MIG

AI Trading Agent全景图：从执行到决策的7种agent类型详解上个星期其实一直在做trading agent 的研究，这个过程中@the_nof1 就火了起来，把一个很问题快速地丢到了大家面前？AI真的能比人更会交易？如果大家都去跟单AI，在一个零和市场里谁输钱？今天勤快一点把上周的研究梳理一下。按照大致的进化路径，先说说AI Trading Agent的几种主要类型， 1. Execution Agent - 执行型agent 这是初生代交易Agent，当时还叫Bot。他们当时的功能局限于自动下单、止盈止损、套利执行这些具体操作，做的是"微观优化"， - 比如TWAP策略会在设定时间内均匀执行订单,降低对市场的冲击; - VWAP策略按市场成交量比例执行; - 智能路由会在不同DEX之间比价找最优路径。它们不预测市场，不需要历史特征或预测模型，可以说不涉及AI，现在很多交易所也在用这种bot，只要把一些规则预先写好，依靠实时数据流和交易环境状态，@_hummingbot、@3commas 就是这种初生代bot。 2. Strategy Agent - 策略型agent AI 模型逐渐介入，它要决定买什么、什么时候买、仓位怎么分配。相比执行型agent，它有学习和推理能力，能生成策略。数据来源很丰富，包括历史K线、订单簿数据、链上数据、衍生品数据，甚至社交媒体上的情绪文本都会被用来分析。 @numerai 是这一代Agent的代表，它用Web3的激励机制来驱动Web2的AI trading。全球的数据科学家在平台上训练模型，如果愿意，他们可以质押Numberai的平台打击NMR，表示对自己模型的信心，其他用户可以跟着押注。 Numerai根据市场评估预测准确率，表现好就获得NMR奖励，差了就扣除stake。给出Aggressive的是，@numerai 有一个自己的实盘基金，它根据平台科学家们上传的模型，生成一个"超级模型"，然后用这个超级模型的信号去操作真实的美股投资组合。实盘赚钱了就按照模型权重给各个模型去分钱。这个实盘从6千万美元起步，到现在4.5亿美金左右。也就是说，用户在这里不仅仅获得代币奖励，等于用NMR买基金，有点刺激。NMR代币在这里既是押注资产，也是权益证明。值得注意的是，@numberai到现在还没有加密领域的实盘，他们允许用户上传加密交易模型（图1），但是母基金不开实盘。可能是加密市场的缺乏监管的被操纵的特征，让传统基金不想被piao。 https://t.co/TUXbS6NQjc 石破天惊开了实盘，首先这些模型不再是不知名科学家上传的，都是赫赫有名的模型，他们日常工作每天用的。你们大模型不是各个都吹嘘自己怎么厉害吗？做饭扫地看病这个都一时难以落地评估，交易是最容易落地的，来比比，别逼逼。模型可以独立决定订单类型、杠杆倍数、平仓时机，决策直接提交至Hyperliquid智能合约。目前为止还是中国货焕发光彩，Qwen和DS都表现不错。 NoF1刚刚出来那天我还在想基于这个模式完全可以建立一个polymarket式的预测市场，让用户押注哪个AI模型会表现更好。现在看来没得玩，输赢一目了然。 3. Portfolio Agent - 组合管理型agent Portfolio Agent是从"单策略优化"进化到"多策略、多资产协同优化"的产物。它要管理整个资产组合,涉及多币种、多市场、多策略,核心目标是分配仓位、平衡风险、最大化风险调整收益。它的数据来源包括多个Strategy Agent的信号、波动率和相关性矩阵等风险数据,以及组合层的收益和风险暴露等反馈数据。这代模型说实话目前还都是纸上谈兵，吹风很大程��是2024年年年底那一步，这些项目先靠meme破圈，然后再发白皮书谈理论，但是到现在也没看到特别靠谱的产品，@ai16zvc，@swarm都是，目前都可以看做白皮书产品。但是里面的商业模型确实有一点启发意义，Eliza靠胖妞meme起价，him等海外KOL喊单起来的，它希望依靠一个叫"Marc AIndreessen"的AIAgent 基于Eliza框架自主分析投资机会、执行决策并管理运营。他们还有一个dao，号称ai16z DAO管理着约2500万美元的资产，持有ai16z代币的用户可以影响AI生成的交易策略，也就是参与治理。DAO成员投票越多，AI就越会考虑用户的建议，但AI在财务决策上始终拥有最终决定权。 