ruflo-neural-trader 云端回测实战指南用 Managed Agent 云容器跑通 walk-forward、Monte-Carlo 与模型训练【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本文讲解 ruflo 生态中ruflo-neural-trader插件的云端回测方案——通过trader-cloud-backtest技能将计算密集型的重负载任务多年份 walk-forward、大规模 Monte-Carlo 模拟、参数网格扫描、LSTM/Transformer/N-BEATS 模型训练派发到 Anthropic Claude Managed Agent 云容器中执行而不是占用本地开发机。读完本文你将掌握如何按任务规模选择本地回测与云端回测、如何用managed_agent_*工具完成创建容器 → 预检 → 执行 → 拉取产物 → 本地签名入库 → 立即终止的完整闭环、如何遵守 ADR-117 的成本优化规则以及如何用 Ed25519 签名做 paper→live 晋升前的防篡改校验ADR-126 Phase 4 的 fail-closed 门禁。为什么需要云端回测本地与 WASM 沙箱的边界ruflo-neural-trader封装了neural-tradernpm 包Rust/NAPI 引擎提供 walk-forward 回测、Monte-Carlo 模拟、参数扫描、LSTM/Transformer/N-BEATS 训练、regime 检测、风险指标VaR/CVaR、Kelly、熔断器等能力。其中昂贵的任务——多年份 walk-forward 加上数千条 Monte-Carlo 路径、策略网格上的参数扫描、长历史上的 Transformer 训练——是持续数分钟到数小时、CPU 密集、异步执行的。在这套方案落地前参见 ADR-117这类任务只能跑在两个地方各有硬伤运行时问题本地占用开发机、受本机核数限制、40 分钟的扫描任务期间没法合上笔记本WASM 沙箱wasm_agent_*没有 Rust/NAPI 原生构建、不支持数分钟的连续计算、没有真实文件系统存放数据与产物ADR-115 为ruflo-agent插件引入了第三种运行时——Anthropic Claude Managed Agentsmanaged_agent_*MCP 工具一个预装了 pip/npm/apt/cargo/gem/go 包的云容器带网络访问、持久文件系统与托管 agent 循环。这正是 heavy 任务想要的形态。ADR-117 的决策就是把neural-trader的重负载任务通过managed_agent_*工具派发到 Managed Agent 云容器——不新增任何 MCP 工具、不新增依赖纯粹是编排orchestration。何时用云端 vs 何时用本地trader-cloud-backtest技能与本地回测技能trader-backtest的分工由 trader-cloud-backtest/SKILL.md 明确给出任务运行时快速 sanity check单次短回测约 1 分钟本地—— 使用trader-backtest技能多年份walk-forward、大规模Monte-Carlo、参数网格sweep、或模型训练LSTM/Transformer/N-BEATS云端 —— 本文的技能在实际流水线中trading-strategist/backtest-engineer这两个 agent 负责在本地决定运行时快速验证走trader-backtest重负载任务走云端配方。这也是一条原型→生产路径先在本地用trader-backtest迭代策略当值得做严肃的 2 年/1000 路径验证或 Transformer 训练时再派发到云端——同一个插件、同一批 agent只是换了运行时。前置条件需要ANTHROPIC_API_KEY或CLAUDE_API_KEY Managed Agents beta 访问权限。如果managed_agent_*返回 needs ANTHROPIC_API_KEY就降级回本地的trader-backtest技能——这是 ADR-117 明确要求的降级契约也被 smoke.sh 的第 2 步断言检查trader-cloud-backtest技能存在、引用了managed_agent_create、并点名了本地 fallback。七步云端回测流程第 1 步先估算成本不要默认就跑。根据任务规模先打印一个预估成本≈ 容器分钟数 × 费率 tokens——一次长时间的扫描是深思熟虑的选择而不是默认动作。云会话按容器时间 token 计费直到终止所以先估算是成本纪律的第一环ADR-117 §Cost optimization。第 2 步创建或复用容器创建环境时就在容器启动时安装好neural-trader避免 agent 在运行中途重装managed_agent_create({ name: nt-cloud, model: claude-haiku-4-5-20251001, // orchestration only — the compute is the Rust engine, not the LM (ADR-026) system: You operate the neural-trader CLI in this container. Run exactly the commands asked, report the metrics, write requested artifacts, then stop., networking: unrestricted, // or restricted pinned to your data host packages: { npm: [neural-trader] }, // add apt:[build-essential] ONLY if theres no prebuilt NAPI binary for the arch (neural-trader ships prebuilds → usually omit) initScript: npm install -g --ignore-scripts neural-trader /dev/null 21 || npx -y neural-trader --version /dev/null 21 || true }) → { sessionId, agentId, environmentId }几个关键参数的含义与取舍modelagent 循环只做编排——它负责把命令壳出去给 Rust 引擎执行并汇报数字真正的算力在neural-trader里不在 LM 上。