想象一座永不歇业的数字集市：全球各地的摊位由智能合约自动报价，每一笔成交都记入一本任何人都能翻阅的公共账本——区块链。你请来一位不用睡觉的 AI 代购管家，它会自己盯价格、算预算、下单付款，再把结果汇报给你。这位管家就是 AI Agent，它在这座集市里的工作，就是自主链上交易。本文会带你从集市的地基开始，一路看到管家的眼睛、大脑、手脚、钱包和安全护盾，最后聊一聊它面临的真实挑战。全程不用高深数学，只需带着逛市场的常识，就能理解 Web3 世界里的自动化交易。

岗位关联

对 AI 从业者而言，掌握 AI Agent 自主链上交易，等于同时握住了大模型、强化学习与加密经济三个浪潮的交叉入口，是从“会写代码”走向“能设计自动化资产管家”的关键一跃。

目录
  1. 可视化演示
  2. 基础概念：先认识数字集市
  3. 智能体架构：代购管家的眼脑手
  4. 链上数据感知：看清价格牌
  5. 交易决策算法：什么时候买、买多少
  6. 执行优化：把订单做得又快又省
  7. 安全防护：钥匙、暗门与警报器
  8. 应用挑战：从集市到银行级金库
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示AI Agent自主链上交易五阶段流程、三种自主性类型对比、DeFi自动化交易套利场景。

本节配有交互动效（进入视口后自动加载，约 3KB）。

AI Agent五阶段交易流程 感知：收集链上链下数据（价格、Gas、持仓） 决策：基于策略模型判断是否执行交易 验证+执行：签名并广播交易到区块链 Perceive → Decide → Verify → Execute → Feedback AI Agent实现全自主链上交易闭环

基础概念：先认识数字集市

数字集市里，摊主不是人，而是智能合约。每台摊位的自动贩卖机都贴着一张流程表：投入多少代币、吐出多少货物，谁也无法偷偷改价。摊位背后有一本总账，记录着集市里每一笔成交，这本总账就是区块链。AI 代购管家上岗前，必须先读懂这三样东西：账本、贩卖机、钥匙。

区块链本质上是一本分布式的公开账本。区块就像一页页账页，按时间顺序连成一条链；每一条交易都要经过大量节点验证才能写进去。智能合约则是部署在链上的小程序，一旦发布就难以篡改，规则透明、自动执行。钱包并不是“存钱的地方”，而是保管私钥的工具；私钥是代购管家的签名印章，用它盖章，交易才会被集市认可。

当 AI Agent 与 Web3 结合，AI 本身也可能去中心化：模型参数、数据或推理任务由多个节点共同维护，而不是被某一家公司垄断。这时，Agent 的每一次买卖，都可以看作一次链上状态转移：

有了公开账本、自动执行的贩卖机和签名印章，代购管家才获得了在集市里活动的“身份证”。接下来，我们要给它装上眼睛和大脑。

st+1=f(st,at,ot)\displaystyle s_{t+1} = f(s_t, a_t, o_t)
这个公式就像代购管家在写采购日记：明天的库存等于今天的库存，加上这次买进或卖出的动作，再考虑刚刚看到的市场消息。
  1. s_t（当前状态）记录管家此刻的链上家底，比如钱包余额和持仓数量。
    st=(balancet, inventoryt)\displaystyle s_t = (\text{balance}_t,\ \text{inventory}_t)
  2. a_t（动作）管家在当下做出的选择，可以是买入、卖出或继续观望。
    at∈{buy, sell, hold}\displaystyle a_t \in \{\text{buy},\ \text{sell},\ \text{hold}\}
  3. o_t（观察）管家从链上和外围看到的信息，比如最新成交价、Gas 价格。
    ot=(pricet, gasPricet)\displaystyle o_t = (\text{price}_t,\ \text{gasPrice}_t)
  4. f（状态转移函数）智能合约定义好的规则，决定“给钱后是否交货”。
    f: (st,at,ot)↦st+1\displaystyle f:\ (s_t, a_t, o_t) \mapsto s_{t+1}
  5. 整体含义每一笔自主交易，都是在把当前状态推向下一个状态。
    st+1=f(st,at,ot)\displaystyle s_{t+1} = f(s_t, a_t, o_t)