AI6Z虽然沦为一个骗子项目，这种"AI当基金经理+用户参与治理"的模式可能未来会真正有产品发展起来。 @virtuals_io 的自建项目 @Vader_AI_ 也是类似思路，目前要白名单才能用。用户把USDT等资产存入不同的投资组合(比如Small Cap或Micro Cap)，AI负责自动调仓、买卖、止盈止损。产品和商业模式上和Eliza有点类似，@Vader_AI_平台收0.5%的管理费，收益分配给质押$VADER的用户。用户可以通过质押代币或参与DAO投票来影响投资策略，决定资金的运用方向。 3. Arbitrage Agent - 套利型agent 这类agent是实实在在跑起来了的，专注发现并执行市场中的价差机会，做链上、跨链、CEX-DEX套利，还能防MEV攻击。它的利润来自市场错位，而不是预测价格方向。相比普通的套利bot，Arbitrage Agent能自动扫描多市场、多资产、多链的机会，动态调整，还有自学习能力。简单解释一下MEV(Miner Extractable Value)。比如有人在Uniswap上用1000 ETH买入一个小币，这会推高币价。如果另一个人提前知道这个交易，就可以抢跑(front-run)或者跟单(back-run)来获利。这就是MEV。 @flashbots_x 是代表产品，它其实是个去中心化、可验证的高频交易系统，只不过交易的标的是"交易排序权"和"区块打包权"。 Flashbots通过MEV-Boost和Relay拿到几乎全网的order flow，对AI Agent来说,这相当于拥有最优的训练数据集和实时市场数据源。每个AI agent(Searcher bot)都像微型对冲基金,谁能更好地预测用户交易路径、谁能更优地出价、谁能更快响应网络，谁就能赚到钱。这形成了一个自学习的生态系统。 4. Market-Making Agent - 做市型agent 这种Agent也是非常成熟的，这类agent在交易所或去中心化市场上提供买卖双向报价，通过买卖差价(spread)赚取收益。它的主要功能是提供流动性、优化价格滑点,同时获得稳定收益。和其他agent相比，它追求的是持续收益和低风险,而不是一次性��利或策略alpha。核心模块包括持续在买卖两侧挂单的Quote Generation、管理库存避免单边暴露的Inventory管理,以及优化自己交易带来价格冲击的滑点优化。它主要依赖实时订单簿数据。 @wintermute_t ,专注OTC交易,处理90%以上的订单簿外交易。地理上也在扩张，比如在亚洲期权市场做了2.1亿美元的交易量。技术上有AI驱动的实时对冲算法,还提供CFD和衍生品服务。 5. Signal Agent - 信号型agent Signal Agent专注于生成交易信号(买/卖/持仓建议)，通常不直接执行交易，而是为Execution Agent或Portfolio Agent提供高质量的决策输入。可以把它理解为Strategy Agent的"预测和信号模块独立出来"，成为基础设施,被多个agent复用。它的特点是不直接执行交易，仅提供决策输入,融合多数据源做决策。数据来源和Strategy Agent类似，但反馈数据不会用于实际交易,而是用于下一步逻辑的生成。 @aixbt_agent Agent。它专注于实时抓取Twitter上加密市场相关的热门讨论，用自然语言处理(NLP)进行深度情感分析，识别市场情绪(乐观、悲观或中性),帮助用户理解市场趋势。目前@aixbt最显眼的是作为Twitter机器人运作，它自己在Twitter上都拥有49万followers。最关键的是，它的功能只对持有代币的用户开放，会自动检索钱包，如果钱包里没有这个代币就无法使用chat功能。这种持币检索的机制我觉得很聪明,直接增加了代币的实 6. Meta-Agent - 智能决策型agent 这是最高级的agent，负责协调、组合和优化多个底层agent(Strategy、Portfolio、Signal、Arbitrage、Market-Making等)。底层agent专注单一功能，Meta-Agent是系统级决策者。它的数据来源不仅包括市场数据，还包括底层agent的输入和输出。这是它的进化之处——数据不仅仅来自市场,也来自其他agent。但是我感觉目前应该也还在纸上谈兵阶段。

