1. 项目概述：让AI智能体成为Polymarket预测市场的零风险交易员

如果你正在研究AI智能体（AI Agent）的自主决策能力，或者想构建一个能理解并参与复杂金融市场的算法交易策略，那么你很可能需要一个既安全又真实的测试环境。传统的回测工具要么数据是模拟的，要么交易逻辑过于简化，导致在模拟环境中表现优异的策略，一旦投入真金白银就“见光死”。这正是 polymarket-paper-trader 这个开源项目要解决的核心痛点：它不是一个玩具，而是一个与真实Polymarket预测市场订单簿深度绑定的、零风险的模拟交易引擎。

简单来说，这个工具给你的AI智能体或交易脚本提供了一个“沙盒”。你初始化一个账户，比如给它1万美元的模拟资金，它就能通过命令行或标准的MCP协议，去交易Polymarket上真实的、正在流动的市场。你的每一次“买入”或“卖出”指令，都会按照Polymarket实时的、多层次的订单簿进行模拟撮合，计算精确的手续费和滑点。最终，你的模拟盈亏（P&L）会无限接近真实交易的盈亏（扣除运气和极端市场冲击）。这就像给你的AI交易员提供了一个全真的飞行模拟器，而不是一个简单的电子游戏。

这个项目特别适合几类人： AI智能体开发者 ，想测试智能体在动态市场环境下的决策与执行能力； 量化交易策略研究者 ，尤其是对新兴的预测市场（如政治、加密货币、体育赛事结果）感兴趣，需要快速验证想法；以及 对算法交易和DeFi感兴趣的程序员 ，想通过一个结构清晰、接口友好的项目来学习实战。它用Python写成，基于SQLite存储交易数据，并通过MCP协议为Claude等AI助手提供了26个可直接调用的工具，让“AI驱动交易”从概念变成了几行命令就能跑起来的实验。

2. 核心设计思路：为何要模拟“真实订单簿”而非“随机价格”？

市面上很多模拟交易工具，其价格生成机制要么是随机漫步，要么是基于历史数据的简单回放。 polymarket-paper-trader 的设计哲学截然不同： 它追求的是交易执行层面的真实性，而不仅仅是价格序列的真实性 。这背后有一个深刻的洞见：在流动性并非无限的市场（尤其是像Polymarket这样的新兴预测市场）中，你的交易行为本身就会影响成交结果，而不仅仅是你的买卖方向判断对了就能赚钱。

2.1 订单簿驱动的执行引擎

项目的核心是一个 订单簿执行模拟器 。当你下达一个市价单（Market Order）买入“YES”份额时，引擎不会简单地用一个中间价（Mid Price）成交。它会实时拉取Polymarket上该市场“YES”结果的真实卖单（Ask）订单簿。然后，从最优（最低）的卖价开始，逐层“吃掉”订单，直到满足你的购买金额。这个过程完全模拟了真实交易所的撮合逻辑。

举个例子，假设“比特币年底能否突破10万美元”这个市场的“YES”订单簿如下：

  • 卖单1：价格 0.65，数量 200份
  • 卖单2：价格 0.66，数量 150份
  • 卖单3：价格 0.67，数量 300份

如果你下了一个市价单，买入价值100美元的“YES”份额。引擎会先计算：

  1. 以0.65的价格，购买200份，需要 200 * 0.65 = 130 美元。但你的订单只有100美元，所以只能部分成交。实际成交份额为 100 / 0.65 ≈ 153.85 份。第一档订单被部分消耗。
  2. 由于第一档订单的流动性已经满足了你的全部金额，交易就此停止。你的 成交均价是0.65 ，而不是订单簿上显示的0.66或0.67。

这个细节至关重要。如果你的策略是频繁交易，或者单笔金额较大，这种“吃单”行为会导致你的实际成交价总是比你看见的“最佳卖价”更差（对于买单）或更好（对于卖单），这个差值就是 滑点 。项目会精确记录每一笔交易的滑点（以基点bps为单位），这是评估策略交易成本的关键指标。

注意 ：这里模拟的是“市价单”的吃单行为。对于“限价单”，逻辑则相反：你的订单会挂在订单簿的相应价位上，等待市场价格波动来“触发”它。项目完整实现了GTC（一直有效直至取消）和GTD（指定日期前有效）两种限价单状态机。

