跳至主要內容

在以太坊上打造你自己的 AI 交易代理

AI
交易
代理
Python
中階
奧里·波梅蘭茨
2026年2月13日
33 分鐘閱讀

在本教學中，你將學習如何建立一個簡單的 AI 交易代理。此代理的運作步驟如下：

  1. 讀取代幣的當前與歷史價格，以及其他可能相關的資訊
  2. 使用這些資訊建立查詢，並附上背景資訊以解釋其相關性
  3. 提交查詢並接收預測價格
  4. 根據建議進行交易
  5. 等待並重複

此代理示範了如何讀取資訊、將其轉換為能產生可用答案的查詢，並使用該答案。這些都是 AI 代理所需的步驟。此代理使用 Python 實作，因為它是 AI 領域中最常用的語言。

為什麼要這麼做？

自動化交易代理允許開發者選擇並執行交易策略。 AI 代理允許更複雜且動態的交易策略，甚至可能使用開發者從未考慮過的資訊與演算法。

工具

本教學使用 Python (在新分頁開啟)、Web3 函式庫 (在新分頁開啟) 以及 尤尼斯瓦普 (Uniswap) v3 (在新分頁開啟) 來獲取報價與進行交易。

為什麼選擇 Python？

AI 領域最廣泛使用的語言是 Python (在新分頁開啟)，因此我們在這裡使用它。如果你不懂 Python 也不用擔心。這門語言非常清晰，我會準確解釋它的作用。

Web3 函式庫 (在新分頁開啟) 是最常見的 Python 以太坊 API。它非常容易使用。

在區塊鏈上交易

有許多去中心化交易所 (DEX) 讓你在以太坊上交易代幣。然而，由於套利的關係，它們的匯率往往很相似。

尤尼斯瓦普 (在新分頁開啟) 是一個廣泛使用的 DEX，我們可以用它來獲取報價（查看代幣相對價值）和進行交易。

OpenAI

至於大型語言模型 (LLM)，我選擇從 OpenAI (在新分頁開啟) 開始。要執行本教學中的應用程式，你需要付費取得 API 存取權限。最低 5 美元的付款已經綽綽有餘。

逐步開發

為了簡化開發，我們分階段進行。每個步驟都是 GitHub 中的一個分支。

入門指南

以下是在 UNIX 或 Linux（包含 WSL (在新分頁開啟)）環境下開始的步驟：

  1. 如果你尚未安裝，請下載並安裝 Python (在新分頁開啟)。

  2. 複製 GitHub 儲存庫。

    git clone https://github.com/qbzzt/260215-ai-agent.git -b 01-getting-started
cd 260215-ai-agent

  3. 安裝 uv (在新分頁開啟)。你系統上的指令可能會有所不同。

    pipx install uv

  4. 下載函式庫。

    uv sync

  5. 啟動虛擬環境。

    source .venv/bin/activate

  6. 若要驗證 Python 和 Web3 是否正常運作，請執行 python3 並提供此程式。你可以在 >>> 提示字元下輸入；不需要建立檔案。

    from web3 import Web3
MAINNET_URL = "https://eth.drpc.org"
w3 = Web3(Web3.HTTPProvider(MAINNET_URL))
w3.eth.block_number
quit()

從區塊鏈讀取

下一步是從區塊鏈讀取資料。為此，你需要切換到 02-read-quote 分支，然後使用 uv 執行程式。

git checkout 02-read-quote
uv run agent.py

你應該會收到一個 Quote 物件列表，每個物件都包含時間戳記、價格和資產（目前始終為 WETH/USDC）。

以下是逐行解釋。

匯入我們需要的函式庫。它們會在下方使用時進行解釋。

print = functools.partial(print, flush=True)

將 Python 的 print 替換為始終立即刷新輸出的版本。這在長時間執行的腳本中很有用，因為我們不想等待狀態更新或除錯輸出。

MAINNET_URL = "https://eth.drpc.org"

