GitHub 推荐：89 天 15K stars：HKUDS 把 LLM Agent 套到量化交易，造了一台「会自己写策略」的个人研究员

GitHub: https://github.com/hkuds/vibe-trading

一句话总结

vibe-trading 是一个让 LLM 用自然语言驱动量化研究 + 受控实盘的 Agent 平台——它把 18 个数据源、450+ 公式 alpha、9 家券商 connector、Swarm 多 Agent、Alpha 反推策略（Shadow Account）塞进同一个 ReAct 内核，并用一整套「纵深防御」（mandate + sentinel kill switch + audit ledger）让「Agent 替你下单」从「信 prompt」变成「审代码」。

值得关注的理由

1. HKUDS「Lab-as-Factory」战略的金融落地：同实验室 3 个月内已孵出 nanobot 44K★ / LightRAG 37K★ / CLI-Anything 44K★ / DeepTutor 25K★ / ViMax 10K★——vibe-trading 是把「Agent + 垂类」工程哲学套到量化交易的代表作，与同组织兄弟项目 AI-Trader 形成「研究受控 vs 全自动」互补。
2. 罕见的「纵深防御」工程答案：把「agent 在 high-stakes 场景下可信执行」拆成 11 道 fail-closed 检查 + filesystem sentinel kill switch（LLM 不合作也能切断）+ 三扇出 audit ledger——这套设计可以平移到医疗、机器人、基础设施等任何「LLM 控制 actuator」的高风险场景。
3. Shadow Account 反推自己的策略：从用户交易日志 → FIFO pairing → 盈利过滤 → KMeans 聚类 → 决策树提取 → Jinja2 codegen 一个 SignalEngine——把「AI 时代之前不可能做对的事」做成了流水线，且归因部分纯算术不用 LLM，结果可审计。

项目展示

— 项目主标识，「Vibe-Trading」 视觉锚点

— 一键安装展示，已经发布到 PyPI（v0.1.4 → v0.1.10）

— 自进化 Agent：跨 session 记忆 + skill progressive disclosure + persistent memory

— Swarm 多 Agent 团队：DAG 编排 + intra-layer 并行 + topological 检 cycle

— 跨市场数据 + 回测：A 股 / 港股 / 美股 / 加密 / 期货 / 外汇，18 个数据源带 fallback chain

— Shadow Account：把你的交割单反推成可 backtest 的策略代码

Demo 视频：

• Natural-language backtest & multi-agent swarm debate — Web UI + CLI
• Multi-agent swarm demo (second clip)

项目画像

维度	数据
GitHub	https://github.com/hkuds/vibe-trading
Star / Fork / Watcher	15,052 / 2,685 / 89
Open Issues / PRs	6 / 5（积压极低）
代码行数	158,906 行（Python 81.1% + TSX 5.5% + TS 1.9% + JSON 6.1% + YAML 2.9%）
项目年龄	89 天（2026-04-01 → 2026-06-29）
总 commit / 日均	405 commits / 约 4.5 个/天，月度 88 → 138 → 179 持续加速
贡献者	61 人，Haozhe Wu（40%）+ warren618（15%）两棵支柱，bus factor ≈ 1.5
License	MIT
PyPI 包	vibe-trading-ai（v0.1.4 → v0.1.10，共 7 个 release，平均 12 天一个版本）
开发阶段	密集开发（45% fix / 35% feature / 13% docs / 2% test / 0.5% refactor = 典型 MVP 抢攻期）
贡献模式	HKUDS 实验室 + 社区 PR 混合（30+ 协作者，10+ 显式致谢 PR 作者）
热度定位	大众热门（Trendshift Day3 Python / Day6 全语言 / Week15 Python；GitHub Trending 全站最高 #6）
质量评级	代码 A-（生产级 defensive coding + 跨协议强类型契约） / 文档 A（5 语 README + wiki 站 + research lab 论文级实证） / 测试 B-（212 测试文件 + pytest —cov，但 e2e 默认关、coverage fail_under=0）
工程化	多阶段 Dockerfile + docker-compose；REST + MCP + CLI 三协议入口；无 ruff/black/mypy/Codecov 集成