智能体架构：代购管家的眼脑手

光有钥匙还不够，代购管家必须会看、会想、会动手。它的眼睛是感知模块，负责盯价格牌、成交量、链上资金流向；大脑是决策引擎，负责把看到的信息换算成“该不该买”；手是执行模块，负责构造交易、调用合约、支付 Gas。这三者缺一不可。

在 AI Agent 中，“看完信息后选动作”的规则被写成一个策略函数。策略函数会给每个候选动作算出一个概率，选哪个动作不一定是百分之百确定的：

除了眼脑手，管家还要会复盘。学习进化模块就是那个每天晚上写采购日记的管家，它把今天的成功和失败变成新的经验，不断更新 Q 值，让明天的决策更聪明。

π(a∣s)=eQ(s,a)/τ∑a′∈AeQ(s,a′)/τ\displaystyle \pi(a \mid s) = \frac{e^{Q(s,a)/\tau}}{\sum_{a' \in A} e^{Q(s,a')/\tau}}
这个公式像管家在几个菜摊之间犹豫：哪家划算就给哪家更高“入选概率”，但不会完全把鸡蛋放进同一个篮子。
  1. π(a|s)（策略概率）在状态 s 下，管家选择动作 a 的概率。
    π(a∣s)∈[0,1]\displaystyle \pi(a \mid s) \in [0,1]
  2. Q(s,a)（动作评分）决策引擎对“在这个状态下做这件事”的预期收益打分。
    Q(s,a)=E[future reward]\displaystyle Q(s,a) = \mathbb{E}[\text{future reward}]
  3. τ（温度参数）控制探索与利用的平衡，τ 越大，动作越随机。
    τ>0\displaystyle \tau > 0
  4. 分母（归一化）把集市里所有候选动作的分值加起来，让概率总和为 1。
    ∑a′∈AeQ(s,a′)/τ\displaystyle \sum_{a' \in A} e^{Q(s,a')/\tau}
  5. 整体行为管家会优先选择高分动作，但保留一定的探索空间。
    a∼π(a∣s)\displaystyle a \sim \pi(a \mid s)

链上数据感知：看清价格牌

代购管家再聪明，看不到真实价格也白搭。链上数据就是集市里最原始的价格牌：每个区块里有哪些交易、资金池深度几何、Gas 价格涨到多少，这些都是管家感知世界的素材。

不过，链上数据并不完整。很多关键信息在链下，比如某个大宗商品的实时价格、传统市场的汇率。这时候就需要预言机（Oracle），它像集市里的广播员，把链下信息定期送到链上，让智能合约和 Agent 都能读到。拿到原始数据后，管家还需要数据预处理：去掉异常值、补齐缺失、做归一化，否则一根“假价格”就可能让策略亏钱。预处理后，常用的价格信号是把当前价格和一段时间的平均价格做比较：

有了清洗干净的价格牌，管家才能谈下一步：什么时候出手、买多少。眼睛已经装好，接下来考验大脑。

zt=Pt−μtσt\displaystyle z_t = \frac{P_t - \mu_t}{\sigma_t}
这个公式像管家问自己：今天这条鱼的价格，比过去二十天的平均价贵了几个“标准差”？便宜得离谱，可能就是买入机会。
  1. P_t（当前价格）此刻看到的成交价格。
    Pt=current price\displaystyle P_t = \text{current price}
  2. μ_t（移动平均）过去一段时间价格的均值，相当于菜价的“心理锚点”。
    μt=1N∑i=1NPt−i\displaystyle \mu_t = \frac{1}{N}\sum_{i=1}^{N} P_{t-i}
  3. σ_t（标准差）衡量价格波动的剧烈程度。
    σt=1N∑i=1N(Pt−i−μt)2\displaystyle \sigma_t = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(P_{t-i}-\mu_t)^2}
  4. z_t（标准化分数）把绝对价格转换成“偏离平均几个波动单位”，让不同菜价可以横向比较。
    zt=Pt−μtσt\displaystyle z_t = \frac{P_t - \mu_t}{\sigma_t}
  5. 交易含义z 很低时价格相对便宜，z 很高时价格相对昂贵。
    zt≪0⇒buy signal\displaystyle z_t \ll 0 \Rightarrow \text{buy signal}

