ruflo 实战指南使用 trader-train 技能训练 LSTM / Transformer / N-BEATS 神经交易模型【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本篇指南围绕 ruflo 生态中ruflo-neural-trader插件的trader-train技能展开完整讲解如何通过npx neural-trader在本地训练 LSTM、Transformer、N-BEATS 三类神经预测模型、生成带置信区间的预测、跨模型对比效果并把训练结果按规范写入 AgentDB 的trading-analysis命名空间最后用 SONA 神经训练闭环沉淀模型经验。读完你将掌握一条从模型训练 → 结果评审 → 预测生成 → 结果入库 → 自学习闭环的完整可执行链路。技能定位一张可被 Agent 直接调用的训练契约trader-train是ruflo-neural-trader插件位于 plugins/ruflo-neural-trader提供的 9 个技能之一其定义文件是 SKILL.md。它本质上是写给 Claude Code 等 Agent 使用的一张操作契约——通过 YAML frontmatter 声明自己的能力边界name:trader-train——技能标识可经/trader-train model --symbol TICKER形式调用description: 训练 LSTM、Transformer、N-BEATS 神经模型并附带置信区间allowed-tools: 仅放行Bash、Read以及ruflo-core插件暴露的memory_store、memory_search、neural_train三个 MCP 工具——最小权限设计技能无法越权调用其他工具argument-hint:lstm|transformer|nbeats --symbol TICKER——明确告知调用方必须提供模型类型与交易标的两个参数。仓库的 smoke.sh第 20–33 步会逐项校验全部 9 个技能的 frontmatter 完整性name:/description:/allowed-tools:三键齐全并断言没有任何技能使用通配符工具授权第 78–83 步trader-train正是这套严格契约的合规成员。前置条件正确安装 neural-trader 运行时技能第 1 步要求先确认neural-trader可用。该技能给出的自愈式安装命令为npm ls neural-trader 2/dev/null || npm install --ignore-scripts neural-trader这里有两个必须注意的细节均可在 plugins/ruflo-neural-trader/README.md 的 Prerequisites 一节找到依据版本锁定插件要求neural-trader^2.8.112026-05-14 发布。2.8.x 之前的版本存在四个叠加缺陷——安装钩子 fork-bomb2.7.2 修复、require缺文件2.7.5 修复、aarch64-apple-darwin编译失败2.7.5 修复、npm 包平台二进制缺失2.7.6 修复——因此推荐显式安装npm install --ignore-scripts neural-trader^2.8.11--ignore-scripts是纵深防御即便 2.7.2 的安装钩子已安全--ignore-scripts仍可防止该包或其传递依赖未来出现安装脚本回归。仓库中的 CI 守护脚本audit-neural-trader-safety.mjs会强制所有文档化调用都带上该参数。此外注意平台兼容性linux-x64-gnu与darwin-arm64/darwin-x64有完整原生绑定而linux-arm64-gnu与win32-x64-msvc上 JS 接口可用但原生调用会在运行时抛错。装好之后可以通过npx neural-trader --version做一次快速冒烟验证。训练三类神经模型命令与参数详解技能第 2 步给出三条训练命令分别对应三类模型架构npx neural-trader --model lstm --symbol TICKER --confidence 0.95 npx neural-trader --model transformer --symbol TICKER --predict npx neural-trader --model nbeats --symbol TICKER --decompose三类模型在 README.md 的 Neural Models 一节有明确定位模型类型适用场景LSTM循环网络Recurrent序列预测、价格走势预测Transformer注意力机制Attention多变量模式识别N-BEATS分解架构Decomposition趋势/季节性分解参数说明--model lstm|transformer|nbeats选择模型架构三者共用同一 CLI 入口--symbol TICKER训练数据标的如TSLA、BTC-USD、SPY若需训练数据来源可结合ruflo-market-data插件的 OHLCV 数据管线README Related Plugins 一节注明其喂给trading-strategies命名空间--confidence 0.95置信区间水平LSTM 训练时使用默认语义为 95% 置信度--predict训练完成后立即在该标的上生成预测Transformer 命令示例即采用此组合--decompose输出 N-BEATS 的趋势/季节性分解结果便于理解时间序列的组成成分。README 中给出了带真实标的的等价示例--symbol TSLA --confidence 0.95、--symbol BTC-USD --predict、--symbol SPY --decompose可直接替换上述命令中的TICKER验证。