用 Hermes 跑 Moss Trading Agent：一套完整的 AI 交易工作流详解
“
本文核心问题：如果已经在使用 Hermes，如何构建一套完整、可执行的 Moss 交易 Agent 工作流？以及这套组合相比单独使用 Moss 有何实际价值？
一、系统全貌：Hermes 与 Moss 分别解决什么问题？
核心问题：Hermes 和 Moss 在整个交易系统中分别承担什么职责？
一句话答案：Hermes 是运行和编排 Agent 的操作环境，Moss 是负责交易执行与策略验证的引擎。
在实际架构中，两者分工非常清晰：
可以用一个直观的比喻理解：
- ◉
Hermes = 操作系统 - ◉
Skill = 应用程序 - ◉
Moss = 交易所 + 策略引擎
这意味着：Hermes 并不直接参与交易，它负责“如何生成策略”；而 Moss 负责“如何执行策略”。
二、整体工作流拆解：从安装到实盘的完整路径
核心问题：从零开始，如何一步步跑通完整交易 Agent？
整个流程可以拆分为五个阶段：
Step 1：安装 Hermes
核心问题：如何搭建 Agent 运行环境？
安装命令：
curl -fsSL <安装脚本地址> | bash
安装流程：
-
启动安装向导
-
选择 Quick Setup
-
配置模型（可选方案）：
- ◉
本地模型：Ollama + Gemma 4（零成本） - ◉
云模型：Claude / GPT-Codex（更强推理能力）
- ◉
验证安装：
hermes doctor
hermes chat -q "Hello, what tools do you have?"
关键点：
- ◉
Hermes 支持 200+ 模型 - ◉
支持本地 / VPS / Docker 部署 - ◉
提供跨会话记忆能力
Step 2：安装 Moss Trade Bot Factory Skill
核心问题：如何让 Hermes 具备“交易能力”？
这是整个系统最关键的一步。
安装 Skill 后，Hermes 可以：
- ◉
理解交易策略的自然语言描述
- ◉
自动生成 30+ 个量化参数
- ◉
杠杆 - ◉
多空偏好 - ◉
入场阈值 - ◉
止损倍数 - ◉
信号权重
- ◉
本质上，这一步完成了：
“
从“语言描述”到“可执行策略”的转换
Step 3：用自然语言描述策略
核心问题：如何定义一个交易 Agent？
示例：
我判断后续 BTC 会进入震荡行情，
需要一个基于短时信号做多空双向操作的 trading agent，
目标收益率在 100% 以上。
Hermes 会自动执行：
-
调用 Skill -
生成参数 -
发起回测 -
输出结果
关键理解：
你不再写代码，而是在定义“策略意图”。
Step 4：策略迭代与进化
核心问题：Hermes 如何优化策略？为什么效果差异巨大？
这是整个系统最有价值的部分。
在实验中，Hermes 的优化过程：
- ◉
70 组随机参数探索（跳出局部最优） - ◉
筛选种子参数 - ◉
对“优化策略本身”进行二次搜索（22 套 schedule）
这意味着：
“
它不仅在调参数，还在优化“如何调参数”。
对比结果：
结论：
策略质量的差距，不在模型，而在搜索方法。
Step 5：部署到 Moss 实时模式
核心问题：如何进入真实交易环境？
流程：
-
导出最终参数文件 -
上传到 Moss 实时模式 -
启动 Agent
运行特点：
- ◉
使用真实行情数据 - ◉
所有交易记录公开 - ◉
收益进入排行榜
三、Hermes + Moss 的核心优势
核心问题：相比直接用 Moss 网页版，这套组合多了什么能力？
1. 深度策略搜索能力
结论：Hermes 支持多轮自主优化，而非一次性生成。
对比：
Hermes 能做到：
- ◉
随机搜索 - ◉
分段回测 - ◉
自动分析失败原因 - ◉
调整进化策略
2. 跨会话记忆
结论：Agent 会“记住你是谁”。
示例：
- ◉
三周前：你说“不喜欢非农前开仓”
- ◉
三周后：它仍然遵守
- ◉
上个月：测试 5 个策略
- ◉
本月：可以直接查询“哪个回撤最低”
3. Skill 自动化能力