交易决策算法：什么时候买、买多少

代购管家的核心能力，是把“看到便宜菜”变成“低价买入、高价卖出”的完整决策。常见策略有三类：信号策略跟着趋势走，比如动量策略追涨杀跌、均值回归策略跌深了买；套利模型盯住不同摊位之间的价差；强化学习则让管家在反复试错中自己总结规律。

无论哪种策略，最后都要回答同一个问题：这笔交易值不值得做？管家在下单前会估算预期净收益——不仅要看买卖价差，还要扣除 Gas 费、手续费和滑点，同时给失败留出“亏损预算”：

就算预期收益为正，管家也必须设止损线、控制仓位。市场不是每次都讲道理，风控不是限制赚钱，而是保证管家亏掉一次后，还有力气逛下一家摊位。

E[PnL]=(1−pfail)(Psell−Pbuy−fee−slip)−pfail⋅Lmax⁡\displaystyle \mathbb{E}[\text{PnL}] = (1 - p_{\text{fail}})(P_{\text{sell}} - P_{\text{buy}} - \text{fee} - \text{slip}) - p_{\text{fail}} \cdot L_{\max}
这个公式像管家算账：这趟采购如果顺利能赚多少，如果遇上暴雨把菜淋坏又会亏多少，两笔账都算清楚才肯出门。
  1. P_sell - P_buy（价差毛利）卖出价减去买入价，是交易最直接的收入。
    gross=Psell−Pbuy\displaystyle \text{gross} = P_{\text{sell}} - P_{\text{buy}}
  2. fee（手续费）给集市和协议交的固定费用，包含 Gas 与交易平台抽成。
    fee=gas+platform fee\displaystyle \text{fee} = \text{gas} + \text{platform fee}
  3. slip（滑点）大额订单把价格推高或砸低造成的额外损失。
    slip=Pexec−Pquote\displaystyle \text{slip} = P_{\text{exec}} - P_{\text{quote}}
  4. p_fail（失败概率）交易失败、被抢跑或价格反转的可能性。
    pfail∈[0,1]\displaystyle p_{\text{fail}} \in [0,1]
  5. L_max（最大亏损上限）风控规定的单次最大可承受损失。
    Lmax⁡=2%×total capital\displaystyle L_{\max} = 2\% \times \text{total capital}

执行优化：把订单做得又快又省

决策做好了，真正烧钱的地方在“动手”。Gas 费相当于给矿工的搬运费，网络越堵，搬运费越贵；滑点则是大单砸进浅水池时产生的“冲击成本”。一个聪明的代购管家，必须学会在订单执行阶段省钱。

省钱的方法很多。第一，Gas 优化：不着急的交易可以等网络空闲时再发，或者主动设置 Gas 上限；第二，交易打包：把多个小订单合成一笔交易提交，减少重复开销；第三，滑点控制：给交易设置最大滑点比例，超过就取消；第四，MEV 博弈：防备那些专门插队抢跑的黄牛机器人。Gas 费用的总账可以写成：