命令文档 commands/trader.md 的train子命令也印证了这一形态/trader train lstm|transformer|nbeats --symbol TICKER其实现底层就是npx neural-trader --model ... --symbol TICKER --confidence 0.95并要求 Agent 从输出中捕获预测与置信区间。结果评审loss 曲线、验证指标与预测精度技能第 3 步要求 Agent 在训练后审查三类输出信号loss 曲线训练损失曲线——判断模型是否收敛、有无过拟合迹象验证指标validation metrics——评估模型在未见数据上的泛化表现预测精度prediction accuracy——与真实走势对照量化误差。从仓库结构看这一评审环节并非孤立存在ruflo-neural-trader还配套了trader-explain技能基于 ADR-126 Phase 6 的单入口 PageRank 特征归因与trader-backtest技能Rust/NAPI 回测引擎含 walk-forward 验证它们共同构成训练 → 解释 → 验证的完整质量闭环。例如 ADR-126 文档记录了如何用npx neural-trader --predict --signal id --explain --json提取特征贡献分数用注意力权重Transformer、梯度 × 输入LSTM等手段解释预测来源——这可以作为评审阶段预测精度不够时归因到哪些特征的进阶工具。生成带置信区间的预测技能第 4 步给出预测命令模板npx neural-trader --model MODEL --symbol TICKER --predict --horizon 5d--horizon 5d预测时间跨度此处为 5 个交易日与第 2 步的--confidence 0.95结合即可得到未来 5 日走势 95% 置信区间的输出。这是训练完成后最有实战价值的一步将训练好的模型直接用于标的未来走势推演置信区间为决策提供不确定性度量——区间越宽说明模型对该时点越没有把握。命令文档 commands/trader.md 的train子命令也强调捕获预测和置信区间说明这两者必须作为训练输出持久化而非仅打印在终端。跨模型对比让三种架构同台竞技技能第 5 步提供模型横向对比能力npx neural-trader --model-compare --symbol TICKER --models lstm,transformer,nbeats--model-compare进入对比模式--models lstm,transformer,nbeats指定参与对比的模型清单逗号分隔。该命令在同一标的上并行训练/推理三种架构并输出对比结果帮助选择当前数据形态下的最优模型——例如趋势明显的标的中 LSTM 可能占优、多变量交互复杂的场景 Transformer 更稳、强季节性的数据则 N-BEATS 的分解特性更有解释力。这一步产出的对比结论应作为第 6 步入库的核心内容。结果入库trading-analysis 命名空间ADR-126 规范技能第 6 步把训练结果写入 AgentDB 记忆命令如下mcp__plugin_ruflo-core_ruflo__memory_store({ key: model-MODEL-TICKER-DATE, value: TRAINING_RESULTS, namespace: trading-analysis })关键点解析key 规范model-模型-标的-日期例如model-lstm-TSLA-2026-09-09保证同模型同标的按日期可追溯value训练结果全文loss 曲线摘要、验证指标、预测精度、置信区间等namespace必须为trading-analysis——这是 ADR-126 Phase 1 修复的规范结果。该命名空间的用途在 ADR-126 中定义为market-analyst 输出市场制度分类、技术指标摘要、模型训练结果。为什么必须是 trading-analysis 而不是 trading-models这是一个有明确历史教训的规范点。ADR-126 的调研第 20 行记录了一个真实存在过的三向命名空间不匹配 bugREADME 声称trading-{strategies,backtests,risk,analysis}四个命名空间ADR-0001 却声明了trading-signals和trading-models而trader-signal技能实际写入trading-signals——结果 smoke 测试通过但下游按文档命名空间搜索时静默丢失所有信号数据。ADR-126 Phase 1 的修复就是把这套对齐到唯一的五命名空间规范集命名空间用途trading-strategies策略定义、参数、市场制度条件映射trading-backtests历史回测结果长生命周期Phase 4 起 Ed25519 签名trading-risk风险模型状态、VaR/CVaR 快照、熔断触发记录trading-analysismarket-analyst 输出——市场制度分类、技术指标摘要、模型训练结果trading-signals短期信号事件日内Phase 2 起应用 24h TTLtrader-train技能内注明此前曾写入未声明的trading-models正是对这一修复历史的显式遵循。插件 README 的 Namespace coordination 一节还补充了两条原则前缀统一用trading-而非插件名neural-trader-且严禁遮蔽保留命名空间pattern、claude-memories、default。