2.2 精确的费用模型与多结果市场支持

另一个体现真实性的设计是手续费计算。Polymarket的手续费模型不是简单的百分比，而是 bps/10000 × min(price, 1-price) × shares 。 polymarket-paper-trader 严格复现了这个公式。这意味着，在价格接近0.5（最不确定）时，手续费率最高；在价格接近0或1（结果几乎确定）时，手续费率最低。你的策略盈亏计算已经扣除了这部分费用，使得模拟结果更具参考价值。

此外，项目原生支持 多结果市场 。Polymarket上不仅有简单的YES/NO二元市场，还有“哪个候选人会赢得选举？”（A, B, C, D）或“比特币价格落在哪个区间？”这类多选项市场。引擎能够处理这种复杂结构，为策略开发打开了更广阔的空间。

2.3 架构分离：数据、逻辑与接口

从代码架构看，项目清晰地分为了三层：

  1. 数据层 ：基于SQLite，持久化存储账户余额、持仓、订单、交易记录。这种轻量级设计使得多账户管理和本地回测非常高效。
  2. 引擎层 ：核心的交易逻辑、订单簿模拟、风险计算（如检查余额是否充足）都在这里。它向上提供统一的Python API。
  3. 接口层 ：
    • CLI ：为人类用户提供直观的命令行操作。
    • MCP Server ：为AI智能体提供标准化工具调用接口。这是项目作为“AI智能体训练场”的关键，使得Claude、GPT等模型能像调用函数一样直接进行交易操作。

这种分离让策略开发者可以专注于引擎层的调用，而无需关心数据如何存储或命令如何解析。

3. 从零开始：环境搭建与核心操作详解

3.1 安装与初始化

安装过程非常简单，推荐使用 pip ，这是最通用的Python包管理方式。

# 1. 确保你使用的是 Python 3.10 或更高版本
python --version

# 2. 安装 polymarket-paper-trader
pip install polymarket-paper-trader

# 3. 初始化你的第一个模拟交易账户，命名为“my_bot”，并注入10000美元模拟资金
pm-trader --account my_bot init --balance 10000

执行成功后，会在你的用户目录下（或通过 --data-dir 指定的路径）创建一个SQLite数据库文件，所有账户数据都将存储于此。你可以通过环境变量 PM_TRADER_ACCOUNT=my_bot 来避免每次命令都指定 --account 。

实操心得 ：我建议在项目初期就创建多个账户，例如 my_bot_aggressive 和 my_bot_conservative ，用于测试不同风险偏好的策略。账户间完全隔离，方便进行A/B测试。

3.2 探索市场与获取信息

在开始交易前，你需要先熟悉市场。Polymarket上的市场都有唯一的 slug （URL标识符），如 will-bitcoin-hit-100k 。

# 查看当前最活跃（按流动性排序）的市场列表
pm-trader --account my_bot markets list --sort liquidity --limit 10

# 搜索你感兴趣的主题，比如“ethereum”
pm-trader --account my_bot markets search "ethereum"

# 获取某个特定市场的详细信息，包括所有可能的结果、当前价格、交易量等
pm-trader --account my_bot markets get will-bitcoin-hit-100k

# 查看某个市场的实时订单簿，深度为5档
pm-trader --account my_bot book will-bitcoin-hit-100k --depth 5

# 监控一个或多个市场的价格实时变动（每2秒刷新一次）
pm-trader --account my_bot watch will-bitcoin-hit-100k trump-wins-2024

markets get 和 book 命令返回的信息是策略决策的基础。你需要关注 yes_price 、 no_price （两者之和应为1，加上手续费影响）、 liquidity （流动性深度）以及订单簿的价差（Spread）。流动性差的市场滑点会很大，不适合大资金或高频策略。

3.3 执行交易：市价单与限价单

交易命令直观易懂，但背后的执行逻辑需要清楚。

市价单 ：立即以当前市场最优价格成交。

# 买入价值500美元的“YES”份额
pm-trader --account my_bot buy will-bitcoin-hit-100k yes 500
# 卖出50份“YES”份额（注意这里是份额数，不是美元价值）
pm-trader --account my_bot sell will-bitcoin-hit-100k yes 50