作者视角：为什么存在这个项目

创始人/作者背景

hkuds 是香港大学数据智能实验室（Data Intelligence Lab@HKU）的组织账号，PI 推断为 Chao Huang 教授（Google Scholar user=Zkv9FqwAAAAJ，站点 sites.google.com/view/chaoh）。实验室主页自述「Passionately Dedicated to Exploring the Forefront of the Data Science & AI」——3 年内孵出 89 个公开 repo，旗下 nanobot 44K★、LightRAG 37K★（EMNLP 2025）、CLI-Anything 44K★、DeepTutor 25K★、ViMax 10K★、AI-Trader 是同行/竞争项目。这种「Lab-as-Factory」的孵化模式意味着 vibe-trading 不是一个人的 side project，而是有组织保障、有品牌延续、有同款工程哲学背书的「垂类套件」——具体表现为：vibe-trading 的 AgentLoop / Skills / Tools / Memory 骨架与 nanobot 同源，再叠加金融领域约束（mandate / live gate / 18 loader / alpha zoo）。

问题判断

作者看到的核心问题是：LLM Agent 在 high-stakes 场景下的「可信执行」鸿沟。当前市面上的 AI 量化项目（QuantDinger、backtrader、vectorbt 等）要么是没有 LLM 的纯回测库，要么是 LLM 提建议但人执行，更激进的（AI-Trader 同门兄弟）走「100% 全自动」路线——vibe-trading 选择第三条路：研究层让 LLM 全面参与，实盘层用代码做结构性约束。时机为什么是 2026 Q2？因为 LangChain 1.x 稳定（vibe-trading 锁 >=1.0.0,<2）、MCP 协议 2025 末成熟（vibe-trading 直接提供 MCP server）、多厂商 reasoning models（Gemini thoughtSignature / Kimi-k2.5 thinking / DeepSeek reasoning_content）刚好齐备——所有底层组件都到了能搭一个生产级 Agent 平台的临界点。

解法哲学

明确选择 vs 明确不做的对比：

• 选择：自然语言接口（「帮我看看 NVDA 是否符合动量 + 低波策略」就能跑全流程）、多 Agent Swarm（投资委员会式辩论）、跨市场数据（18 个 loader 含 mootdx/baostock/tushare/akshare/eastmoney/tencent 等中文圈最全）、Shadow Account（反推用户策略）、MCP 入口（让 Claude Desktop / Cursor 用户直接接入）。
• 不做：MCP 入口永远不暴露下单工具（mcp_server.py:13-18 显式声明「Every exposed tool is read-only or research-only」）、agent 不能直接 commit mandate（必须用户 UX 端写入）、没有「立即下单」作为 goal objective 的录入（正则直接拒绝）、不依赖 LLM 合作的安全切断（filesystem sentinel）、归因不用 LLM（纯算术可审计）。

这五个「不做」反而比五个「做」更有信息量——它们定义了 vibe-trading 的可信度边界。

战略意图

vibe-trading 在 HKUDS 战略里承担「金融垂类套件」角色，与 AI-Trader（full-auto）形成研究-执行分工；同时它通过 wiki + 5 语 README + ClawHub 一键安装 + Discord/飞书/微信三社群构建「国际曝光」路径——已经在 Trendshift 冲上 Python Day #3，是同组织项目里「短期声量最大」的一次。商业化路径上目前没有公开 SaaS/付费层级（没有像 QuantDinger 那样卖控制台），更像是「先扩大开源生态影响力、再考虑变现」的实验室标准路径。

实验室博客（research-lab/posts/alpha-191-in-2026.html）有 GTJA 191 alpha 2026 还剩多少有效性的论文级实证，证明团队对量化本身的学术深度——不是蹭 LLM 风口。

