，其僅用 8 天，就將 100 U 做到了 20 萬 U，截至 4 月 16 日，帳戶總餘額超 25 萬 U。
據其作者 Lana（@lanaaielsa）披露，構建這套交易系統的原因很簡單。
去年 10 月 BSC 牛市期間，他身邊有朋友因追逐暴富敘事投入 10 萬 U，最終在行情回撤中幾乎虧光，最後 1 萬 U 轉入鏈上繼續交易也全部歸零，隨後退場。近期隨著山寨幣討論熱度回升，他判斷可能進入新一輪做市（MM）行情階段。由於自身不熟悉二級交易和 K 線分析，他選擇借助 AI 構建交易系統：讓 Claude 編寫腳本，抓取幣安廣場高熱度帖子與高頻討論幣種，並結合漲幅榜篩選波動標的進行交易。系統一開始採用 20% 止損，隨後優化為固定虧損 200 U 止損，並只做單一方向的趨勢跟隨。同時，拉哪還負責在幣安廣場發布實盤記錄、生成收益截圖、運營帳號。
看起來簡單吧。但我細研究了下，拉哪可不只是簡單的自動下單腳本，而是一套擁有自己交易邏輯的操作系統。
拉哪是如何交易並實現盈利的？
1、有嚴密的選標邏輯
從交易記錄來看拉哪並不對市場行情進行預測，只做跟隨，也就是趨勢行情，專注於捕捉已經啟動的幣種。涉及標的包括：幣安人生、RAVE、ORDI、BASED、TRUMP、SIREN、1000SATS、1000RATS、EIGEN、PIXEL、EDGE、BAN、ASTER、AIA、FIGHT、GENIUS、CL、BTC、GIGGLE、HYPE、BLESS、PUMP、HEMI、CFX。
篩選的標準大致可以分為三個層次：
首先是輿論層，拉哪會抓取幣安廣場的帖子數量、討論頻率以及情緒方向，尋找短時間內被反覆提及的幣種。
其次是價格層，只有當輿論層篩選出來的幣種同時出現在漲幅榜、出現明顯波動時，才會觸發進一步篩選。證明是有趨勢行情出現的機率。
最後通過觀察 OI（持倉量）變化，篩選出「持倉增加但價格尚未完全反應」的幣種，用於判斷是否存在提前佈局的資金。
2、有明確的止損標準
在拉哪開始運行的初期，採用固定 20% 止損，隨後優化為「固定虧損額度」，也就是無論倉位大小，每一筆交易的最大虧損控制在約 200 U 左右。
從交易的歷史記錄來看，大部分虧損都集中在這一範圍內。但也有超出止損標準的單子，比如 GENIUS 曾浮虧超 6880 U 卻仍未平倉，Lana 本人解釋到：「因為 GENIUS 是新幣，新幣的波動比較大所以放很寬的止損，早期的倉位一般加上槓桿就是 500 U 對應 200，後面倉位大了後開始開 10k 或者 25k 的倉位，對應止損金額就高一點。」
3、有動態的止盈標準
與止損不同，這套系統並沒有設定固定止盈點，主要是通過週期性評估來決定是否繼續持有，例如每隔一段時間重新判斷當前標的的上漲與下跌機率。可以理解為，它在持續問一個問題：如果現在沒有倉位，我還會不會買？
從交易的歷史數據來看，絕大部分利潤集中在少數幾個幣種上，例如「幣安人生」「RAVE」「ORDI」等，而其他多數交易則以小額虧損或小額盈利結束。
發現了嗎？拉哪不是靠每一單賺錢，而是靠少數單子爆賺，多數單子進行嚴格的止損。
如何訓練出拉哪？方法論可複用嗎？
1、餵養數據定基調
這套系統最初的策略雛形，來源於 Lana 對 Hyperliquid 上一些保持長期穩定盈利錢包行為的觀察，更多的是只做一個方向，不會多空兩個方向一直切換。所以餵給 AI 最重要的數據之一就是來自 Hyperliquid 上聰明錢包的交易行為，讓 AI 進行系統性的學習怎麼才能通過交易賺錢。同時也會餵給 AI 一些基礎的合約指標，以及一些鏈上數據。讓 AI 能夠通過理解這些錢包的操作形成自己的框架。
當然除了鏈上行為數據之外，系統還會不斷的自行抓取輿論與行情數據作為補充：
- 幣安廣場的討論密度與熱點內容；
- 漲幅榜與價格波動；
- OI 變化等基礎的合約指標。
2、對話修正定框架
在讓 AI 學習了基礎的操作手法之後，下一步不在於獲取更多信息，而在於如何對這些信息進行篩選和約束，也就是為 AI 建立一套明確的決策框架。
從其使用方式來看，這套系統的判斷邏輯並非一次性設定完成，而更可能是在持續運行與回饋中逐步修剪形成。在初期，AI 可能會基於單一信號做出判斷，例如將短期熱度誤認為趨勢信號，或在方向上出現頻繁切換。但隨著使用的深入，這些偏差逐漸被修正，使其決策逐步集中在更符合策略預期的範圍內。
3、行為蒸餾定交易風格
在完成數據輸入與決策框架的建立之後，這套系統並沒有停留在「標準化判斷」的層面，而是進一步引入個體行為的蒸餾。操作者將自身以及 X 上一些其他博主的推特內容輸入系統，使 AI 能夠學習具體的表達方式。讓 AI 不再是冰冷的交易機器，至少從表達層面上來看是更人性化了。
如果把整個過程拆開來看，這更像是在「造一個人」。
從最初的數據餵養搭建骨架，讓它理解市場在發生什麼；到通過不斷糾偏與約束形成結構，使其具備穩定的判斷邊界；再到行為蒸餾填充細節，讓它逐漸擁有接近人類的決策路徑與偏好。
最終形成的，已經不只是一個執行工具，而是一個能夠在複雜市場中持續做出一致選擇的「拉哪」。
它不依賴情緒，也不追求預測，而是用一套被反覆驗證過的方式，去參與市場、放大結果。