mempoolDAO's tweet photo. AI Trading Agent全景图：从执行到决策的7种agent类型详解

上个星期其实一直在做trading agent 的研究，这个过程中@the_nof1 就火了起来，把一个很问题快速地丢到了大家面前？AI真的能比人更会交易？如果大家都去跟单AI，在一个零和市场里谁输钱？

今天勤快一点把上周的研究梳理一下。

按照大致的进化路径，先说说AI Trading Agent的几种主要类型，

1. Execution Agent - 执行型agent

这是初生代交易Agent，当时还叫Bot。他们当时的功能局限于自动下单、止盈止损、套利执行这些具体操作，做的是"微观优化"，
- 比如TWAP策略会在设定时间内均匀执行订单,降低对市场的冲击;
- VWAP策略按市场成交量比例执行;
- 智能路由会在不同DEX之间比价找最优路径。

它们不预测市场，不需要历史特征或预测模型，可以说不涉及AI，现在很多交易所也在用这种bot，只要把一些规则预先写好，依靠实时数据流和交易环境状态，@_hummingbot、@3commas 就是这种初生代bot。

2. Strategy Agent - 策略型agent

AI 模型逐渐介入，它要决定买什么、什么时候买、仓位怎么分配。相比执行型agent，它有学习和推理能力，能生成策略。

数据来源很丰富，包括历史K线、订单簿数据、链上数据、衍生品数据，甚至社交媒体上的情绪文本都会被用来分析。

@numerai 是这一代Agent的代表，它用Web3的激励机制来驱动Web2的AI trading。全球的数据科学家在平台上训练模型，如果愿意，他们可以质押Numberai的平台打击NMR，表示对自己模型的信心，其他用户可以跟着押注。
Numerai根据市场评估预测准确率，表现好就获得NMR奖励，差了就扣除stake。
给出Aggressive的是，@numerai 有一个自己的实盘基金，它根据平台科学家们上传的模型，生成一个"超级模型"，然后用这个超级模型的信号去操作真实的美股投资组合。
实盘赚钱了就按照模型权重给各个模型去分钱。这个实盘从6千万美元起步，到现在4.5亿美金左右。
也就是说，用户在这里不仅仅获得代币奖励，等于用NMR买基金，有点刺激。NMR代币在这里既是押注资产，也是权益证明。
值得注意的是，@numberai到现在还没有加密领域的实盘，他们允许用户上传加密交易模型（图1），但是母基金不开实盘。可能是加密市场的缺乏监管的被操纵的特征，让传统基金不想被piao。

https://t.co/TUXbS6NQjc 石破天惊开了实盘，首先这些模型不再是不知名科学家上传的，都是赫赫有名的模型，他们日常工作每天用的。你们大模型不是各个都吹嘘自己怎么厉害吗？做饭扫地看病这个都一时难以落地评估，交易是最容易落地的，来比比，别逼逼。
模型可以独立决定订单类型、杠杆倍数、平仓时机，决策直接提交至Hyperliquid智能合约。目前为止还是中国货焕发光彩，Qwen和DS都表现不错。
NoF1刚刚出来那天我还在想基于这个模式完全可以建立一个polymarket式的预测市场，让用户押注哪个AI模型会表现更好。现在看来没得玩，输赢一目了然。

3. Portfolio Agent - 组合管理型agent

Portfolio Agent是从"单策略优化"进化到"多策略、多资产协同优化"的产物。它要管理整个资产组合,涉及多币种、多市场、多策略,核心目标是分配仓位、平衡风险、最大化风险调整收益。它的数据来源包括多个Strategy Agent的信号、波动率和相关性矩阵等风险数据,以及组合层的收益和风险暴露等反馈数据。

这代模型说实话目前还都是纸上谈兵，吹风很大程��是2024年年年底那一步，这些项目先靠meme破圈，然后再发白皮书谈理论，但是到现在也没看到特别靠谱的产品，@ai16zvc，@swarm都是，目前都可以看做白皮书产品。

但是里面的商业模型确实有一点启发意义，Eliza靠胖妞meme起价，him等海外KOL喊单起来的，它希望依靠一个叫"Marc AIndreessen"的AIAgent 基于Eliza框架自主分析投资机会、执行决策并管理运营。
他们还有一个dao，号称ai16z DAO管理着约2500万美元的资产，持有ai16z代币的用户可以影响AI生成的交易策略，也就是参与治理。DAO成员投票越多，AI就越会考虑用户的建议，但AI在财务决策上始终拥有最终决定权。
AI6Z虽然沦为一个骗子项目，这种"AI当基金经理+用户参与治理"的模式可能未来会真正有产品发展起来。

