让看不见K线的JEV-latest给视觉模型的交易理由做一次逻辑对账

我给交易Bot配了一个“审计员”，规矩只有一条：它不许看K线图。做AI交易的人大多直接让模型读图报方向，却很少有人回头追问一句：模型写下的那段“买入”或“卖出”的理由，顺着逻辑推，真的能推出它给的那个结论吗？为了回答这个问题，我拿一个纯文本模型去审另一个视觉模型的推理过程，专门抓自相矛盾。

整个Bot的核心是一个叫 gemini_snap_flash 的 Python 脚本，每小时跑一次。每次触发，它把 1 分钟 K 线图连同作为上下文的日线图、周线图，三张图一起发给 Gemini。模型返回一个方向（UP 或 DOWN）外加一行简短理由，脚本随即通过 MT5 在资助账户上下单，标的限定在 EURUSD、GBPUSD、USDJPY 这三个货币对。

风控上我卡得比较死：每个货币对只留一个仓位，止损止盈固定。更关键的是三层硬限制——日亏损封顶 2%，日盈利封顶 0.6%，再加一个外部看门狗，一旦连续亏损 4 次就直接杀掉进程。

少了硬风控，第一个账户直接爆仓

这些限制不是摆设。我的第一个 1 万美金账户在 9 月 9 日就因为触及最大回撤被洗掉了。现在跑的是两个 10 万美金账户，拆成两个独立实例，状态互不干扰。

翻 AI 交易的讨论帖时我注意到，日志这件事几乎没人认真谈。多数 Bot 只记买卖动作，我的 Bot 记两份文件：signal_log.csv 存所有决定（包括被跳过的信号）和模型给出的推理理由；trade_analysis.csv 存每笔平仓后的 MFE/MAE 点数和 R 倍数。

日志再细，也验不了决策本身的质量

账户爆掉之后我逐条回看交易理由，发现一个诡异现象：很多解释根本没法判断这次推理合不合格。模型可能写“趋势向下且有压力位”，结论却是“UP”。这种断层在视觉模型快速输出时很容易被放过，但它恰恰是亏钱的根源。

这正是引入 JEV 的原因。JEV 是 TypeSafe 的 System-One 模型，版本 jev-latest，接口在 api.typesafe.ai/v1/systemone。选它的理由很简单：纯文本，没有视觉能力，不做任何市场预测。它不会被 K 线带偏，也不会去猜涨跌，唯一职责就是当逻辑审查员。

把感知和审计拆成两步

流程上，我把 Gemini 产出的“推理理由”和“最终方向”作为文本发给 JEV，具体是发一个 "state" 字符串加一组预设问题，每个问题都带明确指令和判定标准。JEV 不判断市场往哪走，只回答：这段文字描述的逻辑，能不能自洽地支撑那个结论。Gemini 负责看图给理由，JEV 负责查理由和结论对不对得上。JEV 返回的结构化结论一旦显示矛盾，哪怕 Gemini 觉得机会再好，这笔单在审计层也不合格。

这套“文本提问、按标准判定”的思路，和 GitHub 上 vsekhar/decide 这个仓库做的事是同一类：它把决策做成命令行工具，让脚本和 agent 技能都能以结构化方式发问并拿到判定，而不是把判断糊在一段自由文本里。换句话说，审计这一步完全可以从交易脚本里独立出来，变成一个可复用的判定环节。

把这两层拆开之后，失效点也变得清楚：审计只在 Gemini 肯把真实理由写出来的前提下成立。如果视觉模型给的理由本身就是事后编的、和内部判断脱节，JEV 审的就是一段漂亮但无关的文字，结论再自洽也没用。所以这套架构要运转，前提是 signal_log.csv 里记下的理由确实来自生成方向的那次推理，而不是另起一段解释。在外汇这种高波动市场里，保证每笔交易的逻辑闭环，比盯着胜率要实在得多。