用 JEV-latest 给外汇交易机器人做审计，看看它的推理逻辑是不是在自相矛盾

最近我在尝试一种比较特殊的交易架构：给我的交易 Bot 找一个“审计员”。这个审计员必须满足一个硬性条件——它不能看 K 线图。

很多人在做 AI 交易时，习惯于让模型直接面对图表给出方向，但很少有人去思考：模型给出的那个“买入”或“卖出”的理由，在逻辑上是否真的能推导出这个结论？为了验证这一点，我开始尝试用一个纯文本模型来审计一个视觉模型的推理过程，看看它是不是在自相矛盾。

先聊聊我这套 Bot 的具体实现。我写了一个叫 gemini_snap_flash 的 Python 脚本，它的运行逻辑是每小时触发一次。具体操作是：脚本会将 1 分钟 K 线图，以及作为上下文参考的日线图和周线图，一共三张图像发送给 Gemini。模型在分析完图像后，会返回一个方向（UP 或 DOWN）以及一行简单的逻辑理由。随后，脚本通过 MT5 在资助账户上执行交易，目标货币对是 EURUSD、GBPUSD 或 USDJPY。

为了控制风险，我设定了比较严格的交易规则：每对货币只持有一个仓位，并且设置了固定的止损和止盈。更关键的是，为了防止爆仓，我设置了三层硬性限制：第一，日亏损上限设为 2%；第二，日盈利上限设为 0.6%；第三，我部署了一个外部看门狗程序，一旦监测到连续亏损 4 次，会直接杀掉进程。

这些限制在实际操作中至关重要。事实证明，如果没有这些硬性约束，账户是非常脆弱的。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。目前我运行的是两个 10 万美金的账户，但我将它们分成了两个独立实例运行，确保状态互不干扰。

在研究 AI 交易的过程中，我发现很多讨论帖都避开了最核心的一点，那就是日志记录。很多人的 Bot 只是简单地记录买入卖出，但我的 Bot 记录得非常详细。我维护了两个核心文件：signal_log.csv 记录了所有决定（包括被跳过的信号）以及模型给出的推理理由；trade_analysis.csv 则记录了每笔平仓后的 MFE/MAE 点数和 R 倍数。

然而，即便有了详细的日志，我依然发现自己缺少一个对“决策本身”进行校验的手段。在账户爆掉之后，我翻看每笔交易的理由，发现了一个很诡异的现象：很多解释根本没法告诉我这次推理到底合格不合格。简单来说，模型可能会说“趋势向下且有压力位”，但最后给出的指令却是“UP”。这种逻辑上的断层，在视觉模型快速输出时经常被忽略，但它却是交易失败的根源。

这就是我引入 JEV 的原因。JEV 是 TypeSafe 的 System-One 模型（具体版本是 jev-latest），其接口位于 api.typesafe.ai/v1/systemone。

我选择 JEV 的核心逻辑在于：它是一个纯文本模型，完全没有视觉能力，也不提供任何市场预测。这意味着它不会被 K 线图干扰，也不会尝试去猜价格涨跌，它唯一的任务就是扮演一个“逻辑审查员”。

在我的审计流程中，我将 Gemini 产生的“推理理由”和“最终方向”作为文本发送给 JEV。具体操作是向 JEV 发送一个 "state" 字符串和一组预设的问题。每个问题都包含明确的指令和判定标准。JEV 的工作不是告诉我市场会怎么走，而是告诉我：基于这段文本描述的逻辑，它得出的结论是否在逻辑上自洽。

通过这种方式，我把“视觉感知”和“逻辑审计”分离开来。Gemini 负责看图并给出理由，而 JEV 负责检查这个理由是否支持该结论。如果 JEV 返回的结构化结论显示逻辑自相矛盾，那么即使 Gemini 认为机会很大，这笔交易在审计层面也是不合格的。

这种架构尝试的核心在于，通过一个不具备视觉能力的纯文本模型，去剔除视觉模型在快速推理时产生的“幻觉”或逻辑跳跃。在外汇这种高波动的市场中，确保每一笔交易的逻辑闭环，比单纯追求胜率要重要得多。