@virtuals_io 的自建项目 @Vader_AI_ 也是类似思路，目前要白名单才能用。用户把USDT等资产存入不同的投资组合(比如Small Cap或Micro Cap)，AI负责自动调仓、买卖、止盈止损。
产品和商业模式上和Eliza有点类似，@Vader_AI_平台收0.5%的管理费，收益分配给质押$VADER的用户。用户可以通过质押代币或参与DAO投票来影响投资策略，决定资金的运用方向。

3. Arbitrage Agent - 套利型agent
这类agent是实实在在跑起来了的，专注发现并执行市场中的价差机会，做链上、跨链、CEX-DEX套利，还能防MEV攻击。
它的利润来自市场错位，而不是预测价格方向。相比普通的套利bot，Arbitrage Agent能自动扫描多市场、多资产、多链的机会，动态调整，还有自学习能力。
简单解释一下MEV(Miner Extractable Value)。比如有人在Uniswap上用1000 ETH买入一个小币，这会推高币价。如果另一个人提前知道这个交易，就可以抢跑(front-run)或者跟单(back-run)来获利。这就是MEV。
@flashbots_x 是代表产品，它其实是个去中心化、可验证的高频交易系统，只不过交易的标的是"交易排序权"和"区块打包权"。
Flashbots通过MEV-Boost和Relay拿到几乎全网的order flow，对AI Agent来说,这相当于拥有最优的训练数据集和实时市场数据源。每个AI agent(Searcher bot)都像微型对冲基金,谁能更好地预测用户交易路径、谁能更优地出价、谁能更快响应网络，谁就能赚到钱。这形成了一个自学习的生态系统。

4. Market-Making Agent - 做市型agent
这种Agent也是非常成熟的，这类agent在交易所或去中心化市场上提供买卖双向报价，通过买卖差价(spread)赚取收益。它的主要功能是提供流动性、优化价格滑点,同时获得稳定收益。和其他agent相比，它追求的是持续收益和低风险,而不是一次性��利或策略alpha。
核心模块包括持续在买卖两侧挂单的Quote Generation、管理库存避免单边暴露的Inventory管理,以及优化自己交易带来价格冲击的滑点优化。它主要依赖实时订单簿数据。
@wintermute_t ,专注OTC交易,处理90%以上的订单簿外交易。地理上也在扩张，比如在亚洲期权市场做了2.1亿美元的交易量。技术上有AI驱动的实时对冲算法,还提供CFD和衍生品服务。

5. Signal Agent - 信号型agent
Signal Agent专注于生成交易信号(买/卖/持仓建议)，通常不直接执行交易，而是为Execution Agent或Portfolio Agent提供高质量的决策输入。可以把它理解为Strategy Agent的"预测和信号模块独立出来"，成为基础设施,被多个agent复用。
它的特点是不直接执行交易，仅提供决策输入,融合多数据源做决策。数据来源和Strategy Agent类似，但反馈数据不会用于实际交易,而是用于下一步逻辑的生成。

@aixbt_agent Agent。它专注于实时抓取Twitter上加密市场相关的热门讨论，用自然语言处理(NLP)进行深度情感分析，识别市场情绪(乐观、悲观或中性),帮助用户理解市场趋势。
目前@aixbt最显眼的是作为Twitter机器人运作，它自己在Twitter上都拥有49万followers。最关键的是，它的功能只对持有代币的用户开放，会自动检索钱包，如果钱包里没有这个代币就无法使用chat功能。这种持币检索的机制我觉得很聪明,直接增加了代币的实

6. Meta-Agent - 智能决策型agent
这是最高级的agent，负责协调、组合和优化多个底层agent(Strategy、Portfolio、Signal、Arbitrage、Market-Making等)。底层agent专注单一功能，Meta-Agent是系统级决策者。
它的数据来源不仅包括市场数据，还包括底层agent的输入和输出。这是它的进化之处——数据不仅仅来自市场,也来自其他agent。但是我感觉目前应该也还在纸上谈兵阶段。