所有访问都必须走memory_*路由。记忆生命周期的配套保障训练结果一旦入库还受益于 ADR-125 记忆整合层插件 README Memory lifecycle 一节claude-flow/memory3.0.0-alpha.18提供 HNSW 索引侧车文件持久化进程重启无需重建索引、混合检索稠密 ANN 稀疏 FTS5RRF 融合 MMR 去重嵌入模型不可用时优雅降级为纯关键词、以及每 6 小时自动执行的MemoryConsolidator清理过期项、去重、压缩 HNSW。这意味着trading-analysis中的训练结果可以被market-analyst等下游以语义相似度方式检索复用。自学习闭环让 SONA 从模型结果中持续进化技能第 7 步是整套链路收尾的关键mcp__plugin_ruflo-core_ruflo__neural_train({ patternType: trading-model, epochs: 10 })这步调用的是ruflo-core插件暴露的neural_trainMCP 工具把本次训练的经验模式喂给 SONA自我学习智能层patternType: trading-model——模式类型标记用于把哪些模型在哪些标的上表现如何沉淀为可检索的嵌入模式epochs: 10——训练轮数控制本次模式学习的迭代深度。从实现层面看该工具对应的底层实现是 v3/claude-flow/cli/src/mcp-tools/neural-tools.ts其设计是混合式优先使用claude-flow/embeddings产生真实 ML 嵌入模型未安装时回退到基于哈希的确定性嵌入训练的本质是把模式存为可搜索的嵌入向量并支持余弦相似度检索。这解释了为什么第 7 步与第 6 步必须成对出现——先入库trading-analysis保证结果可审计再neural_train让 SONA 跨训练批次积累什么模型组合更有效的元知识。同样的模式在trader-backtest技能中以patternType: trading-strategy出现Sharpe 1.5 时触发在 commands/trader.md 的 backtest 子命令中也有对应——说明 SONA 学习是交易管线中各环节共用的闭环机制。从训练到生产与回测、风控管线的衔接trader-train只是ruflo-neural-trader插件九技能矩阵中的一环。训练产出的模型若要走向真实交易需沿插件设计好的管线继续推进可参考 pipeline-messages.ts 中定义的RegimeVerdict → SignalProposal → RiskDecision类型化消息以及 ADR-126 Phase 5 的 SendMessage 风险闸门设计——trading-strategist未经risk-analyst批准不得调用券商下单用trader-backtest或重任务走trader-cloud-backtest云端托管对训练后的策略做 walk-forward 回测与蒙特卡洛模拟用trader-signal扫描异常信号trader-regime判定当前市场制度用trader-risk做 VaR/CVaR 评估与仓位管理trader-portfolio-cg用共轭梯度做组合优化用trader-explain为 LSTM/Transformer 信号生成监管级特征归因报告PageRank 排序 Ed25519 签名落库。整套验证入口是插件根目录的 scripts/smoke.sh运行bash plugins/ruflo-neural-trader/scripts/smoke.sh即可看到 11 项契约检查技能完整性、命名空间声明、无通配符授权等的结果。本文覆盖的训练链路——安装 → 训练 → 评审 → 预测 → 对比 → 入库 → SONA 学习——与这些环节共同构成 ruflo 中可审计、可解释、可自学习的神经交易工作流。快速参考trader-train 完整命令清单目的命令安装/确认运行时npm ls neural-trader 2/dev/null \|\| npm install --ignore-scripts neural-trader训练 LSTM含置信区间npx neural-trader --model lstm --symbol TICKER --confidence 0.95训练 Transformer 并预测npx neural-trader --model transformer --symbol TICKER --predict训练 N-BEATS 并分解npx neural-trader --model nbeats --symbol TICKER --decompose生成区间预测npx neural-trader --model MODEL --symbol TICKER --predict --horizon 5d跨模型对比npx neural-trader --model-compare --symbol TICKER --models lstm,transformer,nbeats结果入库memory_store({ key: model-MODEL-TICKER-DATE, value: ..., namespace: trading-analysis })SONA 自学习neural_train({ patternType: trading-model, epochs: 10 })上述命令均以当前仓库插件所依赖的neural-trader^2.8.11CLI 形态为准不同版本的参数细节以对应版本文档为准。【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 实战指南：使用 trader-train 技能训练 LSTM / Transformer / N-BEATS 神经交易模型