执行优化就像管家在高峰期绕开拥堵路段：不是每次都选最快出发，而是选“综合成本最低”的路线。省下的每一分 Gas，都会变成策略的净收益。

C=∑i=1kgasUsedi×gasPricei\displaystyle C = \sum_{i=1}^{k} \text{gasUsed}_i \times \text{gasPrice}_i
这个公式像代购管家看账单：每一段路程（每个操作）的搬运单价乘以消耗量，全部相加就是这次采购的总路费。
  1. gasUsed_i（第 i 个操作消耗的气）合约执行的每一步操作都要消耗计算资源。
    gasUsedi=operation cost\displaystyle \text{gasUsed}_i = \text{operation cost}
  2. gasPrice_i（单位气价）用户愿意为每单位计算资源支付的价格。
    gasPricei=price per gas\displaystyle \text{gasPrice}_i = \text{price per gas}
  3. 求和 Σ（累计）把一次交易中所有子操作的成本相加。
    C=∑i=1kgasUsedi×gasPricei\displaystyle C = \sum_{i=1}^{k} \text{gasUsed}_i \times \text{gasPrice}_i
  4. 总 Gas 费 C最终从钱包扣掉的链上手续费，与网络拥堵程度强相关。
    C∝congestion\displaystyle C \propto \text{congestion}

安全防护：钥匙、暗门与警报器

有钱的地方就有小偷，链上集市也不例外。AI 管家的私钥是它签名的印章，一旦泄露，任何人都能冒充它搬空钱包。密钥管理是第一道防线：私钥要放进硬件安全模块或用 MPC 分片保存，而不是明文躺在服务器里。

第二道防线是合约审计。智能合约是自动贩卖机，审计员则是拆开机器检查内部齿轮的人，确认没有“暗门”和漏洞。第三道防线是异常监控：给管家的每一笔交易装上电子眼，发现异常转账立即熔断。最后是资金隔离：不要把所有资金放在同一个热钱包，而是像分装鸡蛋一样，每个策略单独一个钱包。安全策略的效果可以用最大回撤来衡量：

安全永远不是买一份保险就完事，而是流程：钥匙分层、合约审计、实时监控、资金隔离。管家再聪明，也要先确保自己不会被偷。

MDD=max⁡0≤t≤TVt−VTmax⁡0≤t≤TVt\displaystyle \text{MDD} = \frac{\max_{0 \le t \le T} V_t - V_T}{\max_{0 \le t \le T} V_t}
这个公式像管家盘点家底：从历史最富的时刻到现在的低谷，亏掉的比例就是最大回撤，它提醒我们安全垫有多厚。
  1. V_t（资产净值）时刻 t 时管家管理的总资产价值。
    Vt=balancet+inventoryt×pricet\displaystyle V_t = \text{balance}_t + \text{inventory}_t \times \text{price}_t
  2. max V_t（历史峰值）回测期间资产最高到达过的位置。
    Vpeak=max⁡0≤t≤TVt\displaystyle V_{\text{peak}} = \max_{0 \le t \le T} V_t
  3. V_T（期末净值）回测结束时的资产价值。
    VT=Vend\displaystyle V_T = V_{\text{end}}
  4. MDD（最大回撤）从峰值到谷底的最大下跌比例，数值越大，风险越高。
    0≤MDD≤1\displaystyle 0 \le \text{MDD} \le 1

应用挑战：从集市到银行级金库

当 AI 代购管家在数字集市里跑顺之后，它能做的事远不止买菜。DeFi 套利机器人可以在不同协议之间搬砖；链上资管 Agent 可以自动做再平衡；甚至多个 Agent 可以组成一个“采购军团”，分工盯盘、下单、风控。这些应用正把 AI Agent 从玩具推向真正的资产管家。

但挑战也同样真实。性能瓶颈上，公链 TPS 有限、交易确认有延迟，管家再快也追不上信息飞轮；监管合规上，链上交易的匿名性、反洗钱、税务申报都是新问题；未来趋势则是从“单 Agent 自主交易”走向“多 Agent 协作和 AI 原生经济”。评价一个管家值不值得雇，业界常用夏普比率：