核心价值提炼

创新之处

1. 纵深防御三件套 + sentinel kill switch（novelty 5/5，utility 5/5）

   • 把「下单」拆成 11 道 fail-closed 检查（4 道结构性 + 7 道量化）的纯函数 check_mandate()；kill switch 用 filesystem sentinel（<runtime_root>/live/HALT 的存在性就是 halt，malformed 也算 tripped，atomic write 避免半写状态）；audit 同一份 redact 后的记录扇出到 compliance ledger / per-run trace / SSE bus 三处。
   • 价值：把「我让 agent 帮我下单」从「信 prompt」变成「审代码」——这套可以平移到医疗、机器人、基础设施等所有「LLM 控制 actuator」的高风险场景。
   • 引用：src/live/enforcement.py:379、src/live/halt.py:46、src/live/audit.py。

2. Shadow Account：从交易日志反推策略并 codegen（novelty 5/5，utility 4/5）

   • 流水线：FIFO pairing → profitable roundtrip 过滤 → 5 维特征工程 → KMeans(2-5) 聚类 → max_depth=3 单规则决策树 → 路径抽取 → Jinja2 codegen → 在多市场 backtest 上跑 → arithmetic-only delta-PnL 归因（noise trades / missed signals / early-late exits / overtrading）。
   • 价值：把「用户自己的非系统化直觉」翻译成「可在引擎上 backtest 的策略代码」，且归因纯算术不用 LLM——结果是可审计、可复现的。

3. 5 层 context compression + tail-token-budget（novelty 4/5，utility 5/5，reusability 5/5）

   • microcompact（仅在压力下清工具结果，避免短任务被误清）→ context_collapse（head/tail 折叠零 LLM 开销）→ auto_compact（LLM 结构化摘要带 tail 保护）→ 显式 compact tool → iterative update 上一份摘要而非从零开始；_fix_tool_pairs 修复压缩产生的孤儿 tool_call/result。
   • 价值：5 个能力递增、代价递增的层让 40k+ token 长会话仍能跑完，迁移到任何长上下文 Agent 都适用。

4. LLM provider 5 维能力矩阵 + LangChain 私有方法 patch（novelty 4/5，utility 5/5）

   • ProviderCapabilities 冻结 dataclass 切 5 维布尔（capture_reasoning / send_reasoning_content / gemini_thought_signatures / normalize_assistant_content / openrouter_reasoning_body）；子类化 ChatOpenAI 重写 _convert_input / _convert_dict_to_message / _convert_message_to_dict 三个私有方法，把 LangChain 0.3.x 丢弃的 reasoning_content 双向保住。
   • 价值：OpenAI / Moonshot / DeepSeek / Gemini / OpenRouter 切换时 reasoning 跨 turn 不断链——这是 strict-mode Agent 的关键能力。

5. Loader fallback chain + 显式 _NO_NETWORK_FALLBACK_SOURCES（novelty 4/5，utility 4/5）

   • 每个 market 维护有序 fallback 列表（「未鉴权/低 ban 风险优先，key-gated 后置」），如 a_share = [tencent, mootdx, eastmoney, baostock, akshare, tushare, local]；local 显式列入「绝对不静默降级到网络源」黑名单——避免用户配错时数据问题被网络源悄悄掩盖。
   • 价值：18 个 loader 提供 graceful degradation 但承诺「显式失败而非隐藏」。

6. Goal ledger 把「我想买 X」与「X 是否值得研究」显式分离（novelty 4/5，reusability 5/5）

   • policy.reject_live_execution_objective 用三组正则（中英文）直接拒绝「立即下单/市价单/马上买」作为 goal objective；RiskTier 四档（RESEARCH_GENERAL / MARKET_SPECIFIC_SHORT_TERM / PERSONALIZED_ADVICE_OR_POSITION_SIZING / LIVE_TRADING_OR_EXECUTION）。
   • 价值：让 agent 不能用「目标」做「指令」，结构性切断 chat→order 直连的最常见路径。