連接至主網的 URL。你可以從 節點即服務 (Node as a service) 取得一個，或使用 Chainlist (在新分頁開啟) 中宣傳的 URL。

BLOCK_TIME_SECONDS = 12
MINUTE_BLOCKS = int(60 / BLOCK_TIME_SECONDS)
HOUR_BLOCKS = MINUTE_BLOCKS * 60
DAY_BLOCKS = HOUR_BLOCKS * 24

以太坊主網區塊通常每 12 秒產生一個，因此這些是我們預期在一段時間內會產生的區塊數量。請注意，這不是一個精確的數字。當區塊提案者停機時，該區塊會被跳過，下一個區塊的時間將是 24 秒。如果我們想取得特定時間戳記的確切區塊，我們會使用二元搜尋 (在新分頁開啟)。然而，這對我們的目的來說已經足夠接近了。預測未來並非一門精確的科學。

CYCLE_BLOCKS = DAY_BLOCKS

週期的長度。我們每個週期審查一次報價，並嘗試估計下一個週期結束時的價值。

# 我們正在讀取的池地址
WETHUSDC_ADDRESS = Web3.to_checksum_address("0x88e6A0c2dDD26FEEb64F039a2c41296FcB3f5640")

報價取自地址為 0x88e6A0c2dDD26FEEb64F039a2c41296FcB3f5640 (在新分頁開啟) 的尤尼斯瓦普 3 USDC/WETH 資金池。此地址已採用校驗和 (checksum) 格式，但最好使用 Web3.to_checksum_address (在新分頁開啟) 以使程式碼可重複使用。

這些是我們需要互動的兩個合約的 ABI (在新分頁開啟)。為了保持程式碼簡潔，我們只包含需要呼叫的函式。

w3 = Web3(Web3.HTTPProvider(MAINNET_URL))

初始化 Web3 (在新分頁開啟) 函式庫並連接到以太坊節點。

@dataclass(frozen=True)
class ERC20Token:
    address: str
    symbol: str
    decimals: int
    contract: Contract

這是 Python 中建立資料類別 (data class) 的一種方式。Contract (在新分頁開啟) 資料型別用於連接合約。請注意 (frozen=True)。在 Python 中，布林值 (在新分頁開啟)定義為 True 或 False，首字母大寫。此資料類別是 frozen，這意味著欄位無法修改。

注意縮排。與衍生自 C 的語言 (在新分頁開啟)不同，Python 使用縮排來表示區塊。Python 直譯器知道以下定義不屬於此資料類別，因為它的起始縮排與資料類別欄位不同。

@dataclass(frozen=True)
class PoolInfo:
    address: str
    token0: ERC20Token
    token1: ERC20Token
    contract: Contract
    asset: str
    decimal_factor: Decimal = 1

Decimal (在新分頁開啟) 型別用於精確處理小數。

    def get_price(self, block: int) -> Decimal:

這是 Python 中定義函式的方式。定義有縮排，表示它仍然是 PoolInfo 的一部分。

在屬於資料類別的函式中，第一個參數始終是 self，即呼叫此處的資料類別實例。這裡還有另一個參數：區塊號碼。

        assert block <= w3.eth.block_number, "Block is in the future"

如果我們能預知未來，我們就不需要 AI 來進行交易了。

        sqrt_price_x96 = Decimal(self.contract.functions.slot0().call(block_identifier=block)[0])

從 Web3 呼叫 EVM 上函式的語法如下：<contract object>.functions.<function name>().call(<parameters>)。參數可以是 EVM 函式的參數（如果有的話；這裡沒有），或者是用於修改區塊鏈行為的具名參數 (在新分頁開啟)。這裡我們使用了一個 block_identifier，來指定我們希望在哪個區塊號碼中執行。