夏普比率越高，说明管家在控制风险的前提下赚钱能力越强。数字集市还会越来越热闹，而懂 AI 又会链上交易的工程师，正是这座集市里最稀缺的“驯兽师”。

Sharpe=E[Rp]−Rfσp\displaystyle \text{Sharpe} = \frac{\mathbb{E}[R_p] - R_f}{\sigma_p}
这个公式像给管家发年终奖：只看赚了多少还不够，还要看它是稳稳赚钱，还是靠运气大起大落。
  1. E[R_p]（策略期望收益）管家在一段时间内平均能赚多少。
    E[Rp]=1T∑t=1TRt\displaystyle \mathbb{E}[R_p] = \frac{1}{T}\sum_{t=1}^{T} R_t
  2. R_f（无风险收益）躺着也能拿到的基准收益，比如链上质押收益。
    Rf=risk-free rate\displaystyle R_f = \text{risk-free rate}
  3. 超额收益（分子）管家赚得比躺平多出来的部分。
    Rp−Rf\displaystyle R_p - R_f
  4. σ_p（收益波动率）管家收益上下颠簸的剧烈程度，代表风险。
    σp=E[(Rp−E[Rp])2]\displaystyle \sigma_p = \sqrt{\mathbb{E}[(R_p - \mathbb{E}[R_p])^2]}
  5. 夏普比率每承担一单位风险，能换回多少超额回报。
    Sharpe=E[Rp]−Rfσp\displaystyle \text{Sharpe} = \frac{\mathbb{E}[R_p] - R_f}{\sigma_p}

AI 应用场景

场景1：跨市场套利代购管家

阶段：链上数据感知 + 交易决策 + 执行优化

解决的问题：传统套利机器人需要人工盯盘、手工调参数，而且容易因为 Gas 设置不合理被抢跑。AI Agent 可以实时监控多个链上交易市场的价格，发现价差超过阈值后自动计算预期净收益，再选择最优执行路径。

具体案例：某量化团队部署了一个跨 DEX 套利 Agent。它每秒钟读取三个去中心化交易所的价格，当同一代币在两个市场出现 0.8% 以上价差时，自动比较 Gas 费和滑点，若预期净收益为正才下单。上线三个月，该 Agent 平均每天完成 40 笔交易，Gas 成本比人工操作降低 22%。

场景2：链上自动化资管管家

阶段：智能体架构 + 强化学习 + 风险控制

解决的问题：个人用户的数字资产全天候波动，传统手动调仓既累又慢。AI Agent 可以根据用户设定的风险偏好，自动在不同链上协议之间调配资金。

具体案例：一款“链上基金”产品让用户存入稳定币，Agent 根据市场波动率动态调整策略：波动率升高时增加稳定币占比，波动率降低时提高收益型协议的仓位。每次调仓都会检查最大回撤和资金隔离规则，避免单协议风险。

Python 演示

python65 行
from dataclasses import dataclass  @dataclassclass Trade:    step: int    side: str    price: float    amount: float    gas: float    pnl: float  class OnChainAgent:    def __init__(self, initial_balance=1000.0):        self.balance = initial_balance        self.inventory = 0.0        self.total_gas = 0.0        self.trades = []        self.action_count = 0     def decide(self, price, sma):        if price < sma * 0.98 and self.balance > price * 1.01:            return "buy"        if self.inventory > 0 and price > sma * 1.03:            return "sell"        return "hold"     def execute(self, step_id, price, sma, gas_estimate=0.5):        side = self.decide(price, sma)        if side == "buy":            amount_usd = self.balance * 0.4            self.balance -= amount_usd + gas_estimate            self.inventory += amount_usd / price            self.total_gas += gas_estimate            self.trades.append(Trade(step_id, "buy", price, amount_usd / price, gas_estimate, 0.0))            self.action_count += 1        elif side == "sell":            proceeds = self.inventory * price            fee = proceeds * 0.003 + gas_estimate            pnl = proceeds - fee            self.balance += pnl            self.inventory = 0.0            self.total_gas += gas_estimate            self.trades.append(Trade(step_id, "sell", price, proceeds, gas_estimate, pnl))            self.action_count += 1     def portfolio_value(self, price):        return self.balance + self.inventory * price  def simulate(prices, agent):    for i in range(len(prices)):        window = prices[max(0, i - 4):i + 1]        sma = sum(window) / len(window)        agent.execute(i, prices[i], sma)    return agent  prices = [100, 99, 97, 95, 96, 98, 102, 105, 104, 108, 110, 106]agent = OnChainAgent()agent = simulate(prices, agent)print("final_value", round(agent.portfolio_value(prices[-1]), 2))print("total_gas", round(agent.total_gas, 2))print("trade_count", agent.action_count)
目的：模拟一个简单的链上交易 Agent，用移动平均判断低买高卖，并计算 Gas 费和最终资产价值。
  1. class OnChainAgent:定义代购管家，初始化余额、持仓、Gas 记账和交易列表。
  2. def decide(self, price, sma):决策引擎：价格低于均线 2% 时买入，高于均线 3% 时卖出。
  3. amount_usd = self.balance * 0.4风险控制：每次只拿 40% 余额买入，留下安全垫。
  4. self.balance -= amount_usd + gas_estimate执行模块把 Gas 费计入真实支出。
  5. fee = proceeds * 0.003 + gas_estimate卖出时扣除手续费和 Gas，才得到净收益。
  6. for i in range(len(prices)):模拟逐笔价格更新，让 Agent 自主决定每个时间步的动作。