7. AST-scan alpha registry + 严格 meta schema（novelty 3/5，utility 4/5）

   • 450+ alphas（alpha101 + qlib158 + academic）通过 __alpha_meta__ dict literal 注册，AST 提取不 import（启动零开销）；Pydantic extra="forbid", frozen=True；正则约束 id、decay_horizon (0-60)、min_warmup_bars；operator 层 lookahead 强制 delta(d>=1)；拒绝 +/- inf 和 >95% NaN。

可复用的模式与技巧

模式	文件位置	适用场景
AgentLoop 5 层 context compression	src/agent/loop.py:185-291, 362-431	任何长上下文 Agent
流式 cancel via cooperative checkpoints	loop.py:510-518, 731, 1119, 1318-1357	需要可中断 long-running LLM + tool 的应用
Reasoning delta 节流避免 SSE buffer 挤爆	loop.py:660-678	所有 streaming UI agent
Provider capability 矩阵 + 子类化 LangChain 私有方法	src/providers/llm.py:30-110 + capabilities.py	跨厂商 reasoning/thinking models
Three-tier live-tool classification	src/live/classification.py:52-89	对接不可信 MCP 服务器的安全门
Sentinel-based kill switch (filesystem + atomic write)	src/live/halt.py:46-92	所有 LLM-controlled actuator 紧急切断
Three-sink audit fan-out	src/live/audit.py:40-80	高 stakes 操作的合规审计
双通道 gate + identical ceremony	live/order_guard.py + live/sdk_order_gate.py	两种接入路径走同样闸
Daily count 增量策略（仅 ALLOW+真 broker 非 error 时 ++）	live/sdk_order_gate.py:122-150	所有配额管理（rate-limit / quota / token budget）
Loader registry + market-keyed fallback chain	backtest/loaders/registry.py:56-172	所有数据源 fan-out（DB driver / LLM provider / vector DB）
Alpha AST-scan registry	src/factors/registry.py:67-180	不想引入 yaml/json 配置漂移的 plugin registry
Goal policy reject_live_execution_objective	src/goal/policy.py:7-49	对话式系统的「用户意图 vs agent 可执行操作」分层
PersistentMemory 用 markdown + frontmatter + CJK 字符级 tokenize	src/memory/persistent.py	local-first / privacy-first Agent 记忆层
DAG runtime + Kahn’s algorithm + cycle detect + stale-run reaper	src/swarm/runtime.py:107-115	任务编排
Goal continuation guard (GOAL_MAX_CONTINUATIONS=3)	loop.py:823-890	「模型在终点线附近反复小步前进」的预算管理
Tool batching：readonly 并行 + write 串行 + repeat-call 去重	loop.py:1014-1135	所有需要并行/串行混合调度的 Agent
Prompt-injection scanner：只标注不删改	src/security/scanner.py:26-77	注入检测 + 不破坏原文

关键设计决策

1. 自研 ReAct loop，不直接用 LangGraph — 1541 行的 loop.py 集中持有 streaming cancel / iterative compact / tool batching / 5 层 context 压缩的控制逻辑；LangChain 仅作 LLM adapter。Trade-off：放弃可视化、可恢复 checkpoint；换来对完整执行流的完全控制。

2. 双协议入口（REST + MCP）+ CLI 入口 — 同一 ToolRegistry 的三个壳；mcp_server.py:13-18 显式声明不暴露 write 工具，把「下单」严格留在本地。Trade-off：双协议双 bug surface；工具语义集中。

3. live trade 三层 + sentinel + audit ledger — Mandate（不可变 frozen dataclass，agent 无写路径）→ enforcement（纯函数 fail-closed，8 项检查）→ halt（filesystem sentinel，LLM 不可合作绕过）→ audit（append-only JSONL 三扇出）。Trade-off：实现复杂、debug 困难；换来 LLM 不能独立完成下单。