結果是這個結構 (struct) 的陣列形式 (在新分頁開啟)。第一個值是兩種代幣之間匯率的函數。

        raw_price = (sqrt_price_x96 / Decimal(2**96)) ** 2

為了減少鏈上計算，尤尼斯瓦普 v3 不儲存實際的兌換係數，而是儲存其平方根。因為 EVM 不支援浮點數運算或分數，所以回應的不是實際值，而是 price⋅296

         # (每個代幣0的代幣1)
        return 1/(raw_price * self.decimal_factor)

我們獲得的原始價格是每個 token1 可以換得的 token0 數量。在我們的資金池中，token0 是 USDC（價值等同於美元的穩定幣），而 token1 是 WETH (在新分頁開啟)。我們真正想要的值是每 WETH 多少美元，而不是反過來。

小數係數是兩種代幣的小數係數 (在新分頁開啟)之間的比例。

@dataclass(frozen=True)
class Quote:
    timestamp: str
    price: Decimal
    asset: str

此資料類別代表一個報價：特定資產在給定時間點的價格。在這一點上，asset 欄位無關緊要，因為我們使用單一資金池，因此只有單一資產。不過，我們稍後會新增更多資產。

此函式接收一個地址，並傳回該地址代幣合約的相關資訊。要建立一個新的 Web3 Contract (在新分頁開啟)，我們將地址和 ABI 提供給 w3.eth.contract。

此函式傳回我們需要關於特定資金池 (在新分頁開啟)的所有資訊。語法 f"<string>" 是一個格式化字串 (在新分頁開啟)。

def get_quote(pool: PoolInfo, block_number: int = None) -> Quote:

取得一個 Quote 物件。block_number 的預設值為 None（無值）。

    if block_number is None:
        block_number = w3.eth.block_number

如果未指定區塊號碼，則使用 w3.eth.block_number，即最新的區塊號碼。這是 if 敘述 (在新分頁開啟)的語法。

看起來似乎直接將預設值設為 w3.eth.block_number 會更好，但這行不通，因為那會是定義函式時的區塊號碼。在長時間執行的代理中，這會是個問題。

    block = w3.eth.get_block(block_number)
    price = pool.get_price(block_number)
    return Quote(
        timestamp=datetime.fromtimestamp(block.timestamp, timezone.utc).isoformat(),
        price=price.quantize(Decimal("0.01")),
        asset=pool.asset
    )

使用 datetime 函式庫 (在新分頁開啟)將其格式化為人類和大型語言模型 (LLM) 可讀的格式。使用 Decimal.quantize (在新分頁開啟) 將數值四捨五入到小數點後兩位。

def get_quotes(pool: PoolInfo, start_block: int, end_block: int, step: int) -> list[Quote]:

在 Python 中，你可以使用 list[<type>] 定義一個只能包含特定型別的列表 (list) (在新分頁開啟)。

    quotes = []
    for block in range(start_block, end_block + 1, step):

在 Python 中，for 迴圈 (在新分頁開啟)通常會迭代一個列表。用來尋找報價的區塊號碼列表來自 range (在新分頁開啟)。

        quote = get_quote(pool, block)
        quotes.append(quote)
    return quotes

對於每個區塊號碼，取得一個 Quote 物件並將其附加到 quotes 列表中。然後傳回該列表。

這是腳本的主要程式碼。讀取資金池資訊，取得十二個報價，並將它們pprint (在新分頁開啟)。

建立提示詞 (Prompt)

接下來，我們需要將這個報價列表轉換為給 LLM 的提示詞，並獲得預期的未來價值。

git checkout 03-create-prompt
uv run agent.py

輸出現在將成為給 LLM 的提示詞，類似於：

請注意，這裡有兩種資產的報價：WETH/USDC 和 WBTC/WETH。加入另一種資產的報價可能會提高預測的準確性。

提示詞的樣貌

這個提示詞包含三個部分，這在 LLM 提示詞中非常常見。

  1. 資訊。LLM 從其訓練中獲得了大量資訊，但它們通常沒有最新的資訊。這就是我們需要在此處擷取最新報價的原因。將資訊加入提示詞中稱為檢索增強生成 (RAG) (在新分頁開啟)。