ruflo 实战指南使用 trader-train 技能训练 LSTM / Transformer / N-BEATS 神经交易模型【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本篇指南围绕 ruflo 生态中ruflo-neural-trader插件的trader-train技能展开完整讲解如何通过npx neural-trader在本地训练 LSTM、Transformer、N-BEATS 三类神经预测模型、生成带置信区间的预测、跨模型对比效果并把训练结果按规范写入 AgentDB 的trading-analysis命名空间最后用 SONA 神经训练闭环沉淀模型经验。读完你将掌握一条从模型训练 → 结果评审 → 预测生成 → 结果入库 → 自学习闭环的完整可执行链路。技能定位一张可被 Agent 直接调用的训练契约trader-train是ruflo-neural-trader插件位于 plugins/ruflo-neural-trader提供的 9 个技能之一其定义文件是 SKILL.md。它本质上是写给 Claude Code 等 Agent 使用的一张操作契约——通过 YAML frontmatter 声明自己的能力边界name:trader-train——技能标识可经/trader-train model --symbol TICKER形式调用description: 训练 LSTM、Transformer、N-BEATS 神经模型并附带置信区间allowed-tools: 仅放行Bash、Read以及ruflo-core插件暴露的memory_store、memory_search、neural_train三个 MCP 工具——最小权限设计技能无法越权调用其他工具argument-hint:lstm|transformer|nbeats --symbol TICKER——明确告知调用方必须提供模型类型与交易标的两个参数。仓库的 smoke.sh第 20–33 步会逐项校验全部 9 个技能的 frontmatter 完整性name:/description:/allowed-tools:三键齐全并断言没有任何技能使用通配符工具授权第 78–83 步trader-train正是这套严格契约的合规成员。前置条件正确安装 neural-trader 运行时技能第 1 步要求先确认neural-trader可用。该技能给出的自愈式安装命令为npm ls neural-trader 2/dev/null || npm install --ignore-scripts neural-trader这里有两个必须注意的细节均可在 plugins/ruflo-neural-trader/README.md 的 Prerequisites 一节找到依据版本锁定插件要求neural-trader^2.8.112026-05-14 发布。2.8.x 之前的版本存在四个叠加缺陷——安装钩子 fork-bomb2.7.2 修复、require缺文件2.7.5 修复、aarch64-apple-darwin编译失败2.7.5 修复、npm 包平台二进制缺失2.7.6 修复——因此推荐显式安装npm install --ignore-scripts neural-trader^2.8.11--ignore-scripts是纵深防御即便 2.7.2 的安装钩子已安全--ignore-scripts仍可防止该包或其传递依赖未来出现安装脚本回归。仓库中的 CI 守护脚本audit-neural-trader-safety.mjs会强制所有文档化调用都带上该参数。此外注意平台兼容性linux-x64-gnu与darwin-arm64/darwin-x64有完整原生绑定而linux-arm64-gnu与win32-x64-msvc上 JS 接口可用但原生调用会在运行时抛错。装好之后可以通过npx neural-trader --version做一次快速冒烟验证。训练三类神经模型命令与参数详解技能第 2 步给出三条训练命令分别对应三类模型架构npx neural-trader --model lstm --symbol TICKER --confidence 0.95 npx neural-trader --model transformer --symbol TICKER --predict npx neural-trader --model nbeats --symbol TICKER --decompose三类模型在 README.md 的 Neural Models 一节有明确定位模型类型适用场景LSTM循环网络Recurrent序列预测、价格走势预测Transformer注意力机制Attention多变量模式识别N-BEATS分解架构Decomposition趋势/季节性分解参数说明--model lstm|transformer|nbeats选择模型架构三者共用同一 CLI 入口--symbol TICKER训练数据标的如TSLA、BTC-USD、SPY若需训练数据来源可结合ruflo-market-data插件的 OHLCV 数据管线README Related Plugins 一节注明其喂给trading-strategies命名空间--confidence 0.95置信区间水平LSTM 训练时使用默认语义为 95% 置信度--predict训练完成后立即在该标的上生成预测Transformer 命令示例即采用此组合--decompose输出 N-BEATS 的趋势/季节性分解结果便于理解时间序列的组成成分。