Nex-T1-Research
rahuldounde21/Nex-T1-Research加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：Nex-T1 多智能体系统全局架构图（来源：项目官方 GitHub 仓库）
想象一下，你是一个 DeFi 投资者，每天要在以太坊、Solana 等链上的数十个 DEX 中，找到最优的交易路径——不仅要实时监控链上数据、价格波动，还要防范「三明治攻击」和「预言机延迟」等风险。一个 GPT-4 模型或许能帮你分析，但一个完整的交易决策流程呢？至少需要：行情研判、风险评估、下单执行、跨链路由……每一个环节都是一个专业领域。
Nex-T1 正是来解决这个问题的——它不是一个 AI 交易机器人，而是一支由 25 个专业化 AI Agent 组成的「智囊团」，每个 Agent 各司其职，通过结构化通信协议协作完成链上交易决策。这个系统的核心创新在于：让多个 Agent 通过投票机制达成共识，而不是把决策权交给单一的 LLM。
DeFi（去中心化金融）市场近年来飞速发展，但链上交易环境远比传统金融市场复杂，存在四大难以规避的风险：
Oracle 延迟（Oracle Latency）：去中心化交易所依赖预言机喂价，但价格数据从链下传到链上存在延迟。攻击者可以在这几毫秒的窗口内「抢跑」——这就是 MEV（Miner Extractable Value，最大可提取价值）攻击的典型形式。
最大可提取价值（MEV）：在以太坊等链上，验证者（或矿工）可以通过调整交易排序来获取利润，最常见的形式是「三明治攻击」——在你买入前抬高价格，在你卖出后压低价格。数据显示，2024 年上半年以太坊链上 MEV 攻击造成的损失超过 2 亿美元。
滑点管理（Slippage）：在自动做市商（AMM）模式下，大额交易本身就会造成价格冲击。买入 10 万美元的代币和买入 1000 美元的代币，成交价格可能相差数个百分点。
跨链复杂性（Cross-Chain）：如今 DeFi 生态横跨 EVM 链（以太坊、Base、Arbitrum）和非 EVM 链（Solana），不同链的 gas 机制、交易确认速度、DEX 聚合器接口各不相同。如何在多条链之间找到最优路径，本身就是一个复杂的工程问题。
Nex-T1 的作者 Nexis Labs Research Team 在 2025 年 10 月发布了这个框架的论文，并提供了完整的代码实现，旨在用多 Agent 架构系统性地解决上述问题。
Nex-T1 采用分层多智能体架构（Hierarchical Multi-Agent Architecture），25 个 Agent 被组织成 4 个团队：
研究团队（Research Team，7 个 Agent）：负责行情研判。包括看多的 Bull Agent、看空的 Bear Agent、保持中立的 Neutral Agent，以及 4 个专项分析 Agent——基本面分析（Fundamental）、情绪分析（Sentiment）、技术面分析（Technical）和新闻面分析（News）。每个 Agent 独立分析，然后将结论提交给上级。
风险管理团队（Risk Management Team，5 个 Agent）：负责安全把关。Risk Governor（风险总督）统筹全局，Oracle Validator（预言机验证器）检查价格数据是否有异常，MEV Monitor（MEV 监控器）识别潜在的抢跑风险，Position Limiter（仓位限制器）确保单笔交易不超过安全阈值，Compliance Auditor（合规审计员）检查交易是否符合监管要求。
执行团队（Execution Team，10 个 Agent）：负责下单交易。分为 EVM 路由（Base 链、Uniswap V3）和 Solana 路由（Jupiter 聚合器）两大组，以及 Gas 优化器、仓位管理器、交易构建器、Nonce 管理器、滑点计算器、流动性分析器等子模块。
治理与记忆团队（Governance & Memory，2 个 Agent）：Memory Curator（记忆管理员）基于 Pinecone 向量数据库维护 RAG（检索增强生成）记忆，Governance Arbiter（治理仲裁者）负责在 Agent 意见分歧时进行投票裁决。
各团队之间通过结构化的 JSON 通信协议传递信息，每个任务包含 task_id、type、payload、deadline 和 priority 字段，确保信息传递的一致性和可追溯性。