  2. 實際問題。這是我們想知道的內容。

  3. 輸出格式指示。通常，LLM 會給我們一個估計值，並解釋它是如何得出這個結果的。這對人類來說比較好，但電腦程式只需要最終結果。

程式碼解釋

這是新的程式碼。

from datetime import datetime, timezone, timedelta

我們需要向 LLM 提供我們想要估計的時間。要取得未來「n 分鐘/小時/天」的時間，我們使用 timedelta 類別 (在新分頁開啟)。

# 我們正在讀取的各個池的地址
WETHUSDC_ADDRESS = Web3.to_checksum_address("0x88e6A0c2dDD26FEEb64F039a2c41296FcB3f5640")
WETHWBTC_ADDRESS = Web3.to_checksum_address("0xCBCdF9626bC03E24f779434178A73a0B4bad62eD")

我們有兩個需要讀取的資金池。

在 WETH/USDC 資金池中，我們想知道需要多少 token0 (USDC) 才能買到一個 token1 (WETH)。在 WETH/WBTC 資金池中，我們想知道需要多少 token1 (WETH) 才能買到一個 token0 (WBTC，即包裝比特幣)。我們需要追蹤資金池的比例是否需要反轉。

要知道資金池是否需要反轉，我們將其作為 read_pool 的輸入。此外，資產代號也需要正確設定。

語法 <a> if <b> else <c> 是 Python 中等同於三元條件運算子 (在新分頁開啟)的寫法，在衍生自 C 的語言中會是 <b> ? <a> : <c>。

def format_quotes(quotes: list[Quote]) -> str:
    result = f"Asset: {quotes[0].asset}\n"
    for quote in quotes:
        result += f"\t{quote.timestamp[0:16]} {quote.price.quantize(Decimal('0.01'), rounding=ROUND_HALF_UP)}\n"
    return result

此函式建立一個字串，用於格式化 Quote 物件列表，假設它們都適用於相同的資產。

def make_prompt(quotes: list[list[Quote]], expected_time: str, asset: str) -> str:
    return f"""

在 Python 中，多行字串常值 (在新分頁開啟)寫為 """ .... """。

Given these quotes:
{
    functools.reduce(lambda acc, q: acc + '\n' + q,
        map(lambda q: format_quotes(q), quotes))
}

這裡，我們使用 MapReduce (在新分頁開啟) 模式，透過 format_quotes 為每個報價列表產生一個字串，然後將它們縮減為單一字串以用於提示詞中。

What would you expect the value for {asset} to be at time {expected_time}?

Provide your answer as a single number rounded to two decimal places,
without any other text.
    """

提示詞的其餘部分如預期。

審查這兩個資金池並從兩者取得報價。

future_time = (datetime.now(timezone.utc) + timedelta(days=1)).isoformat()[0:16]

print(make_prompt(wethusdc_quotes + wethwbtc_quotes, future_time, wethusdc_pool.asset))

決定我們想要估計的未來時間點，並建立提示詞。

與 LLM 介接

接下來，我們向實際的 LLM 發出提示詞並接收預期的未來價值。我使用 OpenAI 編寫了這個程式，所以如果你想使用不同的提供者，你需要進行調整。

  1. 取得一個 OpenAI 帳戶 (在新分頁開啟)

  2. 為帳戶儲值 (在新分頁開啟)——在撰寫本文時，最低金額為 5 美元

  3. 建立 API 金鑰 (在新分頁開啟)