因此按 ADR-026 的三层模型路由编排循环路由到 Haiku/Sonnet 即可绝不用 Opus。initScriptnpm install -g --ignore-scripts neural-trader在容器启动时执行一次。--ignore-scripts与仓库整体对neural-trader安装的防御姿势一致参见 README 对 install-hook 历史的说明与audit-neural-trader-safety.mjsCI 守卫。|| npx -y neural-trader --version是兜底验证。packages.apt只有当容器架构没有预编译的 NAPI 二进制时才需要build-essential。neural-trader自带预构建二进制linux-x64-gnu、darwin-arm64、darwin-x64均有原生绑定所以通常省略。networking如果回测数据来自私有行情源凭据应放进环境的 env-var 块用户自己提供绝不硬编码并用restricted网络策略把容器只钉到数据主机缩小泄露半径。做 sweep参数扫描时环境只创建一次所有配置在一次managed_agent_prompt里跑完一个容器而不是开 N 个会话。第 3 步先跑便宜的预检pre-flight在 1000 路径 / 多年份的大跑之前先做一个微小 smoke——1 条 MC 路径、约 3 个月数据——几秒钟内就能暴露错误的策略名或代码managed_agent_prompt({ sessionId, message: Run npx neural-trader --backtest --strategy name --symbol TICKER --period last 3 months --mc-paths 1. Just confirm it ran and report the Sharpe. Then stop., maxWaitMs: 60000 })如果预检失败先修正参数再正式跑失败就managed_agent_terminate。这条规则的意图很直白几秒内失败而不是烧掉 20 个云容器分钟后才发现参数写错。第 4 步跑真正的任务managed_agent_prompt({ sessionId, message: Run npx neural-trader --backtest --strategy name --symbol TICKER --period range --walk-forward --mc-paths N (for training: npx neural-trader --train --model lstm|transformer|nbeats --symbol TICKER --period range; for a sweep: loop the configs and run each). Report: total return, annualized return, Sharpe, Sortino, max drawdown, win rate, profit factor, # trades, 95% CVaR. Write the equity curve to /tmp/equity.csv and the trade log to /tmp/trades.csv. Then stop., maxWaitMs: generous — minutes }) → { finished, status, stopReason, assistantText (the metrics), toolUses }如果finished:false用managed_agent_events({ sessionId })持续跟进直到 idle。云 agent 会流式返回 trace指标落在assistantText里命令执行记录在toolUses中。第 5 步拉取产物如果需要managed_agent_prompt({ sessionId, message: cat /tmp/equity.csv })或者用managed_agent_events读取tool_result。第 6 步本地摄入 Ed25519 校验ADR-126 Phase 4 fail-closed 门禁这是云端回测与本地回测共享的信任边界也是 paper→live 晋升门禁的密码学基础构建SignedBacktestArtifact主体由云端返回的 metrics params 哈希 runs 哈希组成。本地用signBacktestArtifact(body, privateKeyHex)签名实现位于 src/signed-artifact.mjs类型定义与权威 schema 见 src/signed-artifact.ts。