README 中给出了带真实标的的等价示例--symbol TSLA --confidence 0.95、--symbol BTC-USD --predict、--symbol SPY --decompose可直接替换上述命令中的TICKER验证。命令文档 commands/trader.md 的train子命令也印证了这一形态/trader train lstm|transformer|nbeats --symbol TICKER其实现底层就是npx neural-trader --model ... --symbol TICKER --confidence 0.95并要求 Agent 从输出中捕获预测与置信区间。结果评审loss 曲线、验证指标与预测精度技能第 3 步要求 Agent 在训练后审查三类输出信号loss 曲线训练损失曲线——判断模型是否收敛、有无过拟合迹象验证指标validation metrics——评估模型在未见数据上的泛化表现预测精度prediction accuracy——与真实走势对照量化误差。从仓库结构看这一评审环节并非孤立存在ruflo-neural-trader还配套了trader-explain技能基于 ADR-126 Phase 6 的单入口 PageRank 特征归因与trader-backtest技能Rust/NAPI 回测引擎含 walk-forward 验证它们共同构成训练 → 解释 → 验证的完整质量闭环。例如 ADR-126 文档记录了如何用npx neural-trader --predict --signal id --explain --json提取特征贡献分数用注意力权重Transformer、梯度 × 输入LSTM等手段解释预测来源——这可以作为评审阶段预测精度不够时归因到哪些特征的进阶工具。生成带置信区间的预测技能第 4 步给出预测命令模板npx neural-trader --model MODEL --symbol TICKER --predict --horizon 5d--horizon 5d预测时间跨度此处为 5 个交易日与第 2 步的--confidence 0.95结合即可得到未来 5 日走势 95% 置信区间的输出。这是训练完成后最有实战价值的一步将训练好的模型直接用于标的未来走势推演置信区间为决策提供不确定性度量——区间越宽说明模型对该时点越没有把握。命令文档 commands/trader.md 的train子命令也强调捕获预测和置信区间说明这两者必须作为训练输出持久化而非仅打印在终端。跨模型对比让三种架构同台竞技技能第 5 步提供模型横向对比能力npx neural-trader --model-compare --symbol TICKER --models lstm,transformer,nbeats--model-compare进入对比模式--models lstm,transformer,nbeats指定参与对比的模型清单逗号分隔。该命令在同一标的上并行训练/推理三种架构并输出对比结果帮助选择当前数据形态下的最优模型——例如趋势明显的标的中 LSTM 可能占优、多变量交互复杂的场景 Transformer 更稳、强季节性的数据则 N-BEATS 的分解特性更有解释力。这一步产出的对比结论应作为第 6 步入库的核心内容。结果入库trading-analysis 命名空间ADR-126 规范技能第 6 步把训练结果写入 AgentDB 记忆命令如下mcp__plugin_ruflo-core_ruflo__memory_store({ key: model-MODEL-TICKER-DATE, value: TRAINING_RESULTS, namespace: trading-analysis })关键点解析key 规范model-模型-标的-日期例如model-lstm-TSLA-2026-09-09保证同模型同标的按日期可追溯value训练结果全文loss 曲线摘要、验证指标、预测精度、置信区间等namespace必须为trading-analysis——这是 ADR-126 Phase 1 修复的规范结果。该命名空间的用途在 ADR-126 中定义为market-analyst 输出市场制度分类、技术指标摘要、模型训练结果。为什么必须是 trading-analysis 而不是 trading-models这是一个有明确历史教训的规范点。ADR-126 的调研第 20 行记录了一个真实存在过的三向命名空间不匹配 bugREADME 声称trading-{strategies,backtests,risk,analysis}四个命名空间ADR-0001 却声明了trading-signals和trading-models而trader-signal技能实际写入trading-signals——结果 smoke 测试通过但下游按文档命名空间搜索时静默丢失所有信号数据。ADR-126 Phase 1 的修复就是把这套对齐到唯一的五命名空间规范集命名空间用途trading-strategies策略定义、参数、市场制度条件映射trading-backtests历史回测结果长生命周期Phase 4 起 Ed25519 签名trading-risk风险模型状态、VaR/CVaR 快照、熔断触发记录trading-analysismarket-analyst 输出——市场制度分类、技术指标摘要、模型训练结果trading-signals短期信号事件日内Phase 2 起应用 24h TTLtrader-train技能内注明此前曾写入未声明的trading-models正是对这一修复历史的显式遵循。插件 README 的 Namespace coordination 一节还补充了两条原则前缀统一用trading-而非插件名neural-trader-且严禁遮蔽保留命名空间pattern、claude-memories、default。