LLM 引擎：每个 Agent 背后都是 GPT-4 Turbo（gpt-4-turbo-2024-04-09），temperature 设为 0.7，max_tokens 为 2000，在创造性和稳定性之间取得平衡。
RAG 向量记忆：Nex-T1 维护一个 Pinecone 向量数据库，包含 3 个命名空间：
每次决策时，系统会将查询编码为 1536 维向量，通过余弦相似度检索 top-5 相关上下文，注入 Agent 提示词中。消融实验显示，移除 RAG 后 Sharpe Ratio 从 2.34 下降到 1.98（-15%），证明历史上下文对决策质量至关重要。
跨链执行：EVM 端通过 web3.py 连接 Base 链上的 Uniswap V3，Solana 端通过 solana-py 连接 Jupiter DEX 聚合器，Median 延迟控制在 3 秒以内。
Nex-T1 在 2025 年 1 月至 6 月的 6 个月历史回测中（数据来源：CryptoCompare OHLCV 数据），与三个基线进行了对比：
| 指标 | Nex-T1 | TradingAgents | 规则交易(SMA) | 买入持有 |
|---|---|---|---|---|
| 收益率 | 18.7% | 12.4% | 7.2% | 5.1% |
| Sharpe Ratio | 2.34 | 1.42 | 0.87 | 0.54 |
| Sortino Ratio | 3.12 | 1.89 | 1.21 | 0.73 |
| 最大回撤 | 12.3% | 23.1% | 31.2% | 38.4% |
| 每笔交易成本 | $0.08 | $0.116 | $0.092 | $0.00 |
| 滑点 | 0.41% | 0.68% | 0.55% | 0.0% |
对比 TradingAgents 基线，Nex-T1 的 Sharpe Ratio 提升了 65%，最大回撤降低了 47%，每笔交易成本降低了 31%。
消融实验还揭示了一个重要结论：所有组件都是必要的。移除风险门控（Risk Gate）后 Sharpe Ratio 下降 29%，移除多 Agent 协作改为单 Agent 后下降 42%。这说明该系统的优势不是来自某个单点突破，而是来自多个组件的协同效应。
适用场景：Nex-T1 本质是一个研究代码仓库，适合想复现论文结果、理解多 Agent DeFi 系统架构、或基于此框架进行二次开发的研究者与工程师。
安装门槛中等：需要 Python 3.11+、OpenAI API Key（GPT-4 Turbo 调用费用）和 Pinecone API Key（向量数据库费用）。README 提供了完整的依赖安装和 .env 配置指南。
局限性：
rahuldounde21/Nex-T1-Research 已迁移至 Nexis-AI/Nex-T1-Research，旧链接可能失效。部署难度：中等偏上，需要手动配置多个 API key，无 Docker 支持，非技术用户上手较难。
Nex-T1 的核心价值不仅在于提升了多少收益率，更在于证明了多 Agent 协作架构在金融决策领域的可行性。此前绝大多数 AI 交易系统都是单一 LLM 驱动的单 Agent 方案，Nex-T1 用 25 个 Agent 的投票机制证明了「集体智慧」确实优于「一言堂」。
从技术演进角度看，这个项目代表了一个趋势：将 AI Agent 从简单的对话机器人，拓展到需要多角色协作的复杂决策场景。DeFi 交易恰好是这样的场景——需要同时处理行情、风险、执行、跨链等多个维度，每个维度都需要专业化知识。
Sharpe Ratio 2.34 在量化交易领域属于相当不错的水平（通常 1.0 以上被认为有实用价值），这为后续研究提供了一个有说服力的基线。
仓库地址：https://github.com/Nexis-AI/Nex-T1-Research
STAR: ⭐ 5
Fork: 1
Topics: ai, defi, multi-agent-systems, llm, web3, ethereum, solana, machine-learning
License: MIT
论文：arXiv preprint（2025年10月）
作者：Nexis Labs Research Team
代码规模：研究代码仓库，含完整实验脚本、配置文件和依赖说明