密钥解析顺序与trader-backtest一致RUFLO_WITNESS_KEY_PATH环境变量指向的 JSON 文件含{ privateKey: hex }优先其次verification/witness-key.jsonADR-103 默认路径两条路都走不通则进入 degraded-unsigned 模式并发出响亮的警告绝不静默降级。晋升前必须校验在把产物存入存储或晋升为实盘策略之前调用await verifyBacktestArtifact(artifact, trustedPublicKey)其中trustedPublicKey是钉在项目配置中的 Ed25519 公钥——绝不是artifact.witnessPublicKey字段该字段攻击者可控见 CWE-347 / #1922。若校验返回false拒绝晋升输出响亮的错误[ERROR] ruflo-neural-trader: SignedBacktestArtifact signature INVALID against trusted key — refusing to promote to live strategy并提前返回。这就是 ADR-126 要求的 fail-closed 门禁。校验通过后入库memory_store({ key: backtest-strategy-ts, value: JSON.stringify(signedArtifact), namespace: trading-backtests })存储值携带witnessSignaturewitnessPublicKey。Sharpe 1.5 时沉淀成功模式agentdb_pattern-store({ pattern: profitable-strategy-type, data: params results })。记录成本把本次运行的容器时间 token 成本记入cost-tracking命名空间按 ADR-117——云会话计费到终止为止。签名方案的核心细节与 CWE-347 插件注册表模式完全一致signed-artifact.ts中写得很清楚签名的规范化主体 去掉witnessSignature、witnessPublicKey、schema三个字段后的纯JSON.stringify字节无空白、无排序主体形状由签名方构造键序天然确定私钥必须是 32 字节否则signBacktestArtifact直接抛错验签时先剥离两个签名相关字段重建规范化主体公钥剥离ed25519:前缀后必须是 32 字节、签名必须是 64 字节任何异常一律返回false。第 7 步立即终止结果到手即刻销毁managed_agent_terminate({ sessionId, environmentId }) → { sessionDeleted: true, environmentDeleted: true }永远不要留着一个空转的计费容器。ruflo doctor/ GC 检查会兜住孤儿会话#1931。成本规则云会话按容器时间 token 计费ADR-117 把成本优化直接烧进配方里而不是事后补救。完整清单安装一次initScript容器启动即就绪不在运行中途让 agent 重装复用环境——环境只建一次按任务复用一个 session 跑一个 job或一个 session 跑整个 sweep不按回测逐个重新开环境预检用便宜配置——1000 路径 / 多年份之前先跑 1 路径 / 3 个月批量 sweep——参数网格是一次managed_agent_prompt一个容器agent 在容器内循环所有配置而不是 N 个会话及时终止——指标 产物一拉到手就managed_agent_terminate编排用便宜模型——agent 循环只做编排路由到 Haiku/Sonnet绝不 OpusADR-026跑之前先估算——技能在managed_agent_create之前就打印预估成本。一句话概括一个跑了 1 小时的云端回测成本就是 1 小时容器时间 agent 循环的 token。要刻意为之。完整快速示例managed_agent_create { name:nt-cloud, model:claude-haiku-4-5-20251001, packages:{npm:[neural-trader]}, initScript:npm install -g --ignore-scripts neural-trader /dev/null 21 || true } → { sessionId:sesn_…, environmentId:env_… } managed_agent_prompt { sessionId:sesn_…, message:Run npx neural-trader --backtest --strategy multi-indicator --symbol SPY --period 2020-2024 --walk-forward --mc-paths 1000. Report Sharpe/Sortino/max-DD/win-rate/CVaR; write /tmp/equity.csv. Then stop., maxWaitMs:600000 } → { finished:true, status:idle, assistantText:metrics, toolUses:[{bash:npx neural-trader --backtest …}] } # … memory_store the metrics, agentdb_pattern-store if Sharpe1.5, record cost … managed_agent_terminate { sessionId:sesn_…, environmentId:env_… }命令行入口与运行时契约/trader cloud backtest|train|sweep strategy-or-model --symbol TICKER [--period 2020-2024] [--mc-paths 1000]是 commands/trader.md 中定义的薄入口直接指向trader-cloud-backtest技能。