  4. 在命令列中，匯出 API 金鑰，以便你的程式可以使用它

    export OPENAI_API_KEY=sk-<the rest of the key goes here>

  5. 簽出 (Checkout) 並執行代理

    git checkout 04-interface-llm
uv run agent.py

這是新的程式碼。

from openai import OpenAI

open_ai = OpenAI()  # 客戶端讀取 OPENAI_API_KEY 環境變數

匯入並實例化 OpenAI API。

response = open_ai.chat.completions.create(
    model="gpt-4-turbo",
    messages=[
        {"role": "user", "content": prompt}
    ],
    temperature=0.0,
    max_tokens=16,
)

呼叫 OpenAI API (open_ai.chat.completions.create) 來建立回應。

輸出價格並提供買入或賣出建議。

測試預測

既然我們能夠產生預測，我們也可以使用歷史資料來評估我們是否產生了有用的預測。

uv run test-predictor.py

預期結果類似於：

測試程式的大部分與代理相同，但以下是新增或修改的部分。

我們回顧 CYCLES_FOR_TEST（此處指定為 40）天前的資料。

# 建立預測並與真實歷史進行比對

total_error = Decimal(0)
changes = []

我們感興趣的誤差有兩種類型。第一種 total_error，單純是預測器所犯誤差的總和。

要理解第二種 changes，我們需要記住代理的目的。它的目的不是預測 WETH/USDC 比例（ETH 價格）。它的目的是發出賣出和買入建議。如果目前價格是 2000 美元，而它預測明天是 2010 美元，如果實際結果是 2020 美元讓我們賺了額外的錢，我們並不介意。但如果它預測 2010 美元，我們根據該建議買入了 ETH，結果價格跌到 1990 美元，我們_就會_介意了。

for index in range(0,len(wethusdc_quotes)-CYCLES_BACK):

我們只能查看具有完整歷史記錄（用於預測的值以及用於比較的真實世界值）的案例。這意味著最新的案例必須是 CYCLES_BACK 前開始的案例。

    wethusdc_slice = wethusdc_quotes[index:index+CYCLES_BACK]
    wethwbtc_slice = wethwbtc_quotes[index:index+CYCLES_BACK]

使用切片 (slices) (在新分頁開啟)來取得與代理使用數量相同的樣本數。從這裡到下一個片段之間的程式碼，與我們在代理中取得預測的程式碼相同。

    predicted_price = Decimal(response.choices[0].message.content.strip())
    real_price = wethusdc_quotes[index+CYCLES_BACK].price
    prediction_time_price = wethusdc_quotes[index+CYCLES_BACK-1].price

取得預測價格、實際價格以及預測時的價格。我們需要預測時的價格來決定建議是買入還是賣出。

    error = abs(predicted_price - real_price)
    total_error += error
    print (f"Prediction for {prediction_time}: predicted {predicted_price} USD, real {real_price} USD, error {error} USD")

計算誤差，並將其加到總和中。

    recomended_action = 'buy' if predicted_price > prediction_time_price else 'sell'
    price_increase = real_price - prediction_time_price
    changes.append(price_increase if recomended_action == 'buy' else -price_increase)

對於 changes，我們想要知道買入或賣出 1 ETH 的金錢影響。因此，首先我們需要確定建議，然後評估實際價格如何變動，以及該建議是賺錢（正向變動）還是虧錢（負向變動）。

print (f"Mean prediction error over {len(wethusdc_quotes)-CYCLES_BACK} predictions: {total_error / Decimal(len(wethusdc_quotes)-CYCLES_BACK)} USD")

length_changes = Decimal(len(changes))
mean_change = sum(changes, Decimal(0)) / length_changes
print (f"Mean change per recommendation: {mean_change} USD")
var = sum((x - mean_change) ** 2 for x in changes) / length_changes
print (f"Standard variance of changes: {var.sqrt().quantize(Decimal("0.01"))} USD")

報告結果。

print (f"Profitable days: {len(list(filter(lambda x: x > 0, changes)))/length_changes:.2%}")
print (f"Losing days: {len(list(filter(lambda x: x < 0, changes)))/length_changes:.2%}")