316

ammna205 retweeted

404Lychee

@mempoolDAO

8 months ago

AI Trading Agent全景图：从执行到决策的7种agent类型详解上个星期其实一直在做trading agent 的研究，这个过程中@the_nof1 就火了起来，把一个很问题快速地丢到了大家面前？AI真的能比人更会交易？如果大家都去跟单AI，在一个零和市场里谁输钱？今天勤快一点把上周的研究梳理一下。按照大致的进化路径，先说说AI Trading Agent的几种主要类型， 1. Execution Agent - 执行型agent 这是初生代交易Agent，当时还叫Bot。他们当时的功能局限于自动下单、止盈止损、套利执行这些具体操作，做的是"微观优化"， - 比如TWAP策略会在设定时间内均匀执行订单,降低对市场的冲击; - VWAP策略按市场成交量比例执行; - 智能路由会在不同DEX之间比价找最优路径。它们不预测市场，不需要历史特征或预测模型，可以说不涉及AI，��在很多交易所也在用这种bot，只要把一些规则预先写好，依靠实时数据流和交易环境状态，@_hummingbot、@3commas 就是这种初生代bot。 2. Strategy Agent - 策略型agent AI 模型逐渐介入，它要决定买什么、什么时候买、仓位怎么分配。相比执行型agent，它有学习和推理能力，能生成策略。数据来源很丰富，包括历史K线、订单簿数据、链上数据、衍生品数据，甚至社交媒体上的情绪文本都会被用来分析。 @numerai 是这一代Agent的代表，它用Web3的激励机制来驱动Web2的AI trading。全球的数据科学家在平台上训练模型，如果愿意，他们可以质押Numberai的平台打击NMR，表示对自己模型的信心，其他用户可以跟着押注。 Numerai根据市场评估预测准确率，表现好就获得NMR奖励，差了就扣除stake。给出Aggressive的是，@numerai 有一个自己的实盘基金，它根据平台科学家们上传的模型，生成一个"超级模型"，然后用这个超级模型的信号去操作真实的美股投资组合。实盘赚钱了就按照模型权重给各个模型去分钱。这个实盘从6千万美元起步，到现在4.5亿美金左右。也就是说，用户在这里不仅仅获得代币奖励，等于用NMR买基金，有点刺激。NMR代币在这里既是押注资产，也是权益证明。值得注意的是，@numberai到现在还没有加密领域的实盘，他们允许用户上传加密交易模型（图1），但是母基金不开实盘。可能是加密市场的缺乏监管的被操纵的特征，让传统基金不想被piao。 https://t.co/TUXbS6NQjc 石破天惊开了实盘，首先这些模型不再是不知名科学家上传的，都是赫赫有名的模型，他们日常工作每天用的。你们大模型不是各个都吹嘘自己怎么厉害吗？做饭扫地看病这个都一时难以落地评估，交易是最容易落地的，来比比，别逼逼。模型可以独立决定订单类型、杠杆倍数、平仓时机，决策直接提交至Hyperliquid智能合约。目前为止还是中国货焕发光彩，Qwen和DS都表现不错。 NoF1刚刚出来那天我还在想基于这个模式完全可以建立一个polymarket式的预测市场，让用户押注哪个AI模型会表现更好。现在看来没得玩，输赢一目了然。 3. Portfolio Agent - 组合管理型agent Portfolio Agent是从"单策略优化"进化到"多策略、多资产协同优化"的产物。它要管理整个资产组合,涉及多币种、多市场、多策略,核心目标是分配仓位、平衡风险、最大化风险调整收益。它的数据来源包括多个Strategy Agent的信号、波动率和相关性矩阵等风险数据,以及组合层的收益和风险暴露等反馈数据。这代模型说实话目前还都是纸上谈兵，吹风很大程度是2024年年年底那一步，这些项目先靠meme破圈，然后再发白皮书谈理论，但是到现在也没看到特别靠谱的产品，@ai16zvc，@swarm都是，目前都可以看做白皮书产品。但是里面的商业模型确实有一点启发意义，Eliza靠胖妞meme起价，him等海外KOL喊单起来的，它希望依靠一个叫"Marc AIndreessen"的AIAgent 基于Eliza框架自主分析投资机会、执行决策并管理运营。他们还有一个dao，号称ai16z DAO管理着约2500万美元的资产，持有ai16z代币的用户可以影响AI生成的交易策略，也就是参与治理。