插件的验证契约是 smoke.sh预期输出11 passed, 0 failed其中第 2 步专门断言9 个技能全部存在且 frontmatter 合法、trader-cloud-backtest必须引用managed_agent_create、必须提供本地trader-backtest降级引用——这是云端配方存在 可降级的合同。数据落盘五个规范命名空间云端回测的产物最终摄入本地记忆。ruflo-neural-trader拥有五个规范的 AgentDB 命名空间ADR-126 Phase 1 对齐后的 canonical 集合见 README命名空间用途trading-strategies策略定义、参数、regime 条件映射trading-backtests历史回测结果长期保留ADR-126 Phase 4 起全部签名trading-risk风险模型状态、VaR/CVaR 快照、熔断触发trading-analysismarket-analyst 输出——regime 分类、技术指标摘要trading-signals短生命周期信号事件盘中TTL 24h云端回测的结果写入trading-backtests时是SignedBacktestArtifact带witnessSignaturewitnessPublicKey下游消费者包括云端回测自身的晋升门禁在把任何 artifact 晋升为实盘策略之前必须调用verifyBacktestArtifact(artifact, trustedPublicKey)且钉住受信公钥。小结trader-cloud-backtest是 ADR-117 落地的一等公民流程为多年份 walk-forward、大 Monte-Carlo、参数 sweep、模型训练这类 heavy 任务提供了正确的运行时且成本意识内建于配方安装一次、复用环境、预检便宜、批量 sweep、及时终止、便宜模型、先估算安全性由 ADR-115 的容器隔离与 ADR-126 Phase 4 的 Ed25519 签名门禁双重保障。整套方案是纯编排——没有新 MCP 工具、没有新依赖完全复用managed_agent_*工具集并且对不调用云端配方的用户零影响本地trader-backtest仍是默认路径。如果你想在仓库里进一步深入建议按这个顺序阅读trader-cloud-backtest/SKILL.md → trader-backtest/SKILL.md → signed-artifact.ts → ADR-117 → ADR-126。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ruflo-neural-trader 云端回测实战指南：用 Managed Agent 云容器跑通 walk-forward、Monte-Carlo 与模型训练
ruflo-neural-trader 云端回测实战指南用 Managed Agent 云容器跑通 walk-forward、Monte-Carlo 与模型训练【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本文讲解 ruflo 生态中ruflo-neural-trader插件的云端回测方案——通过trader-cloud-backtest技能将计算密集型的重负载任务多年份 walk-forward、大规模 Monte-Carlo 模拟、参数网格扫描、LSTM/Transformer/N-BEATS 模型训练派发到 Anthropic Claude Managed Agent 云容器中执行而不是占用本地开发机。读完本文你将掌握如何按任务规模选择本地回测与云端回测、如何用managed_agent_*工具完成创建容器 → 预检 → 执行 → 拉取产物 → 本地签名入库 → 立即终止的完整闭环、如何遵守 ADR-117 的成本优化规则以及如何用 Ed25519 签名做 paper→live 晋升前的防篡改校验ADR-126 Phase 4 的 fail-closed 门禁。为什么需要云端回测本地与 WASM 沙箱的边界ruflo-neural-trader封装了neural-tradernpm 包Rust/NAPI 引擎提供 walk-forward 回测、Monte-Carlo 模拟、参数扫描、LSTM/Transformer/N-BEATS 训练、regime 检测、风险指标VaR/CVaR、Kelly、熔断器等能力。其中昂贵的任务——多年份 walk-forward 加上数千条 Monte-Carlo 路径、策略网格上的参数扫描、长历史上的 Transformer 训练——是持续数分钟到数小时、CPU 密集、异步执行的。在这套方案落地前参见 ADR-117这类任务只能跑在两个地方各有硬伤运行时问题本地占用开发机、受本机核数限制、40 分钟的扫描任务期间没法合上笔记本WASM 沙箱wasm_agent_*没有 Rust/NAPI 原生构建、不支持数分钟的连续计算、没有真实文件系统存放数据与产物ADR-115 为ruflo-agent插件引入了第三种运行时——Anthropic Claude Managed Agentsmanaged_agent_*MCP 工具一个预装了 pip/npm/apt/cargo/gem/go 包的云容器带网络访问、持久文件系统与托管 agent 循环。这正是 heavy 任务想要的形态。ADR-117 的决策就是把neural-trader的重负载任务通过managed_agent_*工具派发到 Managed Agent 云容器——不新增任何 MCP 工具、不新增依赖纯粹是编排orchestration。