4. broker-agnostic + multi-transport connector — 9 家 broker × 3 transport（local_tws / remote_mcp / broker_sdk）通过 TradingProfile frozen dataclass 抽象；classification.py 把 place_order → WRITE 等映射集中维护。

5. 用 prompt（system message）而非代码硬约束 task routing — _SYSTEM_PROMPT 结构化 Section（Tools / Skills / State / Task Routing）明文写「Backtest 用 X 流程」、「Swarm ONLY when user 显式请求」；Shadow Account 用 hard 约束「MUST load_skill("shadow-account") AS THE FIRST TOOL CALL」。Trade-off：依赖 LLM 服从 prompt；未做代码层 enforce（除 goal policy 正则拒绝 live execution）。

6. 选 LangChain 1.x + 子类化 patch 私有方法 — 锁 langchain>=1.0.0,<2，同时通过子类化 _convert_input / _convert_dict_to_message / _convert_message_to_dict 修 3 个洞，让 reasoning_content 跨厂商不丢。

7. alpha registry 用 AST 而非 import — 启动快 + 冷启动可观测；运行时按需 import compute function。Trade-off：实现稍复杂；启动快 + 副作用可控。

8. shadow-account 用 arithmetic-only attribution（不用 LLM 重 simulation） — delta-PnL 用纯算术计算（noise / missed / early-late / overtrading），LLM 只做 NL 翻译。Trade-off：归因模型较朴素；数字可信、可审计。

9. MCP 入口永远不暴露下单工具 — 第三方 IDE 用户（Claude Desktop / Cursor）连接后不会触发下单。Trade-off：第三方 IDE 用户体验损失；换来「开箱即用 + 不出大事」。

竞品格局与定位

竞品对比矩阵

维度	vibe-trading	QuantDinger (9K★)	AI-Trader (HKUDS 兄弟)	backtrader (22K★)	hummingbot (19K★)	vectorbt (8K★)	Qlib (Microsoft)
LLM Agent 层	✅ 自研 ReAct + Swarm	✅	✅ 100% auto	❌	❌	❌	❌（仅 ML pipeline）
自然语言入口	✅ NL backtest & 策略生成	✅	✅	❌	❌	❌	❌
多 Agent Swarm	✅ DAG + reaper	部分	❓	❌	❌	❌	❌
跨市场数据源	18 loader + fallback chain	较多	❓	单源	crypto	间接	间接
Multi-transport broker	local_tws / remote_mcp / sdk	部分	❓	无	部分	无	无
纵深防御（mandate+sentinel+audit）	✅ 三层 + sentinel	弱	全 auto 路线	无	弱	无	无
Shadow Account	✅ 反推 codegen	❌	❌	❌	❌	❌	❌
MCP 协议入口	✅ 但不暴露下单	❌	❓	❌	❌	❌	❌
Alpha zoo	alpha101 + qlib158 + academic	部分	❓	无	无	无	alpha158
学术品牌 / 论文	HKUDS + EMNLP 2025 邻项目	无	HKUDS	无	无	无	工业
中文社区生态	强（18 loader 含 A 股全覆盖）	强	强	弱	弱	弱	弱
商业化控制台	❌	✅	❌	❌	❌	❌	部分
通用框架可复用	低（垂类金融）	低	低	中	低	中	低