所有访问都必须走memory_*路由。记忆生命周期的配套保障训练结果一旦入库还受益于 ADR-125 记忆整合层插件 README Memory lifecycle 一节claude-flow/memory3.0.0-alpha.18提供 HNSW 索引侧车文件持久化进程重启无需重建索引、混合检索稠密 ANN 稀疏 FTS5RRF 融合 MMR 去重嵌入模型不可用时优雅降级为纯关键词、以及每 6 小时自动执行的MemoryConsolidator清理过期项、去重、压缩 HNSW。这意味着trading-analysis中的训练结果可以被market-analyst等下游以语义相似度方式检索复用。自学习闭环让 SONA 从模型结果中持续进化技能第 7 步是整套链路收尾的关键mcp__plugin_ruflo-core_ruflo__neural_train({ patternType: trading-model, epochs: 10 })这步调用的是ruflo-core插件暴露的neural_trainMCP 工具把本次训练的经验模式喂给 SONA自我学习智能层patternType: trading-model——模式类型标记用于把哪些模型在哪些标的上表现如何沉淀为可检索的嵌入模式epochs: 10——训练轮数控制本次模式学习的迭代深度。从实现层面看该工具对应的底层实现是 v3/claude-flow/cli/src/mcp-tools/neural-tools.ts其设计是混合式优先使用claude-flow/embeddings产生真实 ML 嵌入模型未安装时回退到基于哈希的确定性嵌入训练的本质是把模式存为可搜索的嵌入向量并支持余弦相似度检索。这解释了为什么第 7 步与第 6 步必须成对出现——先入库trading-analysis保证结果可审计再neural_train让 SONA 跨训练批次积累什么模型组合更有效的元知识。同样的模式在trader-backtest技能中以patternType: trading-strategy出现Sharpe 1.5 时触发在 commands/trader.md 的 backtest 子命令中也有对应——说明 SONA 学习是交易管线中各环节共用的闭环机制。从训练到生产与回测、风控管线的衔接trader-train只是ruflo-neural-trader插件九技能矩阵中的一环。训练产出的模型若要走向真实交易需沿插件设计好的管线继续推进可参考 pipeline-messages.ts 中定义的RegimeVerdict → SignalProposal → RiskDecision类型化消息以及 ADR-126 Phase 5 的 SendMessage 风险闸门设计——trading-strategist未经risk-analyst批准不得调用券商下单用trader-backtest或重任务走trader-cloud-backtest云端托管对训练后的策略做 walk-forward 回测与蒙特卡洛模拟用trader-signal扫描异常信号trader-regime判定当前市场制度用trader-risk做 VaR/CVaR 评估与仓位管理trader-portfolio-cg用共轭梯度做组合优化用trader-explain为 LSTM/Transformer 信号生成监管级特征归因报告PageRank 排序 Ed25519 签名落库。整套验证入口是插件根目录的 scripts/smoke.sh运行bash plugins/ruflo-neural-trader/scripts/smoke.sh即可看到 11 项契约检查技能完整性、命名空间声明、无通配符授权等的结果。本文覆盖的训练链路——安装 → 训练 → 评审 → 预测 → 对比 → 入库 → SONA 学习——与这些环节共同构成 ruflo 中可审计、可解释、可自学习的神经交易工作流。快速参考trader-train 完整命令清单目的命令安装/确认运行时npm ls neural-trader 2/dev/null \|\| npm install --ignore-scripts neural-trader训练 LSTM含置信区间npx neural-trader --model lstm --symbol TICKER --confidence 0.95训练 Transformer 并预测npx neural-trader --model transformer --symbol TICKER --predict训练 N-BEATS 并分解npx neural-trader --model nbeats --symbol TICKER --decompose生成区间预测npx neural-trader --model MODEL --symbol TICKER --predict --horizon 5d跨模型对比npx neural-trader --model-compare --symbol TICKER --models lstm,transformer,nbeats结果入库memory_store({ key: model-MODEL-TICKER-DATE, value: ..., namespace: trading-analysis })SONA 自学习neural_train({ patternType: trading-model, epochs: 10 })上述命令均以当前仓库插件所依赖的neural-trader^2.8.11CLI 形态为准不同版本的参数细节以对应版本文档为准。【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