AI Agent 炒币真赚啊： 8 天 100 U 做到 20 万 U

最近，AI Agent 交易系统“拉哪”火了，其仅用 8 天，就将 100 U 做到了 20 万 U，截至 4 月 16 日，账户总余额超 25 万 U。

据其作者 Lana（@lanaaielsa）披露，构建这套交易系统的原因很简单。

去年 10 月 BSC 牛市期间，他身边有朋友因追逐暴富叙事投入 10 万 U，最终在行情回撤中几乎亏光，最后 1 万 U 转入链上继续交易也全部归零，随后退场。近期随着山寨币讨论热度回升，他判断可能进入新一轮做市（MM）行情阶段。由于自身不熟悉二级交易和 K 线分析，他选择借助 AI 构建交易系统：让 Claude 编写脚本，抓取币安广场高热度帖子与高频讨论币种，并结合涨幅榜筛选波动标的进行交易。系统一开始采用 20%止损，随后优化为固定亏损 200 U 止损，并只做单一方向的趋势跟随。同时，拉哪还负责在币安广场发布实盘记录、生成收益截图、运营账号。

看起来简单吧。但我细研究了下，拉哪可不只是简单的自动下单脚本，而是一套拥有自己交易逻辑的操作系统。

拉哪是如何交易并实现盈利的？

1、有严密的选标逻辑

从交易记录来看拉哪并不对市场行情进行预测，只做跟随，也就是趋势行情，专注于捕捉已经启动的币种。涉及标的包括：币安人生、RAVE、ORDI、BASED、TRUMP、SIREN、1000SATS、1000RATS、EIGEN、PIXEL、EDGE、BAN、ASTER、AIA、FIGHT、GENIUS、CL、BTC、GIGGLE、HYPE、BLESS、PUMP、HEMI、CFX。

筛选的标准大致可以分为三个层次：

首先是舆论层，拉哪会抓取币安广场的帖子数量、讨论频率以及情绪方向，寻找短时间内被反复提及的币种。

其次是价格层，只有当舆论层筛选出来的币种同时出现在涨幅榜、出现明显波动时，才会触发进一步筛选。证明是有趋势行情出现的概率。

最后通过观察 OI（持仓量）变化，筛选出“持仓增加但价格尚未完全反应”的币种，用于判断是否存在提前布局的资金。

2、有明确的止损标准

在拉哪开始运行的初期，采用固定 20%止损，随后优化为“固定亏损额度”，也就是无论仓位大小，每一笔交易的最大亏损控制在约 200 U 左右。

从交易的历史记录来看，大部分亏损都集中在这一范围内。但也有超出止损标准的单子，比如 GENIUS 曾浮亏超 6880 U 却仍未平仓，Lana 本人解释到：“因为 GENIUS 是新币，新币的波动比较大所以放很宽的止损，早期的仓位一般加上杠杆就是 500 U 对应 200，后面仓位大了后开始开 10k 或者 25k 的仓位，对应止损金额就高一点。”

3、有动态的止盈标准

与止损不同，这套系统并没有设定固定止盈点，主要是通过周期性评估来决定是否继续持有，例如每隔一段时间重新判断当前标的的上涨与下跌概率。可以理解为，它在持续问一个问题：如果现在没有仓位，我还会不会买？

从交易的历史数据来看，绝大部分利润集中在少数几个币种上，例如“币安人生”“RAVE”“ORDI”等，而其他多数交易则以小幅亏损或小幅盈利结束。

发现了吗？拉哪不是靠每一单赚钱，而是靠少数单子爆赚，多数单子进行严格的止损。

如何训练出拉哪？方法论可复用吗？

1、喂养数据定基调

这套系统最初的策略雏形，来源于 Lana 对 Hyperliquid 上一些保持长期稳定盈利钱包行为的观察，更多的是只做一个方向，不会多空两个方向一直切换。所以喂给 AI 最重要的数据之一就是来自 Hyperliquid 上聪明钱包的交易行为，让 AI 进行系统性的学习怎么才能通过交易赚钱。同时也会喂给 AI 一些基础的合约指标，以及一些链上数据。让 AI 能够通过理解这些钱包的操作形成自己的框架。

当然除了链上行为数据之外，系统还会不断的自行抓取舆论与行情数据作为补充：

• 币安广场的讨论密度与热点内容；
• 涨幅榜与价格波动；
• OI 变化等基础的合约指标。

2、对话修正定框架

在让 AI 学习了基础的操作手法之后，下一步不在于获取更多信息，而在于如何对这些信息进行筛选和约束，也就是为 AI 建立一套明确的决策框架。

从其使用方式来看，这套系统的判断逻辑并非一次性设定完成，而更可能是在持续运行与反馈中逐步修剪形成。在初期，AI 可能会基于单一信号做出判断，例如将短期热度误认为趋势信号，或在方向上出现频繁切换。但随着使用的深入，这些偏差逐渐被修正，使其决策逐步集中在更符合策略预期的范围内。

3、行为蒸馏定交易风格

在完成数据输入与决策框架的建立之后，这套系统并没有停留在“标准化判断”的层面，而是进一步引入了个体行为的蒸馏。操作者将自身以及 X 上一些其他博主的推特内容输入系统，使 AI 能够学习具体的表达方式。让 AI 不再是冰冷的交易机器，至少从表达层面上来看是更人性化了。

如果把整个过程拆开来看，这更像是在“造一个人”。

从最初的数据喂养搭建骨架，让它理解市场在发生什么；到通过不断纠偏与约束形成结构，使其具备稳定的判断边界；再到行为蒸馏填充细节，让它逐渐拥有接近人类的决策路径与偏好。

最终形成的，已经不只是一个执行工具，而是一个能够在复杂市场中持续做出一致选择的“拉哪”。

它不依赖情绪，也不追求预测，而是用一套被反复验证过的方式，去参与市场、放大结果。