市价单可以附加 --type fok （全部成交否则取消）或 --type fak （部分成交剩余取消）指令，这在流动性不足时用于控制风险。

限价单 ：指定一个价格，等待市场达到该价格时成交。

# 在0.60的价格下，限价买入价值200美元的“YES”份额
pm-trader --account my_bot orders place will-bitcoin-hit-100k yes buy 200 0.60

下单后，你可以用 orders list 查看所有待成交的限价单，用 orders cancel <order_id> 取消它。一个重要的后台操作是 orders check ，这个命令会检查当前市场价格是否触发了任何待执行的限价单，在运行自动化策略时需要定期调用。

3.4 管理头寸与评估绩效

交易后，你需要时刻关注账户状态。

# 查看账户总览：现金、持仓市值、总盈亏
pm-trader --account my_bot balance

# 查看详细的持仓列表，包含每个仓位的成本价、市价、浮动盈亏
pm-trader --account my_bot portfolio

# 查看交易历史记录
pm-trader --account my_bot history --limit 20

# 生成全面的绩效统计：胜率、投资回报率、总利润、最大回撤等
pm-trader --account my_bot stats

# 生成一个可分享的绩效卡片（适用于社交媒体）
pm-trader --account my_bot stats --card

stats 命令的输出是评估策略好坏的关键。 投资回报率 和 总利润 固然重要，但 最大回撤 更能反映策略的风险控制能力。一个回撤过大的策略，在实际操作中很可能因为心理压力而被提前终止。

4. 策略开发实战：从示例到自定义

项目自带了三个经典策略示例，它们是极好的学习起点。我们以 mean_reversion （均值回归）策略为例，深入拆解其逻辑。

4.1 剖析均值回归策略

这个策略基于一个假设：价格围绕其“公平价值”（对于二元市场，通常是0.5）波动，当价格偏离过大时，有很高的概率会回归。

# 摘自 examples/mean_reversion.py 的核心逻辑
def run(engine: Engine) -> None:
    markets = engine.api.search_markets("crypto") # 1. 寻找市场
    for market in markets:
        if market.closed: # 跳过已关闭的市场
            continue

        yes_price = market.yes_price
        if yes_price is None:
            continue

        # 2. 计算偏离程度：当前价格低于0.5多少？
        deviation = 0.5 - yes_price
        # 3. 核心信号：如果YES价格低于0.38（即偏离超过0.12），则买入
        if deviation > 0.12:  # 买入信号：价格过低
            # 计算买入金额：这里用了账户现金的5%，是一种仓位管理
            cash = engine.get_balance().cash
            amount = cash * 0.05
            if amount > 10:  # 最小交易单位限制
                engine.buy(market.slug, "yes", amount)
                log.info(f"Bought {amount:.2f} of YES on {market.slug} at {yes_price:.3f}")

        # 4. 止盈逻辑：如果持有该市场的YES仓位，且价格上涨到偏离小于0.02，则卖出
        position = engine.get_position(market.slug, "yes")
        if position and position.shares > 0:
            if deviation < 0.02:  # 价格已回归至0.48以上
                engine.sell(market.slug, "yes", position.shares)
                log.info(f"Sold {position.shares:.2f} YES on {market.slug} at {yes_price:.3f}")

策略逻辑拆解 ：

  1. 选股 ：只关注“crypto”相关的市场，缩小决策范围。
  2. 信号生成 ：使用固定的阈值（0.12）作为触发条件。这是一个非常简单的规则，在实战中可能需要根据市场波动率动态调整。
  3. 仓位管理 ：使用固定比例（5%）下单，这是一种防止单笔亏损过大的风险控制方法。
  4. 退出机制 ：设置了明确的止盈条件（回归至0.48），但没有设置止损。这是一个风险点，如果价格继续下跌（比如市场出现永久性结构变化），策略将承受巨大浮亏。

