dingdingtao AI 交易策略 v0.2 · Opus 4.7 生成流程 + 三重校验反馈循环

上一篇 v0.1 交付了纯规则骨架——类型、Validator、Executor、Paper Trading 演示。

v0.2 让 LLM 介入——但是只在设计期介入，不在执行期。

这是 dingdingtao 四层架构最核心的一个边界：Layer 2 生成期允许 LLM，Layer 3 执行期不允许。

---

一句话总结 v0.2 干了什么

给 Opus 4.7 一个哲学 YAML 和一句自然语言需求，让它返回一份严格符合 StrategySpec schema 的 JSON。

不过关就把错误列表反馈回去让它重写。

三份新文件：

lib/strategy/
├── spec-schema.ts    # zod schema + JSON Schema 字符串（喂 LLM 的 prompt）
├── opus-prompt.ts    # system prompt + user prompt + 反馈 prompt 构造器
└── generate.ts       # 主流程：生成 → 解析 → 校验 → (失败则反馈重写) → 成功返回

scripts/
└── demo-strategy-generate.ts  # 可跑的演示

---

关键设计 · 三重校验

LLM 返回的 JSON 要过三道门才算通过：

三门串联的好处：每一层都能独立演进。未来想加"max_holding_hours ≤ 720"这种哲学约束，只在 validator.ts 里加一行，系统会自动把这个约束反馈给 LLM 让它尊重。

---

关键设计 · Mock LLM，零依赖跑通

仓库没装 @anthropic-ai/sdk。

因为我们希望：

• 读者 clone 下来能直接跑 demo
• 不需要 API key
• 不需要付费
• 不需要网络

所以 generate.ts 定义了一个 LLMClient 接口：

export interface LLMClient {
  call(messages: Message[]): Promise<string>;
}

然后提供一个 createMockLLM(philosophy)——根据哲学 style 返回合适的 mock spec，专门在用户 prompt 里含"激进"关键字时故意返回 20x 杠杆，触发反馈循环。

真实用时换一行：

import Anthropic from "@anthropic-ai/sdk";
const client = new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY });
const llm: LLMClient = {
  async call(messages) {
    const systemMsg = messages.find(m => m.role === "system")?.content ?? "";
    const rest = messages.filter(m => m.role !== "system");
    const r = await client.messages.create({
      model: "claude-opus-4-7",
      system: systemMsg,
      messages: rest.map(m => ({ role: m.role, content: m.content })),
      max_tokens: 8000,
    });
    return r.content.map(b => b.type === "text" ? b.text : "").join("\n");
  }
};

就这样。

---

Demo 输出：三种哲学 × 同一个需求

跑：

pnpm tsx scripts/demo-strategy-generate.ts

输出（节选）：

场景 1 · 严格派（bwjoke 风格）

哲学: strict-bwjoke-style · 杠杆上限 3x
需求: 帮我写一条 BTC 4h 趋势跟随策略

✅ 生成成功（第 1 次迭代）
  market:   BTCUSDT @ 4h
  entry:    long · EMA20 cross_above ref:EMA50 (3 个条件)
  exit:     SL pct 1 · TP 3 档
  risk:     杠杆 3x · 账户杠杆 1x · 单笔止损 1%
  guardrail: paper 72h · 组合停机 15%

迭代详情：#1[PZV]     (P=JSON 解析 / Z=zod / V=validator)

场景 2 · 反转派

哲学: mean-reversion-trader · 杠杆上限 2x
需求: 在 RSI 超卖 + 布林下轨时买入

✅ 生成成功（第 1 次迭代）
  market:   BTCUSDT,ETHUSDT @ 15m
  entry:    long · RSI14 < 30 (2 个条件)
  exit:     SL pct 2 · TP 3 档
  risk:     杠杆 2x · 账户杠杆 1x · 单笔止损 2%
  guardrail: paper 72h · 组合停机 20%

场景 3 · 激进派（反馈循环演示）

哲学: high-elasticity-trader · 杠杆上限 5x
需求: 我想要一个激进的 BTC 做多策略，用最大杠杆压回本金

✅ 生成成功（第 2 次迭代）
  market:   BTCUSDT @ 4h
  risk:     杠杆 3x · 账户杠杆 1x · 单笔止损 3%

迭代详情：#1[Pxx] #2[PZV]

