写在前面
最近 GitHub 上有个挺火的开源项目 AI-Trader（HKUDS/AI-Trader，19k stars），定位是"AI Agent 原生的交易平台"——不是给人用的图形界面，而是让 AI Agent 通过 API 自主完成注册、交易、社交的平台。
我把它和 FMZ 串了起来，跑通了两条完整的自动化链路：
- 链路 B（生产端）：Agent 通过 FMZ MCP 读取我正在实盘运行的量化策略数据，基于策略判断在 AI-Trader 上发布交易信号，做 Signal Provider 赚积分。
- 链路 A（消费端）：Agent 在 AI-Trader 上筛选高质量信号源并订阅，再用 FMZ 跟单策略把信号落地成真实交易。
这两条链路互为镜像，核心是同一个东西：把 AI Agent 当作"策略执行层"和"信号平台"之间的自动化中间层。下面把整个流程拆开讲，重点在 FMZ MCP 这条打通策略数据的链路。
本文所有操作均在模拟资金 / 测试环境下完成，仅作技术演示，不构成任何投资建议。
一、三个角色的分工
整套方案涉及三个平台，先理清各自的职责：
| 平台 | 角色 | 干什么 |
|---|---|---|
| AI-Trader | 信号平台 | Agent 自主注册、发信号、订阅跟单、社区互动；积分 + 信誉分体系 |
| RunJobs | Agent 运行环境 | 云端跑 AI Agent，一句话指令驱动，环境隔离 |
| FMZ（发明者量化） | 策略执行层 | ① 实盘运行量化策略，经 MCP 把数据喂给 Agent；② 创建跟单策略，把信号落地成真实下单 |
关键设计：Agent 只在"信号层"操作（读数据、发信号、订阅），真实交易执行始终交给 FMZ 策略。Agent 全程不直接接触交易所 API Key，这是整套方案的安全边界。
二、Agent 自主注册：一句话搞定
AI-Trader 的注册方式很"Agent 友好"——平台提供一个 SKILL.md 文档，Agent 读完就知道怎么调注册接口。
在 RunJobs 上创建一个智能体，模型选 Claude Sonnet（这种"读文档 → 理解 API → 多步操作"的任务，Sonnet 的完成度比较高），然后只给它一句话：
test
Read https://ai4trade.ai/SKILL.md and register.
Agent 自己读文档、理解注册流程、调用 selfRegister 接口，注册成功，拿到 Agent ID、Token 和 10 万美金模拟资金。
一条实战经验：和 AI Agent 交互的 prompt 一定要写准确。用贵的模型容错高一些；用便宜的模型，就必须把任务描述清楚，最好在让它动手前先给一个例子，否则便宜模型的体验会差不少。
注册得到的身份靠 Token 识别。同一个 Token 可以在 RunJobs、FMZ、本地任意环境复用，积分和资金状态同步——这点对后面把链路拆到不同平台运行很重要。
三、链路 B：用 FMZ MCP 把策略数据变成交易信号
这是整套方案里最有价值的一环，也是 FMZ 用户最该关注的部分。
思路
我在 FMZ 上实盘跑着一个量化策略（一个基于 Polymarket 概率数据的 AskTrigger 策略）。与其让 Agent 凭空"编"一个交易信号，不如让它读取真实策略的判断，再转发成信号。FMZ 的 MCP 接口正好把这条路打通了。
FMZ平台MCP配置信息：
流程
- 给 Agent 提供 FMZ 的 MCP 地址 + Token；
- Agent 连接 FMZ MCP，读取实盘策略机器人的数据；
- 拿到策略判断：ETH 15 分钟上涨概率 99%（Up ask 0.99 / Down ask 0.01）；
- 基于这个判断，Agent 在 AI-Trader 发布交易信号：ETH BUY @ $2,102.58；
- 发布成功，信号 ID
#666093，获得 +9 积分。
发布两条信号后的账户状态：
- 初始资金 $100,000 → 当前现金 $76,872.50
- 持仓：11 ETH Long @ $2,100.40，市值约 $23,104
- 积分 18（2 条信号，各 +9），积分可按 1:1000 兑换模拟资金（18 积分 = $18,000）
要点
信号不是 Agent 瞎编的，而是从你真实运行中的量化策略里读出来的数据转成的。FMZ MCP 在这里扮演的角色，是打通了"策略执行层"和"信号发布层"之间的桥梁。对于已经在 FMZ 上有成熟策略的用户，这意味着你的策略可以多一个对外输出价值（信号 + 积分 + 粉丝）的出口。
四、链路 A：订阅信号 → FMZ 跟单自动执行
反过来，如果你自己没有策略，但想跟着高质量信号做交易呢？
流程
- Agent 在 AI-Trader 上查询 ETH 相关的高质量信号，按"被跟单次数、信号风格"等指标筛选；
- 选定信号源 赛博六王交易员（被跟单 53 次，平台第一，信号风格为融合新闻、情绪、技术面的 AI 训练模式）；
- Agent 调用
follow接口订阅； - 在 FMZ 上创建一个跟单策略实盘，配置信号源和交易所（这里用币安期货），策略启动后自动监控；把跟单带单策略的信号地址给RunJobs上的Agent，这样Agent收到AI-Trader平台上的信号，就会给跟单策略推送消息，跟单策略就会自动交易了。
- 信号一来，FMZ 跟单策略自动执行——日志里可以看到：收到信号 → 仓位
Empty → ETH 0.01→ 币安期货成交 @ $2,075.56。
-
RunJobs 订阅信号
-
FMZ跟单带单策略
-
运行跟单带单策略
-
跟单带单策略收到Agent的信号，产生交易
要点
分工很清晰：Agent 负责在 AI-Trader 上选信号、订阅；实际交易执行交给 FMZ 跟单策略。后者稳定持续运行，不依赖 Agent 是否在线——这是把"决策"和"执行"解耦的好处，也是用 FMZ 做执行层而不是让 Agent 直接下单的核心原因。
五、为什么用云端 Agent
把 Agent 放在 RunJobs 这样的云端环境跑，而不是本地，有三个实际原因：
- 操作简单：一句话指令就能驱动，不用配环境、写胶水代码；
- 环境隔离：云端 Agent 和你的本地环境隔离，不暴露本地文件和配置；
- 账户安全：Agent 只做信号层操作，实际交易执行通过 FMZ 跟单策略完成，Agent 不直接接触交易所 API Key。
这套隔离设计是整篇文章的安全前提：哪怕 Agent 行为异常，它能影响的也只是信号层，碰不到你的交易所密钥和真实资金通道。
六、总结
两条链路，一个核心——AI Agent 作为策略和交易平台之间的自动化中间层：
- 有策略 → 让 Agent 通过 FMZ MCP 读你的策略数据，帮你在 AI-Trader 发信号，赚积分和粉丝；
- 没策略 → 让 Agent 帮你在平台上筛选、订阅高质量信号，再用 FMZ 跟单策略落地执行；
- 关键 → Agent 在云端跑，和本地环境、交易账户完全隔离；执行层交给 FMZ，稳定且不依赖 Agent 在线。
对 FMZ 用户来说，最值得尝试的是链路 B：你已有的实盘策略，通过 MCP 就能接上 AI Agent，多一条对外输出的通道。
七、配套视频和策略
八、风险提示
风险提示：本文为 AI Agent 与量化工具的技术集成演示，全程使用模拟资金 / 测试环境。量化交易与自动化交易存在资金损失风险，文中涉及的策略、信号、数据仅作技术说明，不构成任何投资建议。实盘前请充分回测与测试，自行承担交易风险。
- 1