运行这个策略：

pm-trader --account mean_reversion_bot init --balance 5000
pm-trader --account mean_reversion_bot benchmark run examples.mean_reversion.run

benchmark run 命令会调用策略函数，并模拟一个运行周期（默认会持续运行直到手动停止）。你需要在一个终端长期运行它，或者将其部署为后台服务。

4.2 编写你的第一个自定义策略

假设你想尝试一个“突破”策略：当YES价格从下方突破20日均线时买入，跌破均线时卖出。

# my_breakout_strategy.py
import asyncio
from datetime import datetime, timedelta
from pm_trader.engine import Engine
from pm_trader.data import PriceHistory

class BreakoutStrategy:
    def __init__(self, engine: Engine):
        self.engine = engine
        self.price_history = {} # 缓存市场历史价格

    async def update_history(self, market_slug: str):
        """获取最近20天的价格历史（需要项目支持历史数据查询，此处为示例逻辑）"""
        # 此处为示例，实际可能需要调用 engine.api 的某个历史数据接口
        # 假设我们有一个 get_historical_prices 方法
        end_time = datetime.utcnow()
        start_time = end_time - timedelta(days=30)
        # prices = await self.engine.api.get_historical_prices(market_slug, start_time, end_time)
        # self.price_history[market_slug] = prices
        pass

    def calculate_sma(self, market_slug: str, window: int = 20) -> float:
        """计算简单移动平均线"""
        if market_slug not in self.price_history:
            return None
        prices = self.price_history[market_slug]
        if len(prices) < window:
            return None
        recent_prices = prices[-window:]
        return sum(recent_prices) / window

    async def run(self):
        """主策略循环"""
        while True:
            markets = self.engine.api.search_markets("politics") # 关注政治市场
            for market in markets:
                if market.closed:
                    continue

                await self.update_history(market.slug)
                sma_20 = self.calculate_sma(market.slug, 20)
                current_price = market.yes_price

                if sma_20 is None or current_price is None:
                    continue

                position = self.engine.get_position(market.slug, "yes")
                # 突破买入信号：当前价上穿均线，且未持仓
                if current_price > sma_20 and (position is None or position.shares == 0):
                    cash = self.engine.get_balance().cash
                    amount = cash * 0.1 # 用10%仓位
                    if amount > 10:
                        self.engine.buy(market.slug, "yes", amount)
                        print(f"[BUY] {market.slug} at {current_price:.3f}, SMA20={sma_20:.3f}")
                # 跌破卖出信号：当前价下穿均线，且持有仓位
                elif current_price < sma_20 and position and position.shares > 0:
                    self.engine.sell(market.slug, "yes", position.shares)
                    print(f"[SELL] {market.slug} at {current_price:.3f}, SMA20={sma_20:.3f}")

            # 每隔5分钟检查一次
            await asyncio.sleep(300)

def run(engine: Engine):
    """供 benchmark run 调用的入口函数"""
    strategy = BreakoutStrategy(engine)
    asyncio.run(strategy.run())

编写策略的关键要点 ：

  1. 状态管理 ：你的策略类需要妥善管理每个市场的持仓状态、价格历史等信息，避免重复下单。
  2. 错误处理 ：网络请求、API限流、市场关闭等情况都需要考虑，确保策略能稳定运行。
  3. 循环与休眠 ：策略主循环需要设置合理的休眠间隔，过于频繁的请求可能触发API限制，也浪费资源。
  4. 日志记录 ：清晰的日志对于事后复盘和调试至关重要。

运行你的策略：

pm-trader --account breakout_bot init --balance 10000
pm-trader --account breakout_bot benchmark run my_breakout_strategy.run

4.3 多账户管理与策略对决

polymarket-paper-trader 强大的一个功能是支持多账户并行和策略对决。

# 创建两个不同策略的账户
pm-trader --account strategy_a init --balance 5000
pm-trader --account strategy_b init --balance 5000

# 在后台分别运行两个策略 (使用 & 在Linux/macOS后台运行，Windows可用start)
pm-trader --account strategy_a benchmark run examples.momentum.run &
pm-trader --account strategy_b benchmark run examples.mean_reversion.run &

# 运行一段时间后，比较两个账户的绩效
pm-trader benchmark compare strategy_a strategy_b

# 或者，进行一场“对决”，生成直观的比较卡片
pm-trader pk strategy_a strategy_b

这种A/B测试能力对于量化研究来说是无价的。你可以快速验证一个策略的修改是否带来了正向提升，或者比较两种完全不同交易理念的优劣。

5. 高级集成：通过MCP协议让AI智能体自主交易

对于AI智能体开发者，MCP集成是项目的杀手级功能。它允许像Claude Code这样的AI编程助手直接调用交易工具，实现“自然语言驱动交易”或“自主决策交易”。