何时用云端 vs 何时用本地trader-cloud-backtest技能与本地回测技能trader-backtest的分工由 trader-cloud-backtest/SKILL.md 明确给出任务运行时快速 sanity check单次短回测约 1 分钟本地—— 使用trader-backtest技能多年份walk-forward、大规模Monte-Carlo、参数网格sweep、或模型训练LSTM/Transformer/N-BEATS云端 —— 本文的技能在实际流水线中trading-strategist/backtest-engineer这两个 agent 负责在本地决定运行时快速验证走trader-backtest重负载任务走云端配方。这也是一条原型→生产路径先在本地用trader-backtest迭代策略当值得做严肃的 2 年/1000 路径验证或 Transformer 训练时再派发到云端——同一个插件、同一批 agent只是换了运行时。前置条件需要ANTHROPIC_API_KEY或CLAUDE_API_KEY Managed Agents beta 访问权限。如果managed_agent_*返回 needs ANTHROPIC_API_KEY就降级回本地的trader-backtest技能——这是 ADR-117 明确要求的降级契约也被 smoke.sh 的第 2 步断言检查trader-cloud-backtest技能存在、引用了managed_agent_create、并点名了本地 fallback。七步云端回测流程第 1 步先估算成本不要默认就跑。根据任务规模先打印一个预估成本≈ 容器分钟数 × 费率 tokens——一次长时间的扫描是深思熟虑的选择而不是默认动作。云会话按容器时间 token 计费直到终止所以先估算是成本纪律的第一环ADR-117 §Cost optimization。第 2 步创建或复用容器创建环境时就在容器启动时安装好neural-trader避免 agent 在运行中途重装managed_agent_create({ name: nt-cloud, model: claude-haiku-4-5-20251001, // orchestration only — the compute is the Rust engine, not the LM (ADR-026) system: You operate the neural-trader CLI in this container. Run exactly the commands asked, report the metrics, write requested artifacts, then stop., networking: unrestricted, // or restricted pinned to your data host packages: { npm: [neural-trader] }, // add apt:[build-essential] ONLY if theres no prebuilt NAPI binary for the arch (neural-trader ships prebuilds → usually omit) initScript: npm install -g --ignore-scripts neural-trader /dev/null 21 || npx -y neural-trader --version /dev/null 21 || true }) → { sessionId, agentId, environmentId }几个关键参数的含义与取舍modelagent 循环只做编排——它负责把命令壳出去给 Rust 引擎执行并汇报数字真正的算力在neural-trader里不在 LM 上。因此按 ADR-026 的三层模型路由编排循环路由到 Haiku/Sonnet 即可绝不用 Opus。initScriptnpm install -g --ignore-scripts neural-trader在容器启动时执行一次。--ignore-scripts与仓库整体对neural-trader安装的防御姿势一致参见 README 对 install-hook 历史的说明与audit-neural-trader-safety.mjsCI 守卫。|| npx -y neural-trader --version是兜底验证。packages.apt只有当容器架构没有预编译的 NAPI 二进制时才需要build-essential。neural-trader自带预构建二进制linux-x64-gnu、darwin-arm64、darwin-x64均有原生绑定所以通常省略。networking如果回测数据来自私有行情源凭据应放进环境的 env-var 块用户自己提供绝不硬编码并用restricted网络策略把容器只钉到数据主机缩小泄露半径。做 sweep参数扫描时环境只创建一次所有配置在一次managed_agent_prompt里跑完一个容器而不是开 N 个会话。第 3 步先跑便宜的预检pre-flight在 1000 路径 / 多年份的大跑之前先做一个微小 smoke——1 条 MC 路径、约 3 个月数据——几秒钟内就能暴露错误的策略名或代码managed_agent_prompt({ sessionId, message: Run npx neural-trader --backtest --strategy name --symbol TICKER --period last 3 months --mc-paths 1. Just confirm it ran and report the Sharpe. Then stop., maxWaitMs: 60000 })如果预检失败先修正参数再正式跑失败就managed_agent_terminate。