使用 filter (在新分頁開啟) 來計算獲利天數和虧損天數。結果是一個 filter 物件，我們需要將其轉換為列表才能取得長度。

提交交易

現在我們需要實際提交交易。然而，在系統被證明有效之前，我不想在此階段花費真金白銀。相反地，我們將建立一個主網的本地分叉，並在該網路上進行「交易」。

以下是建立本地分叉並啟用交易的步驟。

  1. 安裝 Foundry (在新分頁開啟)

  2. 啟動 anvil (在新分頁開啟)

    anvil --fork-url https://eth.drpc.org --block-time 12

    anvil 正在監聽 Foundry 的預設 URL (http://localhost:8545)，因此我們不需要為用來操作區塊鏈的[`cast` (在新分頁開啟) 指令](https://getfoundry.sh/cast/overview)指定 (在新分頁開啟) URL。

  3. 在 anvil 中執行時，有十個擁有 ETH 的測試帳戶——為第一個帳戶設定環境變數

    PRIVATE_KEY=0xac0974bec39a17e36ba4a6b4d238ff944bacb478cbed5efcae784d7bf4f2ff80
ADDRESS=`cast wallet address $PRIVATE_KEY`

  4. 這些是我們需要使用的合約。SwapRouter (在新分頁開啟) 是我們用來實際交易的尤尼斯瓦普 v3 合約。我們可以直接透過資金池進行交易，但這樣做容易得多。

    底部的兩個變數是在 WETH 和 USDC 之間兌換所需的尤尼斯瓦普 v3 路徑。

    WETH_ADDRESS=0xC02aaA39b223FE8D0A0e5C4F27eAD9083C756Cc2
USDC_ADDRESS=0xA0b86991c6218b36c1d19D4a2e9Eb0cE3606eB48
POOL_ADDRESS=0x88e6A0c2dDD26FEEb64F039a2c41296FcB3f5640
SWAP_ROUTER=0xE592427A0AEce92De3Edee1F18E0157C05861564
WETH_TO_USDC=0xC02aaA39b223FE8D0A0e5C4F27eAD9083C756Cc20001F4A0b86991c6218b36c1d19D4a2e9Eb0cE3606eB48
USDC_TO_WETH=0xA0b86991c6218b36c1d19D4a2e9Eb0cE3606eB480001F4C02aaA39b223FE8D0A0e5C4F27eAD9083C756Cc2

  5. 每個測試帳戶都有 10,000 ETH。使用 WETH 合約包裝 1000 ETH，以獲得 1000 WETH 用於交易。

    cast send $WETH_ADDRESS "deposit()" --value 1000ether --private-key $PRIVATE_KEY

  6. 使用 SwapRouter 將 500 WETH 兌換為 USDC。

    cast send $WETH_ADDRESS "approve(address,uint256)" $SWAP_ROUTER 500ether --private-key $PRIVATE_KEY
MAXINT=`cast max-int uint256`
cast send $SWAP_ROUTER \
    "exactInput((bytes,address,uint256,uint256,uint256))" \
    "($WETH_TO_USDC,$ADDRESS,$MAXINT,500ether,1000000)" \
    --private-key $PRIVATE_KEY

    approve 呼叫會建立一個授權額度，允許 SwapRouter 花費我們的一些代幣。合約無法監控事件，因此如果我們直接將代幣轉帳給 SwapRouter 合約，它不會知道自己已收到付款。相反地，我們允許 SwapRouter 合約花費特定金額，然後由 SwapRouter 來執行。這是透過由 SwapRouter 呼叫的函式來完成的，因此它會知道是否成功。

  7. 驗證你擁有足夠的兩種代幣。

    cast call $WETH_ADDRESS "balanceOf(address)" $ADDRESS | cast from-wei
echo `cast call $USDC_ADDRESS "balanceOf(address)" $ADDRESS | cast to-dec`/10^6 | bc