5.1 配置MCP服务器

首先，确保你的 polymarket-paper-trader 已安装，并且MCP服务器可执行文件在系统路径中。然后，在你的AI助手配置中（例如Claude Desktop的 claude_desktop_config.json ）添加：

{
  "mcpServers": {
    "polymarket_paper_trader": {
      "command": "pm-trader-mcp",
      "args": ["--account", "claude_agent"]
    }
  }
}

重启你的AI助手后，它就能识别出这26个工具了。

5.2 AI智能体交易场景示例

现在，你可以直接向AI助手发出如下指令：

“帮我搜索所有关于‘美联储加息’的活跃预测市场，按流动性排序，列出前三个。”

AI助手在后台会调用 search_markets 和 list_markets 工具，获取并整理信息返回给你。

更进一步，你可以授权AI进行半自主决策：

“分析当前关于‘特朗普赢得2024大选’的市场数据。如果YES价格低于0.45，且最近24小时交易量超过10万美元，就用我账户里10%的资金买入YES份额。然后告诉我你的操作理由。”

AI助手会依次调用 get_market 、 get_order_book （或许还有历史数据工具）进行分析，如果满足条件，则调用 buy 工具执行交易，最后生成一份报告。

5.3 构建完全自主的AI交易员

通过将MCP工具与AI的规划、推理能力结合，你可以构建一个循环运行的智能体：

  1. 感知 ：定期调用 watch_prices 或 list_markets 监控市场动态。
  2. 分析 ：基于获取的数据，结合内置的金融知识或外部新闻API，判断市场情绪和机会。
  3. 决策 ：根据预设的风险规则（如单笔最大亏损、总仓位限制）或学习到的策略，决定交易动作（买/卖/观望）。
  4. 执行 ：调用 buy , sell , place_limit_order 等工具执行决策。
  5. 复盘 ：调用 portfolio , stats 评估绩效，调用 history 分析交易记录，从中学习并调整策略。

这种模式将 polymarket-paper-trader 从一个单纯的模拟器，升级为了一个 AI智能体的强化学习环境 。智能体可以在这个零风险的环境中，通过海量的模拟交易来学习市场规律和风险管理。

6. 常见问题、故障排查与进阶技巧

在实际使用中，你肯定会遇到各种问题。这里我整理了一些踩过的坑和解决方案。

6.1 安装与运行问题

问题1： pip install 失败，提示依赖冲突或找不到版本。

  • 原因 ：Python包依赖环境混乱。
  • 解决 ：强烈推荐使用 uv 或 poetry 等现代包管理工具创建虚拟环境。 
    # 使用 uv
uv venv .venv
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate  # Windows
uv pip install polymarket-paper-trader

问题2：运行 pm-trader 命令提示“command not found”。

  • 原因 ：Python脚本的安装目录不在系统的PATH环境变量中。
  • 解决 ：
    1. 找到Python的 Scripts 目录（Windows）或 bin 目录（Linux/macOS），例如 C:\Users\YourName\AppData\Local\Programs\Python\Python311\Scripts 或 ~/.local/bin 。
    2. 将该目录添加到系统的PATH环境变量中。
    3. 或者，直接使用 python -m pm_trader.cli 来替代 pm-trader 命令。

6.2 交易与策略执行问题

问题3：下单失败，提示“Insufficient balance”（余额不足）。

  • 原因 ：购买金额超过了账户可用现金。
  • 排查 ：
    1. 使用 pm-trader balance 确认可用现金。
    2. 注意，购买价值$100的份额，实际需要的现金可能略高于$100，因为需要支付手续费。引擎会提前计算并检查。
    3. 检查是否有未成交的限价单冻结了部分资金？限价单在成交前会预冻结相应资金。

问题4：限价单一直没有成交。

  • 原因 ：市场价格从未达到你设定的限价。
  • 排查 ：
    1. 使用 pm-trader orders list 查看所有待成交订单及其限价。
    2. 使用 pm-trader price <slug> 查看当前市场价格。
    3. 使用 pm-trader book <slug> 查看订单簿，你的买单限价是否高于当前最佳卖价（对于买单）？或者卖单限价是否低于当前最佳买价（对于卖单）？如果不是，订单将无法成交。
    4. 重要 ：确保你定期或在策略循环中运行了 pm-trader orders check 命令。这个命令是主动检查并执行符合条件的限价单的触发器。

