快速上手¶

安装¶

pip install "traderharness[llm,data,ui]"

git clone https://github.com/HephaestLab/TraderHarness
cd TraderHarness
python -m venv .venv
.venv\Scripts\python.exe -m pip install -e ".[all]"

docker compose up --build

安装行情数据¶

traderharness data download --full

下载完成后会按发布清单逐项校验文件大小与 SHA-256，再原子安装到 ~/.traderharness/dataset。

跑免密回放演示¶

traderharness demo

盒带里是一段真实、经过掩码的模型轨迹，不需要 API key；引擎仍然会用本地真实行情对它进行评测。

打开 Web 控制台¶

traderharness ui

浏览器打开 http://127.0.0.1:8000。服务默认只绑定回环地址，除非显式开启，否则拒绝意外的公网暴露。

回测控制室：左侧像素办公室里每个 Agent 各司其职，右侧实时净值曲线与决策事件流同步滚动。

跑一个真实的模型 Agent¶

$env:DEEPSEEK_API_KEY="..."
traderharness run `
  --agent trend-breakout `
  --start 2024-03-04 `
  --end 2024-03-29 `
  --mask-entities

trend-breakout 是内置的参考 Agent 卡片之一——与 quality-compounder、event-hawk、quant-researcher 并列，各自拥有独立人设，默认执行模型为 deepseek-v4-pro（thinking 深度推理模式）。把四位选手放进同一市场时钟正面对决：

traderharness compare `
  --agent trend-breakout `
  --agent quality-compounder `
  --agent event-hawk `
  --agent quant-researcher `
  --start 2024-03-04 `
  --end 2024-03-29 `
  --mask-entities `
  --output showcase

加 --record-replay cassette.jsonl 可以把整段运行录成确定性的、可过泄漏审计的回放盒带。

对比工作台：同一市场时钟下多个 Agent 的权益曲线、风险与行为指标横向排名。