如何打造世界盃交易 Agent（實戰技術堆疊，拒絕行銷炒作）

2026 年世界盃是預測市場有史以來最大的單一賽事。48 支球隊、104 場比賽、超過一個月不間斷的賽程，以及一波從未進行過任何交易的普通用戶將大量資金投入 Polymarket 和 Kalshi。巨大的交易量加上不成熟的資金流動，正是排行榜上最敏銳的錢包長期等待的絕佳機會。

這裡有一個殘酷的事實：只靠用手機刷新賠率並憑直覺下注是無法取勝的。那些在這場賽事中從散戶手中賺走錢的人並不比你聰明。他們在運行 Agent，而你卻在看比賽。因此，本文將完整示範一個普通交易者如何使用 OpenClaw 這樣的工具來構建 Agent，深入探討控制循環、倉位計算以及動用任何真實資金前必須進行的驗證。

這是一份建構指南，而非快速致富的承諾。本文刻意不包含任何利潤截圖，因為任何向你展示保證世界盃機器人回報的人，其實都是在向你推銷東西。真實的版本反而更有用。

如果你覺得這篇文章有幫助，請追蹤 @MossAI_Official 以獲取更多關於 AI、交易和預測市場的內容。

為什麼世界盃是使用 Agent 的最佳時機

大型賽事期間，三股力量會同時作用，而且這三股力量都對自動化有利。

大量資金和不成熟流動。普通球迷會憑感覺下注。他們會為熱門球隊支付過高的價格，為自己的國家隊支付過高的價格，並在開球前蜂擁而入。這種可預測、情緒化的資金流動，正是每位系統交易者賴以為生的原料。

速度。在直播比賽中，Agent 能在進球發生的瞬間重新定價。比賽進行中的市場會因進球、紅牌和點球而劇烈波動，從事件發生到市場做出反應之間的延遲僅以秒計算。人類在拿出手機的過程中無法在時機內競爭，但軟體可以。

廣度。沒有人能同時觀看 104 場比賽以及與每場比賽相關的數十個市場。Agent 可以同時監控所有這些市場，在你於另一個時區的深夜中觀看小組賽時，尋找那些實際定價錯誤的少數機會。

世界盃期間的優勢並不在於比其他人更準確地預測足球比賽結果，而在於更快、更冷靜、且能同時遍佈各處。這是 Agent，而不是人類能做到的。

OpenClaw 這類工具的定位

OpenClaw 是其中一個能將語言模型連接到預測市場平台的工具，讓你無需從頭搭建底層基礎設施。它就如同連接的橋樑。它處理那些繁瑣且困難的部分：拉取即時市場數據、讓模型對數據進行推理、並透過 API 將訂單推送至平台。你負責提供策略、風險規則和判斷力。它則負責提供軌道。

請遵循 OpenClaw 自身文檔來進行確切的設置、金鑰和配置，因為工具細節會變化，你應該使用最新版本，而非二手描述。但不會改變的是底層的架構，而這個架構才是真正的學習重點。無論你使用 OpenClaw、其他框架，還是自己寫程式碼，Agent 都需要相同的五個層級。跳過其中一個層級，它要麼無法發揮作用，要麼會悄悄地讓資金流失。

逐層構建

第 0 步：先決條件

在編寫任何程式碼之前，先準備好三件事。你在交易平台上擁有一個已啟用 API 存取的帳戶或錢包。一小筆測試資金，金額要小到即使全部損失也只當作學費，而非問題。以及一個先進行紙上交易的承諾。如果你無法冷靜地完成第 0 步，那你就還沒準備好進入第 1 步。

第 1 步：數據層

你的 Agent 的表現取決於它能看到的資訊。它需要三個數據來源，並以循環方式進行輪詢或串流。

每個你關注的世界盃市場的訂單簿，讓 Agent 知道實際可以交易的價格，而不僅僅是中點價。比賽狀態，讓它了解比分、時間以及紅牌等事件。一個乾淨的新聞資訊流，用來獲取先發陣容和傷病情況，這些資訊會大幅影響賽前價格。

首先拉取該賽事的活躍市場清單，然後為每個市場訂閱或輪詢其訂單簿。將所有數據標準化為每個市場的統一的內部物件，這樣 Agent 的其他部分就不需要關心數據來自何處。垃圾進，垃圾出。大多數 Agent 在真正開始交易之前，就在這裡失敗了。

第 2 步：信號層

這是你的優勢所在，也是 Agent 認為某個價格有誤的原因。你需要兩個功能：一個是對公平概率的估計，另一個是與平台價格的比較。

對於世界盃，實際可行的優勢並不高深莫測。最簡單的是對抗明顯的群眾偏見。散戶資金會為自己的國家隊和 glamour 強隊支付過高的價格，而「熱門-冷門偏差」（favorite-longshot bias）在博彩市場中已有數十年的記錄。因此，你的公平估計可以依賴於多個平台的去偏差共識（de-vigged consensus）或一個簡單的模型，當平台價格偏離這個共識並達到群眾偏愛的程度時，你就反向操作。