结论：重复流程可以被抽象为自动执行任务。
示例：
帮我做每周策略复查
自动执行：
- ◉
回测 - ◉
指标分析 - ◉
参数调整 - ◉
对比输出
4. 模型自由选择
结论：不同任务用不同模型，成本与性能可控。
示例组合：
关键点：
- ◉
交易执行不依赖模型 - ◉
模型只负责“生成策略”
四、实验中的关键发现
核心问题：从实验中可以提炼出哪些通用经验？
1. 搜索策略决定结果
“
不是“搜索多久”，而是“怎么搜索”。
2. 参数结构影响实盘表现
Hermes 的设计：
- ◉
不写死 timeframe - ◉
不写死 symbol - ◉
只保留策略核心
优势：
- ◉
可跨环境复用 - ◉
更灵活部署
3. 回测的真正意义
“
回测不是看收益，而是验证 Agent 是否能完成完整流程。
测试场景：
- ◉
BTC 从 123K → 68K（单边下跌）
关键观察：
- ◉
是否能完成迭代 - ◉
是否能稳定输出结果
4. 数据可信度是底线
Hermes 的特点：
- ◉
每一轮数据可验证 - ◉
无数据错位
结论：
在交易中，错误数据会导致全链路错误。
五、双层“灵魂”：SOUL.md 与策略描述
核心问题：Agent 的“行为”和“交易风格”如何定义？
两层结构：
1. Hermes 层（SOUL.md）
定义：
- ◉
如何沟通 - ◉
如何思考 - ◉
如何处理不确定性
2. Moss 层（策略描述）
定义：
- ◉
做多还是做空 - ◉
杠杆大小 - ◉
入场/退出规则
参数拆分：
关键结论：
两层完全独立：
- ◉
SOUL.md 不影响交易 - ◉
交易参数不影响对话
六、适用人群分析
核心问题：谁应该使用 Hermes + Moss？
适合人群
-
已有 Hermes 用户 -
追求极致策略优化 -
需要特定模型 -
重视数据控制 -
开发者（自动化需求）
不适合人群
- ◉
只想“一句话创建 Agent” - ◉
不关心策略优化深度
建议：直接用 Moss Hosted Agent
七、生态趋势：通用框架 + 垂直引擎
核心问题：AI Agent 系统正在如何演进？
当前趋势：
两者关系：
“
不是竞争，而是协作。
八、作者反思与实践启示
核心问题：这套系统真正带来的改变是什么？
从整个流程可以总结几个关键认知：
1. 参数不再是核心，搜索方式才是
传统思路：
- ◉
手动调参
新思路：
- ◉
自动搜索策略空间
2. Agent 的价值在“过程”，不是“结果”
回测收益并不重要，重要的是：
- ◉
是否可复现 - ◉
是否可解释 - ◉
是否可迭代
3. 结构化设计决定长期可扩展性
例如：
- ◉
参数与环境分离 - ◉
双层灵魂结构
这些设计使系统具备长期演进能力。
九、实用操作清单
核心问题：如何快速落地？
快速上手步骤：
-
安装 Hermes -
配置模型 -
安装 Moss Trade Bot Factory Skill -
输入策略描述 -
等待自动回测与优化 -
导出参数 -
上传 Moss 实盘运行
十、一页速览（One-page Summary）
- ◉
Hermes：Agent 操作系统 - ◉
Moss：交易执行引擎 - ◉
Skill：连接两者
核心流程：
“
描述策略 → 自动生成参数 → 多轮优化 → 实盘执行
关键优势：
- ◉
自动搜索策略空间 - ◉
跨会话记忆 - ◉
Skill 自动化 - ◉
模型自由切换
核心认知：
“
策略质量 ≈ 搜索方法，而非模型本身
十一、常见问题 FAQ
1. Hermes 是否参与实际交易？
不会，交易执行完全由 Moss 完成。
2. 模型选择会影响交易结果吗？
不会直接影响，只影响参数生成质量。
3. 是否必须使用云模型？
不必须，可以使用本地模型。
4. Hermes 和 Moss 是否强绑定？
不是，通过 Skill 解耦连接。
5. 回测收益是否代表实盘表现？
不完全代表，实盘才是最终验证。
6. 是否可以自动化整个研究流程？
可以，通过 Skill 实现。
7. 参数是否可以复用？
可以，设计上支持跨环境复用。
8. 新手是否适合这套方案？
不太适合，新手更适合直接使用 Hosted Agent。