差异化护城河

• 技术护城河：mandate + 3-tier classification + sentinel halt + audit ledger 是当前开源 LLM 量化项目无人做到的深度——enforcement.py:379 check_mandate、halt.py:46 halt_path、audit.py 三扇出这套组合拳可以平移到任何 high-stakes agent。
• 生态护城河：18 个 loader 覆盖 A 股 / 港股 / 美股 / 加密 / 期货 / 外汇（中文社区最全，含 mootdx/baostock/tushare/akshare/eastmoney/tencent 等），loader fallback chain 设计哲学（低风险优先 + local 显式不静默降级）让用户能在不同网络环境下都跑得通。
• 信任护城河：HKUDS 学术品牌 + Alpha Zoo 严格 meta schema + alpha101/qlib158 论文级实现 + GTJA 191 alpha 2026 实证（research-lab/posts/alpha-191-in-2026.html）——证明团队对量化本身的学术深度，不是蹭 LLM 风口。
• 模式护城河：Shadow Account 用纯算术归因（不靠 LLM 重 simulation）——结果可审计、可复现，这是 QuantDinger / AI-Trader 都没做的。

竞争风险

• 最可能被替代的场景：① 学术机构/大厂推出同等学术含量但 full-auto 的 agent 平台（如 AI-Trader 升级版）；② MCP 生态成熟后「金融 skill marketplace」出现，vibe-trading 的 MCP 入口优势会被稀释；③ QuantDinger 在中文圈 SaaS 化跑通后从控制台反切回 agent 入口。
• 技术债风险：loop.py:1541 + worker.py:959 + order_guard.py:817 + runtime.py:747 核心文件过胖；coverage.run fail_under=0 意味着 CI 不卡质量；fix 占比 45% 是「bug 期」信号；enforcement.py 的 TODO(L6) 留 Robinhood positions envelope 兼容性债。

生态定位

填补了「LLM Agent + 个人 quant 研究 + 受控实盘」这一垂直空白。在 backtrader / vectorbt 等纯回测库的稳重与 AI-Trader / TradingAgents 等全自动派的激进之间，开辟了一条「研究层让 LLM 全面参与、实盘层用代码做结构性约束」的中间路线。这是 HKUDS 「Lab-as-Factory」 战略的最新代表作，把 nanobot 同款骨架加金融领域约束完成交付。

套利机会分析

• 信息差: ❌ 不存在低估——89 天 15K stars / Trendshift Python Day3 / GitHub Trending 全站 #6 是当红炸子鸡；但深度信息差存在：15K stars 中绝大多数用户只看到 README 表层，没有意识到纵深防御三件套的设计深度，也很少有人深读过 Shadow Account 的 arithmetic-only attribution 哲学。
• 技术借鉴: 高价值——纵深防御三件套、5 层 context compression、Provider capability 矩阵、Loader fallback chain、Goal policy reject_live_execution 这五个模式可以平移到任何 high-stakes agent 项目；Tool batching 和 stream cancel checkpoints 是通用 Agent 基础设施。
• 生态位: 在 HKUDS 生态里（nanobot/LightRAG/DeepTutor/ViMax/AI-Trader），vibe-trading 是「金融垂类套件」代表，与 AI-Trader 形成「研究受控 vs 全自动」互补；在更大的 LLM Agent 生态里，它是少数把「trust boundary」作为一等设计原则的项目之一。
• 趋势判断: LLM Agent 在 2026 进入「垂类深度」阶段（而非 2024-2025 的「通用框架」阶段），vibe-trading 走在最前面；MCP 协议 2025 末-2026 成熟让「Claude Desktop / Cursor 一键接入」成为新的分发通道；多厂商 reasoning models（Gemini/Kimi/DeepSeek）齐备让「strict-mode Agent」成为可能——三个趋势都对 vibe-trading 有结构性利好。