一個實際範例（這些數字僅為展示邏輯的假設，非真實交易）：假設你對一支國家隊 YES 的公平共識價值約為 12%，但群眾資金已將平台賣價推高至 17%。這 5 個百分點的差距就是你原始的優勢。信號層輸出這個優勢。接下來的層級決定這個優勢是否能在扣除成本後仍存在，以及應該下注多少。

1def estimate_fair_prob(market, news, match_state):
2    # 你實際的優勢在這裡
3    # 例如：來自參考平台並根據新聞調整的去偏差共識
4    return consensus_prob(market, news, match_state)
5
6def signal(market, book):
7    q = estimate_fair_prob(market, news, match_state)   # 公平概率
8    p = book.best_ask                                   # 現在買入 YES 的成本
9    edge = q - p
10    return q, p, edge

誠實面對哪個優勢屬於你。比整個市場更好地預測結果是最難的優勢，很可能不是你擁有的。速度和紀律才是。

第 3 步：風險層

這一層決定你是否能在這個月存活下來。在構建任何複雜策略之前，先建立這一層。

使用分數凱利準則（fractional Kelly）來為每個倉位定大小，絕對不要使用全凱利，因為全凱利假設你的優勢估計是完美的，但實際上它並不完美。對任何單一市場設定上限。並且運行一個斷路器，當一天的虧損達到你預先設定的金額時，立即暫停 Agent。

1def fractional_kelly(edge, p, k=0.25):
2    # 以價格 p 買入二元 YES，你的真實概率 q = p + edge
3    q = p + edge
4    b = (1 - p) / p                 # 賠率
5    f_full = (b * q - (1 - q)) / b  # 全凱利比例
6    return max(0, k * f_full)       # 四分之一凱利，永不低於零
7
8def size_position(edge, p, bankroll, per_market_cap):
9    raw = fractional_kelly(edge, p) * bankroll
10    return min(raw, per_market_cap)

即使有正期望值，魯莽的倉位管理仍然會導致歸零。機構會為最壞情況下的最大回撤進行資金準備，而不是基於回測的最佳情況。你也應該這麼做。

第 4 步：執行層

薄弱的訂單簿、實際手續費和滑點會迅速吞噬微薄的優勢。你的 Agent 必須確認交易在扣除費用後仍然有利可圖，而不僅僅是觸發了信號。

為每個市場計算一個費用緩衝區：交易手續費、根據你的倉位大小和訂單簿深度估算的預期滑點，以及一個誤差緩衝空間。只有在優勢大於此緩衝區時才進行交易。然後，以一個仍然保留優勢的價格下達限價單，而不是越過買賣價差並支付更高成本。處理部分成交，且永不追價。

1def cost_buffer(market, book, size):
2    return fees(market) + expected_slippage(book, size) + safety_margin
3
4def tradeable(edge, market, book, size):
5    return edge > cost_buffer(market, book, size)

回測結果亮麗但實盤卻不斷虧損的差異，幾乎總是發生在這裡。

第 5 步：控制循環

這是心臟。Agent 會重複執行這個循環，並記錄每一個決策，包括它決定不採取任何行動的決策。

1for each cycle:
2    if risk.day_loss >= stop_loss:        # 先檢查斷路器，始終如此
3        halt()
4    markets = data.active_markets(event=world_cup)
5    for m in markets:
6        book = data.order_book(m)
7        q, p, edge = signal(m, book)
8        size = size_position(edge, p, bankroll, per_market_cap)
9        if not tradeable(edge, m, book, size):
10            log(m, q, p, edge, action=skip)
11            continue
12        execution.place_limit(m, side=YES, price=p, size=size)
13        log(m, q, p, edge, size, action=order)

記錄（Logging）不是可選項。如果你無法理解你的 Agent 為什麼做了某個決定，你就無法修復它，而且在凌晨兩點，當一場小組賽的爆冷同時對五個市場進行重新定價時，你也不會信任它。

第 6 步：你實際要告訴 Agent 的內容

以上都是概念。以下是具體的部分，即實際將這些層級轉化為運行中 Agent 的指令。確切的欄位名稱和語法取決於工具，因此請遵循 OpenClaw 自身的文檔來獲取精確格式，並將下面的區塊視為範本，而非我某次運行的逐字命令。你提供給任何此類工具的東西總是相同的三樣：一個給模型用的常設指令集、一個包含固定數字的配置檔案，以及一個每個週期的決策請求。

首先，常設指令，即 Agent 的工作描述，永不改變。這是系統提示詞：

1你是一個紀律嚴明的交易 Agent，專注於 2026 年世界盃預測市場。
2你唯一的工作是尋找平台價格已偏離公允價值的市場，並且只在
3優勢能經受住所有成本考驗時才採取行動。
4
5你永不違反的規則：
6- 只交易具有清晰、客觀解決方式的市場。如果解決方式的措詞是主觀或模糊的，則跳過。
7- 切勿超過配置中的倉位和虧損限制。
8- 對抗群眾偏見：價格過高的國家隊和過度下注的熱門球隊。不要追逐動能。
9- 當數據不完整或不確定時，跳過。跳過是有效的操作，並且應該是你最常見的行動。
10- 以下列精確架構輸出一個決策，除此之外什麼都不要輸出。