这条规则的意图很直白几秒内失败而不是烧掉 20 个云容器分钟后才发现参数写错。第 4 步跑真正的任务managed_agent_prompt({ sessionId, message: Run npx neural-trader --backtest --strategy name --symbol TICKER --period range --walk-forward --mc-paths N (for training: npx neural-trader --train --model lstm|transformer|nbeats --symbol TICKER --period range; for a sweep: loop the configs and run each). Report: total return, annualized return, Sharpe, Sortino, max drawdown, win rate, profit factor, # trades, 95% CVaR. Write the equity curve to /tmp/equity.csv and the trade log to /tmp/trades.csv. Then stop., maxWaitMs: generous — minutes }) → { finished, status, stopReason, assistantText (the metrics), toolUses }如果finished:false用managed_agent_events({ sessionId })持续跟进直到 idle。云 agent 会流式返回 trace指标落在assistantText里命令执行记录在toolUses中。第 5 步拉取产物如果需要managed_agent_prompt({ sessionId, message: cat /tmp/equity.csv })或者用managed_agent_events读取tool_result。第 6 步本地摄入 Ed25519 校验ADR-126 Phase 4 fail-closed 门禁这是云端回测与本地回测共享的信任边界也是 paper→live 晋升门禁的密码学基础构建SignedBacktestArtifact主体由云端返回的 metrics params 哈希 runs 哈希组成。本地用signBacktestArtifact(body, privateKeyHex)签名实现位于 src/signed-artifact.mjs类型定义与权威 schema 见 src/signed-artifact.ts。密钥解析顺序与trader-backtest一致RUFLO_WITNESS_KEY_PATH环境变量指向的 JSON 文件含{ privateKey: hex }优先其次verification/witness-key.jsonADR-103 默认路径两条路都走不通则进入 degraded-unsigned 模式并发出响亮的警告绝不静默降级。晋升前必须校验在把产物存入存储或晋升为实盘策略之前调用await verifyBacktestArtifact(artifact, trustedPublicKey)其中trustedPublicKey是钉在项目配置中的 Ed25519 公钥——绝不是artifact.witnessPublicKey字段该字段攻击者可控见 CWE-347 / #1922。若校验返回false拒绝晋升输出响亮的错误[ERROR] ruflo-neural-trader: SignedBacktestArtifact signature INVALID against trusted key — refusing to promote to live strategy并提前返回。这就是 ADR-126 要求的 fail-closed 门禁。校验通过后入库memory_store({ key: backtest-strategy-ts, value: JSON.stringify(signedArtifact), namespace: trading-backtests })存储值携带witnessSignaturewitnessPublicKey。Sharpe 1.5 时沉淀成功模式agentdb_pattern-store({ pattern: profitable-strategy-type, data: params results })。记录成本把本次运行的容器时间 token 成本记入cost-tracking命名空间按 ADR-117——云会话计费到终止为止。签名方案的核心细节与 CWE-347 插件注册表模式完全一致signed-artifact.ts中写得很清楚签名的规范化主体 去掉witnessSignature、witnessPublicKey、schema三个字段后的纯JSON.stringify字节无空白、无排序主体形状由签名方构造键序天然确定私钥必须是 32 字节否则signBacktestArtifact直接抛错验签时先剥离两个签名相关字段重建规范化主体公钥剥离ed25519:前缀后必须是 32 字节、签名必须是 64 字节任何异常一律返回false。第 7 步立即终止结果到手即刻销毁managed_agent_terminate({ sessionId, environmentId }) → { sessionDeleted: true, environmentDeleted: true }永远不要留着一个空转的计费容器。ruflo doctor/ GC 检查会兜住孤儿会话#1931。