FLOX：AI 原生量化交易框架，让 AI Agent 全权操盘

开篇：如果你想给 AI 一个「交易键盘」

想象一下，你训练了一个擅长发现价格异动的 AI 模型，现在你想让它真正去操作账户——下单、对冲、管理风险。在 FLOX 出现之前，这个过程像是在用螺丝刀钉钉子：你要自己拼接回测引擎、交易所对接、风控模块，还要让它们彼此「说同一种语言」。

FLOX 解决的就是这个问题——它给 AI Agent 提供了一套完整的「交易键盘」，通过 MCP（Model Context Protocol）控制平面，让 AI 能够端到端地驱动一个完整的量化交易系统，从策略发现、回测验证，到模拟交易、实盘执行，全部在一个框架内完成。

背景：为什么量化交易需要 AI 原生框架

量化交易领域传统上分为两大阵营：一是需要 C++/Java 高手操刀的机构级系统（如 QuantConnect、Alpaca），二是 Python 优先的研究平台（如 Backtrader、Zipline）。两者之间存在巨大的「翻译成本」——在 Jupyter Notebook 里验证有效的策略，搬到生产环境往往面目全非。

FLOX 的创始团队认为，在 AI Agent 时代，这个矛盾应该被彻底解决。他们的核心洞察是：AI Agent 应该能够直接理解和操作交易系统，而不是通过人类程序员做中介。因此 FLOX 从设计之初就将「AI 可读性」和「AI 可控性」作为第一公民。

2024年，FLOX Foundation 获得了包括 NEA、Addition 和 Illuminate Financial 在内的 2500 万美元 B 轮融资，估值显著提升。投资方尤其看重 FLOX 在非科技原生金融机构（如传统银行、自营交易公司）中的应用潜力——这些机构有大量 C++ 历史遗留系统需要现代化，而 FLOX 的 C API 提供了优雅的接入通道。

核心功能：一套代码，走完四道关卡

FLOX 最亮眼的设计哲学是 One Strategy, Three Modes——同一套策略代码，无缝切换三种运行模式：

回测（Backtest）

在历史数据上验证策略表现。FLOX 的回测引擎基于事件驱动架构，支持亚毫秒级 tick 级回放，能够精确模拟订单簿状态、滑点、和资金费率。Python 级别的用户可以直接调用 flox.backtest，而 Codon 用户则能享受接近 C++ 的回测速度。

模拟交易（Paper Trading）

用实时市场数据跑策略，但不下真实订单。这是验证策略在当前市场环境下表现的关键步骤。FLOX 的模拟交易与实盘使用完全相同的接口，区别仅在于执行层——模拟层会模拟成交，实时输出账户权益曲线。

实盘执行（Live Execution）

连接真实交易所执行订单。FLOX 原生支持四个交易所连接器：Bybit V5（WebSocket + REST，最成熟）、Bitget V2（经典做市商风格）、Hyperliquid（去中心化永续合约）、Polymarket（预测市场专用）。每个连接器都实现了相同的 flox::connectors 目标，C++ 层面的接口完全统一，切换交易所只需改一行配置。

MCP 控制平面（AI Agent 集成）

flox-mcp 是 FLOX 的 Model Context Protocol 服务器，给 AI 编码助手（Cursor、Claude Code、Cline）提供了一套接地气的工具集：交易品种符号查询、策略脚手架生成、技术指标计算、回测运行、历史文档全文搜索。AI 不再需要「读文档然后猜接口」，而是直接调用 MCP 工具完成量化研究闭环。

多语言绑定：没有统一语言的代价

FLOX 的野心是做量化领域的「拉丁语」——一个所有语言都能调用的统一层。为此它提供了五种绑定：

Codon 是其中最有趣的存在——它是一种 Python 方言编译器，能将 Python-like 代码通过 LLVM 编译成原生二进制，同时保留 Python 的语法简洁性。对于回测这种计算密集型任务，Codon 版本比纯 Python 快 10-100 倍。

技术架构：分层解耦的核心理念

从源码目录结构可以清晰看到 FLOX 的架构分层：

• src/engine/ — 核心交易引擎，事件循环和调度
• src/backtest/ — 历史数据回放引擎
• src/execution/ — 订单管理和成交处理
• src/risk/ — 风险控制和仓位管理
• src/replay/ — 实时数据回放中间件
• src/report/ — 绩效报告生成（PnL、夏普比、最大回撤等）
• src/capi/ — C API 暴露层，连接所有绑定
• src/quickjs/ — 内嵌 JavaScript 引擎
• codon/ — Codon 策略绑定实现
• connectors/ — 交易所连接器（Bybit/Bitget/Hyperliquid/Polymarket）
• mcp/ — MCP 服务器实现

这套架构的精妙之处在于：任何绑定（Python/Node/Codon）最终都通过 C API 与 C++ 核心通信，保证所有语言视图的一致性。

上手门槛与争议

FLOX 的 Python 和 Node.js 绑定对普通用户非常友好（pip/npm 一键安装），但如果需要连接器功能或使用 Codon 加速，则需要从源码编译 C++ 核心——这对没有 C++ 经验的量化研究者来说仍有较高门槛。目前缺少 Docker 支持，在云端部署需要手动配置编译环境。

另一个重要局限是 FLOX 目前仅支持加密货币交易所（Bybit、Bitget、Hyperliquid、Polymarket），暂无股票、期货、外汇支持，这限制了它在传统金融领域的直接应用。此外，回测数据需要用户自备，FLOX 本身不提供市场数据接入。

项目有明确的免责声明，强调该软件不适用于直接用于生产交易环境，风险完全由使用者承担。

行业意义：量化基础设施的 AI 化浪潮

FLOX 的出现代表了量化基础设施领域的一个新趋势：从「人工编写策略 + 机器执行」向「AI 生成 + AI 执行」的范式转移。MCP 控制平面的设计尤其值得关注——FLOX 团队认为，未来最优秀的量化策略可能不是人想出来的，而是 AI 通过大规模探索策略空间后发现的。

从投资角度，Illuminate Financial 在 2025 年领投 FLOX 的 B 轮，明确表示看重的正是 FLOX 在传统金融机构 C++ 历史系统现代化中的桥接能力。

快速开始

Python 用户： pip install flox-py Node.js 用户： npm install @flox-foundation/flox AI Agent MCP： pip install flox-mcp

官方文档：https://flox-foundation.github.io/flox

本分析基于 FLOX-Foundation/flox v1.0，219 Stars，MIT 许可证。