常见误区

误区很多人以为“自动交易 + 区块链 = 提款机”，把 Agent 扔到链上，接上钱包私钥，就可以等着资产翻倍。

正解自主链上交易是一套完整系统：数据感知要清洗价格、决策引擎要算预期收益、执行模块要处理 Gas 和滑点，风控还要防止回撤。私钥只是让 Agent 能签名，并不等于它能赚钱。就像把车钥匙交给新手，不等于他能赢下拉力赛。

为何常见：各种“智能交易机器人”营销话术刻意省略了亏损案例，把复杂系统工程包装成一键致富。

误区不少初学者认为区块链不可篡改，所以链上价格和成交量一定准确，直接拿来做策略即可。

正解不可篡改只代表记录无法伪造，不代表记录一定真实。羊毛党可以制造虚假成交量，预言机可能被操纵，极端行情下价格也可能失真。数据预处理、异常值过滤和多个数据源交叉验证都是必须的。

为何常见：大家把“区块链”和“可信”画了等号，却忽略了喂数据的人也可能作弊。

误区新人觉得交易成本越低越好，于是把 gasPrice 调到最低，以为这样最省钱。

正解Gas 费太低，交易可能长时间 pending，错过最佳价格，甚至被内存池清理。真正聪明的 Agent 会权衡“等待成本”和“Gas 成本”，在拥堵高时延迟交易，在机会紧迫时接受更高 Gas。

为何常见：只看账单上的数字，没有看到时间也是一种机会成本。

误区有些团队一听到“合约已由知名机构审计”，就觉得 Agent 再也不可能被攻击。

正解审计只能证明“在审计时没有发现已知漏洞”，不代表未来安全。预言机被操纵、私钥泄露、MEV 抢跑、治理攻击都可能绕过合约漏洞。安全需要审计、监控、隔离、熔断多层防护。