第三，每個週期的決策請求。每個循環中，Agent 會收到一個市場及其即時數據，並且必須返回一個確切的決策：

1市場：        {問題和確切的解決規則}
2訂單簿：    {最優買價，最優賣價，你倉位大小的深度}
3公允價值：    {q，你的共識估計}
4比賽狀態：   {比分，分鐘數，紅牌}
5新聞：          {傷病，已確認的先發陣容}
6
7僅返回：
8  action:        trade 或 skip
9  side:          YES 或 NO
10  size_fraction: 從 0 到凱利上限
11  reason:        一句簡短的話

然後，最重要的一部分。你自身程式碼中的執行層會讀取該決策，重新套用配置中的上限，並在執行任何操作之前再次檢查優勢是否超過成本。絕不要讓模型下單或進行最終的計算。模型提議，你的程式碼決定。這種分離正是防止一個幻覺產生的理由變成真實倉位的關鍵所在。這也是為什麼風險層存在於硬配置中，而不是提示詞中的原因，因為模型有可能被說服而違反一個軟規則，但無法覆蓋程式碼中的硬上限。

這就是完整的指令集。上面的每一層都是為什麼特定的一行要存在的理由。

在投入一分錢之前證明它是有效的：你需要進行的實際驗證

這部分將真正的建構者與那些發布虛幻回報的人區分開來。你不應該因為某個教程這樣說就相信 Agent。你應該按照以下順序自己生成證據，並且在前一個階段成立之前，不要進入下一個階段。

首先，在已結算的市場上進行回測。拿世界盃資格賽、過去的錦標賽以及最近已結算的足球市場，用你的信號和風險邏輯重新運行這些數據，並考慮實際的手續費和滑點，衡量這個優勢是否能在扣除成本後仍然存在。如果它只在零手續費時才有效，那它就是無效的。

第二，向前走樣本外測試（Walk forward）。在一段歷史數據上進行調整，然後在後續一段 Agent 從未見過的數據上進行測試。如果優勢在樣本外消失了，那說明它過度擬合了。這就是大多數看似巧妙的信號悄悄消亡的地方，你希望它們在這裡消亡，而不是帶著你的錢。

第三，在小組賽早期階段進行紙上交易。使用即時數據但虛擬資金來運行完整的 Agent。這樣可以找出回測永遠無法發現的問題：資料過時、延遲、部分成交、模型產生幻覺需要交易的理由。仔細觀察日誌。

第四，用極小資金實盤上線。用真實資金，但倉位小到即使全部損失也無關緊要，至少運行幾天，然後再增加任何倉位。如果實盤結果與紙上交易結果大致不符，請暫停並找出原因。

這個順序就是實驗。誠實地運行它，你得到的數字就是真實的，因為你在真實的成本下產生了它們。任何跳過這個步驟直接貼出截圖的人，都跳過了唯一重要的部分。

沒有人會發布的真實情況

大多數 Agent 都會虧錢，而且它們的虧損方式枯燥且可避免。過度擬合的信號在回測中看起來完美，但在實盤中崩潰。手續費將一個賺錢的想法變成了虧錢的。模型在有時應該按兵不動時，卻產生了採取行動的理由。還有結算風險，即使你對比賽的判斷完全正確，也可能因為市場如何結算而陷入麻煩。

世界盃會誘使你交易所有東西。而能獲勝的 Agent 大多時候什麼都不做，然後在少數幾個真正定價錯誤的市場上果斷行動。一個盈利 Agent 中的大部分工作並不在於聰明的信號，而在於風險、成本和克制這些不光彩的紀律。

帶入賽事的思維模式

停止問你的機器人會賺多少錢。開始問它能看到什麼、能多快行動、如何確定倉位大小、何時會停止。一個擁有清晰數據流、真實風險層以及跳過 95% 市場的紀律的交易者，會靜靜地比那些在每場比賽上都用感情下注的人堅持得更久。

建立那些無聊的層級。尊重成本。在擴大規模之前進行驗證。倉位大小要像你計劃參加整屆賽事一樣，而不僅僅是開幕戰。

未來方向，以及 Moss 的角色

像 OpenClaw 這樣的工具是更大圖景的早期、粗糙版本。目前，構建一個預測市場 Agent 仍然需要你付出很多：將五個層級整合在一起、悉心照料風險、以及信任你不完全掌控的基礎設施。

顯而易見的下一步是開發工具，讓任何交易者都能輕鬆使用這些功能，讓數據、信號、風險和執行層級成為頭等公民，而不是週末作業。

這就是我們在 Moss 正在努力的方向。我們尚未開放預測市場 Agent 的創建功能。這是一個我們正在積極研究的領域，因為我們認為世界盃只是這些市場在 Agent 無處不在後的第一個縮影。

與此同時，如果你想親身體驗構建和運行交易 Agent 的實際感受（包含這些確切的層級），你現在就可以在 Moss 上創建一個永續合約交易 Agent。相同的核心概念：數據、信號、風險、執行，在一個已經在運行的平台上。

👉 moss.site/agent