风险与不足

1. 早期项目技术债：coverage.run fail_under=0 意味着 CI 不卡质量；fix 占比 45% / refactor 占比 0.5% 是「堆功能+修 bug 的 MVP 抢攻期」特征；enforcement.py:309 还留 TODO(L6) Robinhood 兼容性债；loop.py 1541 行核心文件过胖，新人贡献门槛高。
2. 实盘安全仍是「声明式」而非「硬件级隔离」：mandate + sentinel + audit ledger 是在软件层做约束，没有独立第三方审计；broker 侧的真实 ceiling（如 IBKR 自带的 risk limit）是「合作式」的——LLM 完全可能在与 broker SDK 的边界里绕过一些检查。
3. 商业化路径不清晰：没有 SaaS 控制台（QuantDinger 有）、没有付费 tier、没有公开融资信息——开源影响力是有了，但变现路径未明朗，可能影响长期维护节奏。
4. 依赖 HKUDS 单一实验室品牌：PI（推断 Chao Huang）+ 2-3 名核心贡献者占 commit ~56%，bus factor 偏低；同组织其他项目（LightRAG/nanobot/CLI-Anything/DeepTutor）需要并行维护，注意力分散风险存在。
5. 测试覆盖不足：212 个测试文件听起来多，但 e2e 默认关（受 VIBE_TRADING_RUN_LIVE_E2E env 守门，需真实 LLM 联调），coverage threshold 为 0；commit 类型中 test 仅 2%——意味着重大重构时回归风险高。
6. MCP 入口永远不暴露下单：对 Claude Desktop / Cursor 用户来说，不能在 IDE 内下单是个体验损失——vibe-trading 的 15052 stars 中一部分可能因为这个限制而转向 AI-Trader。
7. Shadow Account 归因模型朴素：arithmetic-only 决策（noise / missed / early-late / overtrading）抓不到非线性交互；如果用户交易策略本身就是复杂的（多因子同时决策），归因结果会偏简单。

行动建议

• 如果你要用它：选 vibe-trading 当且仅当：① 你需要 NL 接口驱动回测与多 Agent 协作（不是自己写 200 行 Python 做回测）；② 你在中文圈 A 股 / 港股市场（18 loader 覆盖最全）；③ 你重视「受控实盘」而非 full-auto（你能接受 MCP 入口不能下单的限制）。否则选 QuantDinger（中文 SaaS 控制台）、backtrader（纯回测稳定性）、Qlib（工业级 ML pipeline）。
• 如果你要学它：必读三个文件——agent/src/agent/loop.py（5 层 context compression + tool batching + cancel checkpoints）、agent/src/live/enforcement.py（纵深防御 8 项检查的 fail-closed 设计）、agent/src/shadow_account/extractor.py + codegen.py（FIFO pairing → KMeans → 决策树 → Jinja2 codegen）。然后看 agent/backtest/loaders/registry.py（fallback chain）和 agent/src/providers/capabilities.py（5 维能力矩阵）。
• 如果你要 fork 它：三个值得改进的方向——① 把 loop.py 拆成 context compression utilities / stream response adapters / tool execution scheduler / main run loop 四个模块；② 把 enforcement.py 的 8 项检查每项补独立单元测试并逐步提升 coverage threshold 到 30 → 50 → 70% 三阶段；③ 把 shadow-account attribution 升级为可解释的 SHAP-like 局部归因，但仍保持 arithmetic-only（不调 LLM）的可审计约束。

知识入口

资源	链接
官方 Wiki	https://vibetrading.wiki/
Docs	https://vibetrading.wiki/docs/
Research Lab（GTJA 191 alpha 2026 实证）	https://vibetrading.wiki/research-lab/posts/alpha-191-in-2026.html
Alpha Library	https://vibetrading.wiki/alpha-library/
Zread.ai	https://zread.ai/hkuds/vibe-trading
DeepWiki	未索引（Loading……）
ClawHub（npx 一键安装）	https://clawhub.ai/skills/vibe-trading
OpenSpace（自演化技能）	https://open-space.cloud
Discord	https://discord.gg/6TdQnRe5xcF
关联论文	引用 Kakushadze (2015) arXiv:1601.00991「101 Formulaic Alphas」（alpha101 zoo 来源）；同实验室 LightRAG (EMNLP 2025)
Trendshift	https://trendshift.io/（Python Day #3 / 全语言 Day #6 / Week #15）
在线 Demo	https://vibetrading.wiki/docs/ 内含 Web UI 启动指南 + GitHub user-attachments 演示视频 2 支