成本规则云会话按容器时间 token 计费ADR-117 把成本优化直接烧进配方里而不是事后补救。完整清单安装一次initScript容器启动即就绪不在运行中途让 agent 重装复用环境——环境只建一次按任务复用一个 session 跑一个 job或一个 session 跑整个 sweep不按回测逐个重新开环境预检用便宜配置——1000 路径 / 多年份之前先跑 1 路径 / 3 个月批量 sweep——参数网格是一次managed_agent_prompt一个容器agent 在容器内循环所有配置而不是 N 个会话及时终止——指标 产物一拉到手就managed_agent_terminate编排用便宜模型——agent 循环只做编排路由到 Haiku/Sonnet绝不 OpusADR-026跑之前先估算——技能在managed_agent_create之前就打印预估成本。一句话概括一个跑了 1 小时的云端回测成本就是 1 小时容器时间 agent 循环的 token。要刻意为之。完整快速示例managed_agent_create { name:nt-cloud, model:claude-haiku-4-5-20251001, packages:{npm:[neural-trader]}, initScript:npm install -g --ignore-scripts neural-trader /dev/null 21 || true } → { sessionId:sesn_…, environmentId:env_… } managed_agent_prompt { sessionId:sesn_…, message:Run npx neural-trader --backtest --strategy multi-indicator --symbol SPY --period 2020-2024 --walk-forward --mc-paths 1000. Report Sharpe/Sortino/max-DD/win-rate/CVaR; write /tmp/equity.csv. Then stop., maxWaitMs:600000 } → { finished:true, status:idle, assistantText:metrics, toolUses:[{bash:npx neural-trader --backtest …}] } # … memory_store the metrics, agentdb_pattern-store if Sharpe1.5, record cost … managed_agent_terminate { sessionId:sesn_…, environmentId:env_… }命令行入口与运行时契约/trader cloud backtest|train|sweep strategy-or-model --symbol TICKER [--period 2020-2024] [--mc-paths 1000]是 commands/trader.md 中定义的薄入口直接指向trader-cloud-backtest技能。插件的验证契约是 smoke.sh预期输出11 passed, 0 failed其中第 2 步专门断言9 个技能全部存在且 frontmatter 合法、trader-cloud-backtest必须引用managed_agent_create、必须提供本地trader-backtest降级引用——这是云端配方存在 可降级的合同。数据落盘五个规范命名空间云端回测的产物最终摄入本地记忆。ruflo-neural-trader拥有五个规范的 AgentDB 命名空间ADR-126 Phase 1 对齐后的 canonical 集合见 README命名空间用途trading-strategies策略定义、参数、regime 条件映射trading-backtests历史回测结果长期保留ADR-126 Phase 4 起全部签名trading-risk风险模型状态、VaR/CVaR 快照、熔断触发trading-analysismarket-analyst 输出——regime 分类、技术指标摘要trading-signals短生命周期信号事件盘中TTL 24h云端回测的结果写入trading-backtests时是SignedBacktestArtifact带witnessSignaturewitnessPublicKey下游消费者包括云端回测自身的晋升门禁在把任何 artifact 晋升为实盘策略之前必须调用verifyBacktestArtifact(artifact, trustedPublicKey)且钉住受信公钥。小结trader-cloud-backtest是 ADR-117 落地的一等公民流程为多年份 walk-forward、大 Monte-Carlo、参数 sweep、模型训练这类 heavy 任务提供了正确的运行时且成本意识内建于配方安装一次、复用环境、预检便宜、批量 sweep、及时终止、便宜模型、先估算安全性由 ADR-115 的容器隔离与 ADR-126 Phase 4 的 Ed25519 签名门禁双重保障。整套方案是纯编排——没有新 MCP 工具、没有新依赖完全复用managed_agent_*工具集并且对不调用云端配方的用户零影响本地trader-backtest仍是默认路径。如果你想在仓库里进一步深入建议按这个顺序阅读trader-cloud-backtest/SKILL.md → trader-backtest/SKILL.md → signed-artifact.ts → ADR-117 → ADR-126。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考