概述
Trade Simulator（MiroFish Architecture）是一个面向交易者的多智能体情景分析工具。它被定位为「行为模拟」而非电子表格，建立在 MiroFish 的群体智能架构之上，将原本的社会模拟改造为市场模拟。
用途
该工具用于回答交易者关心的假设性问题，例如：如果 ETF 资金流入飙升 500%，我的 BTC 空头会怎样？如果 BTC 暴涨/暴跌 10-20%？如果资金费率走向极端？如果持仓量翻倍？如果出现黑天鹅事件，我的投资组合如何反应？它通过让多个 LLM 驱动的市场参与者智能体在模拟环境中逐轮互动，帮助用户理解市场结构、级联反应与潜在风险。
主要能力
工具实现了 MiroFish 的五阶段预测流水线，并将原社交环境替换为金融市场环境：
- 图构建：从实时 Coinglass/HL 数据构建市场状态图，替代原版的 Zep 知识图谱。
- 环境设置：生成市场参与者画像（鲸鱼、做市商、散户等），替代原 Twitter/Reddit 智能体画像。
- 模拟：基于轮次的市场互动，每个智能体通过 LLM 推理行动，替代原 OASIS 双平台社交互动。
- 报告生成：使用市场数据工具生成 ReACT 报告，替代原 Zep 工具。
- 深度互动：可访谈任意市场参与者，替代原社交智能体访谈。
所采用的 MiroFish 关键模式包括：LLM 驱动的智能体推理（智能体不使用 if/else 规则，每个智能体有角色提示词，每轮通过 LLM 调用「思考」）；模拟配置自动生成（用自然语言描述情景，LLM 生成智能体名册、参数、事件时间线和活动模式）；ReACT 报告生成（多步推理与工具使用：规划大纲→生成章节→引用证据→综合预测）；模拟后访谈；知识图谱骨干（实体、关系与事实结构化以供智能体检索，使用内存图而非 Zep Cloud）。
明确不使用的部分：OASIS / camel-ai、Zep Cloud（改为本地内存知识图谱）、Flask 前端（输出到智能体对话）、Twitter/Reddit 环境（改为市场环境）。
使用方式
架构上，技能位于 skills/trade-simulator/ 目录，包含 SKILL.md 及 scripts/ 下的 mirofish_engine.py（核心引擎，5 阶段流水线）、market_graph.py（阶段 1：市场状态图构建器）、profile_generator.py（阶段 2：LLM 智能体画像生成）、simulation_runner.py（阶段 3：分轮次市场模拟）、report_agent.py（阶段 4：ReACT 报告生成）、interview.py（阶段 5：模拟后智能体访谈）。
快速情景分析流程：用户可提出如「运行交易模拟：如果 ETF 流入飙升 500%，我的 BTC 空头会怎样？」的问题。引擎将：从实时数据构建市场状态图（持仓量、资金费率、爆仓、鲸鱼持仓）；自动生成 5-8 个按当前条件校准的市场参与者智能体；运行 6 轮模拟，每个智能体进行 LLM 推理；生成包含转折点、级联分析和建议的 ReACT 分析报告；提供与任意模拟智能体的交互式访谈。
工作流：使用相关工具收集实时市场数据；运行命令 python3 skills/trade-simulator/scripts/mirofish_engine.py；以 JSON 传入市场数据、情景和用户持仓；引擎运行全部 5 个 MiroFish 阶段；返回结构化结果（智能体行为、报告、可供访谈的状态）；呈现关键洞察、盈亏影响和风险警告；提供访谈，用户可询问任意智能体。
访谈模式下，模拟结束后可要求「访谈鲸鱼智能体——为什么它在第 4 轮平仓？」或「问做市商关于其流动性决策」。
适用场景
支持的情景类型包括：定向冲击（如 BTC 暴涨/暴跌 10-20%）；催化剂事件（如 ETF 流入飙升、Tether 脱锚）；市场结构变化（如资金费率走向极端、持仓量翻倍）；投资组合压力测试（如黑天鹅事件下的组合反应）。
数据来源
工具接入实时数据，包括：持仓量（cg_open_interest()，用于市场杠杆状态）、资金费率（funding_rate()，用于持仓情绪）、爆仓水平（cg_liquidations()，用于级联触发点）、鲸鱼持仓（cg_hyperliquid_whale_positions()，用于鲸鱼智能体校准）、多空比（long_short_ratio()，用于人群仓位）、订单簿深度（hl_orderbook()，用于做市商智能体校准）、ETF 流向（cg_btc_etf_flows()，用于机构流背景）、价格/OHLC（cg_ohlc_history()，用于价格背景）、社交情绪（lunar_coin()，用于散户智能体行为）。
限制
资料未提供关于收费、价格、平台支持范围、准确率或性能保证的信息。工具输出依赖实时数据源与 LLM 推理，具体模拟结果的实际效果暂未提供。