为何常见：人们容易把“被检查过”误解成“永远不会出事”，就像体检合格不代表今后不会生病。

面试题

Q1. 在“数字集市”比喻中，区块链的公开账本最直接对应 AI Agent 的哪种能力？

单选题 · easy

  • A.让所有交易记录可追溯← 正确答案
  • B.让合约自动执行
  • C.让私钥存储更安全
  • D.让 AI 模型自动学习

答案：A。区块链的本质是分布式公开账本，核心价值是可追溯、不可篡改。智能合约自动执行对应的是自动贩卖机，私钥安全属于钥匙管理，AI 自动学习则是管家大脑的事。

Q2. 智能合约对 AI Agent 来说，最像数字集市里的什么？

单选题 · easy

  • A.市场的广播喇叭
  • B.自动结算的贩卖机← 正确答案
  • C.代购管家的钥匙扣
  • D.菜贩的价格标签

答案：B。智能合约是规则透明、自动执行的程序，就像一台投入代币就自动交货的贩卖机。广播喇叭更像预言机，钥匙扣是私钥，价格标签是价格信号。

Q3. 预言机在 AI Agent 自主交易中扮演的角色是：

单选题 · mid

  • A.把链下信息送上链← 正确答案
  • B.替 Agent 生成私钥
  • C.自动销毁失败订单
  • D.直接执行套利交易

答案：A。预言机负责把链下的价格、天气、汇率等外部数据安全地写入链上，让智能合约和 Agent 能读取。它不负责私钥托管，也不直接下单。

Q4. 价格 z 分数公式中，z 的绝对值很大（如 -2.5）通常表示：

单选题 · mid

  • A.价格严重偏离历史均值← 正确答案
  • B.滑点已经超过 2.5%
  • C.Gas 费将自动降低
  • D.智能合约出现漏洞

答案：A。z 分数衡量当前价格偏离均值的标准差的倍数。绝对值越大，说明价格越异常；负值代表偏低，可能是买入信号，而不是滑点或 Gas 指标。

Q5. AI Agent 下单时，下列哪些属于必须计入的交易成本？

多选题 · mid

  • A.Gas 网络手续费← 正确答案
  • B.市场价格滑点← 正确答案
  • C.交易平台手续费← 正确答案
  • D.钱包助记词长度

答案：ABC。Gas 费是链上搬运费，滑点是大单冲击成本，平台手续费是协议抽成，它们都会直接影响净收益。助记词长度是安全因素，不是交易成本。

Q6. 状态转移公式中 o_t 代表 Agent 的：

单选题 · mid

  • A.链上链下观测信息← 正确答案
  • B.钱包私钥哈希
  • C.合约部署地址
  • D.代币发行总量

答案：A。o_t（observation）是 Agent 从外部观察到的市场信息，比如价格、Gas 价格、预言机数据。私钥、合约地址和发行总量是静态参数，不是每次决策时的观测。

Q7. 下列哪些措施可以降低 MEV 前置交易风险？

多选题 · hard

  • A.设置滑点保护限额← 正确答案
  • B.使用私有交易通道← 正确答案
  • C.向公开内存池广播
  • D.提高矿工优先小费

答案：AB。滑点保护可以限制被拉高后的成交价格，私有交易通道让抢跑机器人看不到原始订单，因此能降低 MEV 风险。公开广播和高 Gas 费反而容易暴露策略、加剧抢跑。

Q8. 最大回撤描述的是策略在回测期间：

单选题 · hard

  • A.峰值到谷底的最大亏损← 正确答案
  • B.单笔 Gas 费的最大值
  • C.预言机更新的最长延迟
  • D.私钥泄漏的最大影响

答案：A。MDD 是资产从历史最高点跌到随后最低点的最大幅度，衡量策略在恶劣行情下的风险承受力。它和 Gas、预言机延迟、私钥安全没有直接关系。

Q9. 强化学习中的温度参数 τ 变大时，可能出现：

多选题 · hard

  • A.动作概率分布更均匀← 正确答案
  • B.探索行为增加← 正确答案
  • C.交易策略更偏激进
  • D.智能合约部署变快

答案：AB。τ 越大，Softmax 输出的动作概率越接近均匀分布，Agent 越倾向于尝试不同动作，也就是探索增加。它不会让策略自动变激进，也不会影响链上合约部署速度。

Q10. 为什么 AI Agent 不要把所有资金放在同一个热钱包？

单选题 · mid

  • A.单点风险过高，应隔离← 正确答案
  • B.链上禁止大额转账
  • C.Gas 费按钱包个数计
  • D.助记词长度会翻倍

答案：A。热钱包一旦私钥泄露，全部资产都会暴露在风险中。资金隔离是安全风控的重要手段，就像鸡蛋分装在不同篮子。链上并不禁止大额转账，Gas 费和助记词长度也与钱包数量无关。