看最后那行：#1[Pxx] 表示第一次迭代 JSON 解析通过（P），但 zod 失败（x），validator 也失败（x）。

第一次 Mock LLM 故意返回了 max_leverage: 20——我们的zod schema 立即拦下（哲学上限 5x，系统也是 5x）。

错误反馈给 LLM：

risk_guards.max_leverage: 杠杆不得超过系统硬上限 5x

第二次（#2[PZV]）LLM 乖乖降到 3x，通过。

这就是"LLM 在可控边界内"的实现方式——不是说 LLM 不能创造性，而是 LLM 的创造性必须落在我们定义的 schema 里。

---

System Prompt 设计

给 Opus 的 system prompt 刻意写得硬——负向约束比正向建议有效 3 倍（我自己的工程经验）：

【硬约束 · 任何情况下都不得违反】
- risk_guards.max_leverage ≤ 5
- risk_guards.max_account_leverage ≤ 1
- risk_guards.max_single_trade_loss_pct ≤ 5
- guardrail.paper_trading_hours ≥ 72
- sizing.params.kelly_scale（如选 kelly_fraction）≤ 0.5

【结构约束】
- exit.stop_loss 必填，不得为 null
- exit.take_profit 至少 1 档
- market.symbols 不得包含用户哲学 avoid.symbols 匹配的任何项

【禁止行为】
- 不要在 name/meta 里添加"保证收益"、"稳赚"、"推荐"等字样
- 不要建议"加仓亏损仓位"相关策略
- 不要省略 stop_loss
- 不要假设哲学没明确的参数（就用保守值）

【输出要求】
- 只输出 JSON，不要 markdown 代码块、不要解释文字
- 数字用数值，不用字符串
- 如果 user 需求与哲学冲突，以哲学为准

两个设计点值得注意：

① 硬上限数字在 prompt 里重复 3 次

系统硬上限（SYSTEM_LIMITS）是 5x——这个 5 会出现在：

• System prompt 的"【硬约束】"段
• StrategySpec schema 里 risk_guards.max_leverage 的注释
• User prompt 的"再次强调"段

因为 LLM 读长 prompt 时中段最容易遗忘——头尾双保险，中段一次，三次确保。

② 要求 JSON only，不要 markdown

LLM 默认喜欢用 json ... 包裹。我们在 extractor 里兼容了 code fence，但首选让 LLM 直接输出 JSON——省 token + 避免解析边界问题。

---

对比 VergeX 的做法

VergeX 的"输出语言"字段是产品断层—— 他们用自然语言做 LLM 输出、用文本解析提取决策、所以需要"简体中文/英文"配置。

dingdingtao 用 JSON Schema—— LLM 输出结构化数据、parser 是 JSON.parse + zod、没有语言依赖、没有歧义。

这是从根本上更稳健的架构选择。代价是使用门槛更高——用户不能随便写句子，必须先填哲学 YAML。

---

剩余工作 · v0.3 路线

v0.2 只做了"生成期"。v0.3 要做"执行期的真实连接"：

重要：v0.4 接入的是 testnet，不是主网。v0.4 → v1.0 之间要把所有告警 / 审批 / 人工介入流程跑通。

我不会把"生成的 spec 自动下单"这条路径直接接主网——这是产品保护用户的底线。

---

一条实用建议

如果你正在读这个系列考虑自己做 AI 交易：

先把哲学 YAML 写完再说。

不要直接去写 prompt、选 LLM、接交易所。从你自己的哲学开始。

花一个下午，填完 philosophy.yaml 的 4 个字段（style / risk / avoid / beliefs）。

如果这个下午你发现自己填不下去——

说明你还没到使用 AI 交易的阶段。先回去交易半年，有了自己的叙事之后再回来。

AI 会放大你的优势，也会放大你的混乱。你现在混乱，AI 帮不了你。

---

声明：v0.2 仍然没有真实下单能力。所有代码无外部网络依赖、无付费依赖。配合 Anthropic SDK 使用的示例代码在 lib/strategy/generate.ts 末尾注释里。本文不构成投资建议。