DAO成员投票越多，AI就越会考虑用户的建议，但AI在财务决策上始终拥有最终决定权。 AI6Z虽然沦为一个骗子项目，这种"AI当基金经理+用户参与治理"的模式可能未来会真正有产品发展起来。 @virtuals_io 的自建项目 @Vader_AI_ 也是类似思路，目前要白名单才能用。用户把USDT等资产存入不同的投资组合(比如Small Cap或Micro Cap)，AI负责自动调仓、买卖、止盈止损。产品和商业模式上和Eliza有点类似，@Vader_AI_平台收0.5%的管理费，收益分配给质押$VADER的用户。用户可以通过质押代币或参与DAO投票来影响投资策略，决定资金的运用方向。 3. Arbitrage Agent - 套利型agent 这类agent是实实在在跑起来了的，专注发现并执行市场中的价差机会，做链上、跨链、CEX-DEX套利，还能防MEV攻击。它的利润来自市场错位，而不是预测价格方向。相比普通的套利bot，Arbitrage Agent能自动扫描多市场、多资产、多链的机会，动态调整，还有自学习能力。简单解释一下MEV(Miner Extractable Value)。比如有人在Uniswap上用1000 ETH买入一个小币，这会推高币价。如果另一个人提前知道这个交易，就可以抢跑(front-run)或者跟单(back-run)来获利。这就是MEV。 @flashbots_x 是代表产品，它其实是个去中心化、可验证的高频交易系统，只不过交易的标的是"交易排序权"和"区块打包权"。 Flashbots通过MEV-Boost和Relay拿到几乎全网的order flow，对AI Agent来说,这相当于拥有最优的训练数据集和实时市场数据源。每个AI agent(Searcher bot)都像微型对冲基金,谁能更好地预测用户交易路径、谁能更优地出价、谁能更快响应网络，谁就能赚到钱。这形成了一个自学习的生态系统。 4. Market-Making Agent - 做市型agent 这种Agent也是非常成熟的，这类agent在交易所或去中心化市场上提供买卖双向报价，通过买卖差价(spread)赚取收益。它的主要功能是提供流动性、优化价格滑点,同时获得稳定收益。和其他agent相比，它追求的是持续收益和低风险,而不是一次性套利或策略alpha。核心模块包括持续在买卖两侧挂单的Quote Generation、管理库存避免单边暴露的Inventory管理,以及优化自己交易带来价格冲击的滑点优化。它主要依赖实时订单簿数据。 @wintermute_t ,专注OTC交易,处理90%以上的订单簿外交易。地理上也在扩张，比如在亚洲期权市场做了2.1亿美元的交易量。技术上有AI驱动的实时对冲算法,还提供CFD和衍生品服务。 5. Signal Agent - 信号型agent Signal Agent专注于生成交易信号(买/卖/持仓建议)，通常不直接执行交易，而是为Execution Agent或Portfolio Agent提供高质量的决策输入。可以把它理解为Strategy Agent的"预测和信号模块独立出来"，成为基础设施,被多个agent复用。它的特点是不直接执行交易，仅提供决策输入,融合多数据源做决策。数据来源和Strategy Agent类似，但反馈数据不会用于实际交易,而是用于下一步逻辑的生成。 @aixbt_agent Agent。它专注于实时抓取Twitter上加密市场相关的热门讨论，用自然语言处理(NLP)进行深度情感分析，识别市场情绪(乐观、悲观或中性),帮助用户理解市场趋势。目前@aixbt最显眼的是作为Twitter机器人运作，它自己在Twitter上都拥有49万followers。最关键的是，它的功能只对��有代币的用户开放，会自动检索钱包，如果钱包里没有这个代币就无法使用chat功能。这种持币检索的机制我觉得很聪明,直接增加了代币的实 6. Meta-Agent - 智能决策型agent 这是最高级的agent，负责协调、组合和优化多个底层agent(Strategy、Portfolio、Signal、Arbitrage、Market-Making等)。底层agent专注单一功能，Meta-Agent是系统级决策者。它的数据来源不仅包括市场数据，还包括底层agent的输入和输出。这是它的进化之处——数据不仅仅来自市场,也来自其他agent。但是我感觉目前应该也还在纸上谈兵阶段。