現在我們有了 WETH 和 USDC，我們可以實際執行代理了。

git checkout 05-trade
uv run agent.py

輸出將類似於：

要實際使用它，你需要進行一些小修改。

  • 在第 14 行，將 MAINNET_URL 變更為真實的存取點，例如 https://eth.drpc.org
  • 在第 28 行，將 PRIVATE_KEY 變更為你自己的私鑰
  • 除非你非常富有，可以每天為一個未經證實的代理買入或賣出 1 ETH，否則你可能需要修改第 29 行以減少 WETH_TRADE_AMOUNT

程式碼解釋

這是新的程式碼。

SWAP_ROUTER_ADDRESS=Web3.to_checksum_address("0xE592427A0AEce92De3Edee1F18E0157C05861564")
WETH_TO_USDC=bytes.fromhex("C02aaA39b223FE8D0A0e5C4F27eAD9083C756Cc20001F4A0b86991c6218b36c1d19D4a2e9Eb0cE3606eB48")
USDC_TO_WETH=bytes.fromhex("A0b86991c6218b36c1d19D4a2e9Eb0cE3606eB480001F4C02aaA39b223FE8D0A0e5C4F27eAD9083C756Cc2")
PRIVATE_KEY="0xac0974bec39a17e36ba4a6b4d238ff944bacb478cbed5efcae784d7bf4f2ff80"

我們在步驟 4 中使用的相同變數。

WETH_TRADE_AMOUNT=1

交易金額。

ERC20_ABI = [
    { "name": "symbol", ... },
    { "name": "decimals", ... },
    { "name": "balanceOf", ...},
    { "name": "approve", ...}
]

為了實際進行交易，我們需要 approve 函式。我們還想顯示交易前後的餘額，因此我們也需要 balanceOf。

SWAP_ROUTER_ABI = [
  { "name": "exactInput", ...},
]

在 SwapRouter ABI 中，我們只需要 exactInput。有一個相關的函式 exactOutput，我們可以用它來精確買入 1 WETH，但為了簡單起見，我們在兩種情況下都只使用 exactInput。

account = w3.eth.account.from_key(PRIVATE_KEY)
swap_router = w3.eth.contract(
    address=SWAP_ROUTER_ADDRESS,
    abi=SWAP_ROUTER_ABI
)

account (在新分頁開啟) 和 SwapRouter 合約的 Web3 定義。

def txn_params() -> dict:
    return {
        "from": account.address,
        "value": 0,
        "gas": 300000,
        "nonce": w3.eth.get_transaction_count(account.address),
    }

交易參數。我們在這裡需要一個函式，因為隨機數 (nonce) (在新分頁開啟)每次都必須改變。

def approve_token(contract: Contract, amount: int):

為 SwapRouter 授權代幣額度。

    txn = contract.functions.approve(SWAP_ROUTER_ADDRESS, amount).build_transaction(txn_params())
    signed_txn = w3.eth.account.sign_transaction(txn, private_key=PRIVATE_KEY)
    tx_hash = w3.eth.send_raw_transaction(signed_txn.raw_transaction)

這是我們在 Web3 中發送交易的方式。首先，我們使用Contract 物件 (在新分頁開啟)來建立交易。然後，我們使用 web3.eth.account.sign_transaction (在新分頁開啟) 並透過 PRIVATE_KEY 來簽署交易。最後，我們使用 w3.eth.send_raw_transaction (在新分頁開啟) 來發送交易。

    print(f"Approve transaction sent: {tx_hash.hex()}")
    w3.eth.wait_for_transaction_receipt(tx_hash)
    print("Approve transaction mined.")

w3.eth.wait_for_transaction_receipt (在新分頁開啟) 會等待直到交易被打包。如果需要，它會傳回交易收據。

SELL_PARAMS = {
    "path": WETH_TO_USDC,
    "recipient": account.address,
    "deadline": 2**256 - 1,
    "amountIn": WETH_TRADE_AMOUNT * 10 ** wethusdc_pool.token1.decimals,
    "amountOutMinimum": 0,
}