问题5：策略回测结果与实盘模拟差异巨大。

  • 原因 ：这是最常见也最棘手的问题。
  • 排查清单 ：
    • 滑点 ：回测时是否使用了精确的订单簿模型？如果回测只是用中间价成交，会严重低估交易成本。确保你的回测引擎使用了与 polymarket-paper-trader 相同的订单簿吃单逻辑。
    • 手续费 ：回测是否扣除了正确的手续费？
    • 流动性 ：回测假设的流动性是否与历史实际情况相符？在小流动性市场，大额订单的冲击成本会非常高。
    • 未来函数 ：确保你的策略在回测中没有使用到“未来的数据”。例如，在计算移动平均线时，只能使用当前K线及之前的数据。

6.3 性能与数据管理

问题6：数据库文件越来越大，导致操作变慢。

  • 原因 ：交易历史、订单历史等数据不断累积。
  • 解决 ：
    1. 定期清理旧数据。你可以编写脚本，将 trades 和 orders 表中已结算（resolved）且超过一定时间的记录导出到归档文件后删除。
    2. 使用 pm-trader export trades --format csv 导出历史数据后，使用 pm-trader reset --confirm （谨慎！这会清空所有数据） 重置账户，然后重新初始化。
    3. 对于纯粹的回测需求，考虑每次回测都使用一个全新的、独立的数据库文件（通过 --data-dir 指定）。

问题7：运行自动化策略时，网络不稳定导致API调用失败。

  • 解决 ：在你的策略代码中必须加入 重试机制和异常处理 。 
    import time
from requests.exceptions import RequestException

def safe_api_call(api_func, *args, max_retries=3, **kwargs):
    for i in range(max_retries):
        try:
            return api_func(*args, **kwargs)
        except RequestException as e:
            if i == max_retries - 1:
                raise e
            wait_time = 2 ** i  # 指数退避
            print(f"API调用失败，{wait_time}秒后重试... 错误: {e}")
            time.sleep(wait_time)

6.4 进阶技巧

技巧1：利用 benchmark pk 进行快速策略迭代 不要只满足于运行单个策略。将你的策略核心逻辑封装成一个函数，然后用 benchmark pk 让新旧版本策略使用相同的历史数据或市场环境进行对决，胜者晋级。这是量化开发中高效的进化方法。

技巧2：结合外部数据源 polymarket-paper-trader 提供了市场数据接口，但更复杂的策略可能需要链上数据、社交媒体情绪、新闻事件等。你可以在策略中集成 requests 库调用其他API，构建多因子决策模型。例如，当Twitter上关于某事件的讨论热度飙升时，在相关预测市场提前布局。

技巧3：精细化仓位管理 示例策略中简单的固定比例仓位（如5%）只是开始。更高级的做法包括：

  • 凯利公式 ：根据胜率和赔率动态计算最优仓位。
  • 波动率调整 ：在市场波动大时降低仓位。
  • 投资组合优化 ：在不同相关性的市场间分散投资，降低整体风险。

技巧4：日志与监控 将策略的每次决策、交易执行、账户变动都详细记录到文件或日志服务中。这不仅便于调试，更是事后进行归因分析（Performance Attribution）的宝贵材料。你可以清楚地知道，盈利是来自选市场、择时还是仓位管理。

我个人在长时间使用这个工具进行AI智能体交易策略开发后，最大的体会是： 模拟环境的真实性直接决定了策略迁移到实盘时的生存概率 。 polymarket-paper-trader 在订单簿和费用模型上的较真，强迫我在策略设计阶段就必须考虑流动性、滑点、手续费这些“微观结构”因素，而这些往往是新手策略开发者最容易忽略的“魔鬼细节”。它不仅仅是一个工具，更像是一位严格的教练，提前让你体验真实交易中所有可能遇到的挑战。

# AI智能体 # 量化交易
Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

cover

Agent执行Shell命令：Docker沙箱真的能防住恶意rm -rf吗？

avatar 龙虾开发者社区
cover

Slack 消息通道实战：Socket Mode 穿透内网 vs 公网 Webhook 的 Agent 安全选型

avatar 龙虾开发者社区
cover

OpenClaw 密钥路由实战：多厂商 API 熔断与动态配额管理

avatar 龙虾开发者社区