這些是賣出 WETH 時的參數。

def make_buy_params(quote: Quote) -> dict:
    return {
        "path": USDC_TO_WETH,
        "recipient": account.address,
        "deadline": 2**256 - 1,
        "amountIn": int(quote.price*WETH_TRADE_AMOUNT) * 10**wethusdc_pool.token0.decimals,
        "amountOutMinimum": 0,
    }

與 SELL_PARAMS 相反，買入參數可能會改變。輸入金額是 1 WETH 的成本，可從 quote 中取得。

buy() 和 sell() 函式幾乎完全相同。首先我們為 SwapRouter 授權足夠的額度，然後我們使用正確的路徑和金額來呼叫它。

def balances():
    token0_balance = wethusdc_pool.token0.contract.functions.balanceOf(account.address).call()
    token1_balance = wethusdc_pool.token1.contract.functions.balanceOf(account.address).call()

    print(f"{wethusdc_pool.token0.symbol} Balance: {Decimal(token0_balance) / Decimal(10 ** wethusdc_pool.token0.decimals)}")
    print(f"{wethusdc_pool.token1.symbol} Balance: {Decimal(token1_balance) / Decimal(10 ** wethusdc_pool.token1.decimals)}")

報告使用者的兩種貨幣餘額。

此代理目前只會執行一次。不過，你可以將其變更為持續執行，方法是透過 crontab (在新分頁開啟) 執行它，或者將第 368-400 行包裝在迴圈中，並使用 time.sleep (在新分頁開啟) 等待直到下一個週期的時間到來。

可能的改進

這不是完整的正式生產版本；它僅僅是一個用來教授基礎知識的範例。以下是一些改進的想法。

更聰明的交易

代理在決定要做什麼時，忽略了兩個重要的事實。

  • 預期變動的幅度。如果預期價格下跌，代理會賣出固定數量的 WETH，而不管下跌的幅度有多大。 可以說，忽略微小的變動，並根據我們預期價格下跌的幅度來進行賣出會更好。
  • 目前的投資組合。如果你的投資組合中有 10% 是 WETH，而且你認為價格會上漲，那麼買入更多可能是合理的。但如果你的投資組合中有 90% 是 WETH，你的曝險可能已經足夠，就沒有必要買入更多。如果你預期價格會下跌，反之亦然。

如果你想對你的交易策略保密怎麼辦？

AI 供應商可以看到你發送給他們 LLM 的查詢，這可能會暴露你用代理開發的天才交易系統。太多人使用的交易系統是毫無價值的，因為當你想買入時，太多人也想買入（價格就會上漲），而當你想賣出時，太多人也想賣出（價格就會下跌）。

你可以在本地端執行 LLM，例如使用 LM-Studio (在新分頁開啟)，以避免這個問題。

從 AI 機器人到 AI 代理

你有充分的理由認為這是一個 AI 機器人，而不是 AI 代理。它實作了一個相對簡單的策略，依賴於預先定義的資訊。我們可以啟用自我改進功能，例如，提供一個尤尼斯瓦普 v3 資金池列表及其最新價值，並詢問哪種組合具有最佳的預測價值。

滑價保護

目前沒有滑價保護 (在新分頁開啟)。如果目前的報價是 2000 美元，而預期價格是 2100 美元，代理就會買入。然而，如果在代理買入之前成本上升到 2200 美元，那麼再買入就沒有意義了。

要實作滑價保護，請在 agent.py (在新分頁開啟) 的第 325 行和第 334 行中指定一個 amountOutMinimum 值。

結論

希望現在你已經了解足夠的知識，可以開始使用 AI 代理了。這不是對該主題的全面概述；有整本書都在專門探討這個主題，但這足以讓你入門。祝你好運！

點此查看更多我的作品 (在新分頁開啟)。