能力标签

🤖 Agent 🔄 工作流 🐳 Docker 💻 CLI 🔗 REST API 🧬 Embedding 🖼 视觉 ✨ GPT 🖥 本地 LLM ⛓ LangChain

⚙️

Agent工作流

Fenix AI 交易机器人

基于 Python · 无代码搭建完整 AI 自动化流程

英文名：FenixAI_tradingBot

⭐ 137 Stars 🍴 47 Forks 💻 Python 📄 Apache-2.0 🏷 AI 8.0分

8.0AI 综合评分

aiautonomous-agentspythontrading-bot

⬇ 下载源码 ZIP ⚙️ 配置说明 📺 TG 频道

✦ AI Skill Hub 推荐

Fenix AI 交易机器人是 AI Skill Hub 本期精选Agent工作流之一。综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。

📚 深度解析

Fenix AI 交易机器人是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升，基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化（模拟鼠标键盘操作），AI Agent 工作流通过理解任务意图、动态规划执行路径，能够处理更复杂的非结构化任务。

Fenix AI 交易机器人工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。

在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.0 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

Fenix AI 交易机器人是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars

⭐ 137

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

Apache-2.0

AI 综合评分

8.0 分

工具类型

Agent工作流

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

📌 核心特色

可视化 Agent 工作流编排，无需编写复杂代码
支持多步骤自动化任务链，实现全流程无人值守
与外部 API、数据库和第三方服务无缝集成
内置错误处理与自动重试机制，保障稳定运行
提供可复用的自动化模板，快速在同类场景部署

🎯 主要使用场景

自动化日常重复性工作，将精力集中于创造性任务
构建数据采集 → 处理 → 输出的完整自动化管线
实现跨平台、跨系统的数据流转和业务协同

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：pip 安装（推荐）
pip install fenixai_tradingbot

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install fenixai_tradingbot

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/Ganador1/FenixAI_tradingBot
cd FenixAI_tradingBot
pip install -e .

# 验证安装
python -c "import fenixai_tradingbot; print('安装成功')"

📋 安装步骤说明

访问 GitHub 仓库获取工作流文件
在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
上传工作流文件
按照提示配置必要的环境变量和 API Key
运行测试确认流程正常后投入使用

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 命令行使用
fenixai_tradingbot --help

# 基本用法
fenixai_tradingbot input_file -o output_file

# Python 代码中调用
import fenixai_tradingbot

# 示例
result = fenixai_tradingbot.process("input")
print(result)

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

# fenixai_tradingbot 配置文件示例（config.yml）
app:
  name: "fenixai_tradingbot"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
fenixai_tradingbot --config config.yml

# 或通过环境变量配置
export FENIXAI_TRADINGBOT_API_KEY="your-key"
export FENIXAI_TRADINGBOT_OUTPUT_DIR="./output"

📑 README 深度解析真实文档完整度 82/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

✨ What's New in v2.6 (in development)

Data-integrity release — v2.6 is built around one flagship discovery and fix: live indicators were being computed on partial-candle snapshots instead of closed candles. Everything else hardens the stack around it: smarter NanoFenix self-monitoring, a rebuilt vision pipeline, prompt-injection defenses, and a dashboard that finally shows why the engine did (or didn't) trade.

✨ What's New in v2.5

Reliability-focused release — v2.5 brings short-timeframe latency work, a complete performance optimisation pass, NanoFenix v3.5 as a first-class companion signal, DeepSeek v4 cloud experiments, and a full suite of live/paper reliability fixes.

✨ What's New in v2.0

Complete architectural overhaul - Migrated from CrewAI to LangGraph for more robust and flexible agent orchestration.

Feature	v1.0 (June 2025)	v2.0 (December 2025)
Orchestration	CrewAI	LangGraph (State Machine)
Memory System	Basic TradeMemory	[ReasoningBank](https://arxiv.org/abs/2509.25140) + LLM-as-Judge
Visual Analysis	Static screenshots	Chart Generator + Playwright TradingView Capture
LLM Providers	Ollama only	Ollama, MLX, Groq, HuggingFace
Frontend	Flask Dashboard	React + Vite + TypeScript
Agent Weighting	Static	Dynamic (performance-based)
Security	Basic	SecureSecretsManager + Path Validation
Real-time	Polling	WebSocket + Socket.IO

🌟 Key Features

Trading Features

📈 Binance Futures integration (testnet & live)
🛡️ Paper Trading mode by default
⚠️ Circuit Breakers for risk management
📊 Multi-Timeframe Analysis support

🔐 Release v2.5 & Security Highlights

This release-candidate cleanup keeps the security defaults from v2.0: API binds to 127.0.0.1 by default, demo users are gated, and secrets scanning is part of the developer workflow.
Please follow RELEASE_CHECKLIST.md before publishing. Dev-focused run instructions are in DEVELOPMENT.md.
Archived development reports can be found in docs/archives/reports/.
Demo credentials information moved to: docs/security/docs/security/DEMO_CREDENTIALS.md.

Prerequisites

Requirement	Version	Notes
Python	3.10+	3.11 recommended
Node.js	18+	For frontend
Ollama	Latest	Local LLM inference
RAM	16GB+	32GB for larger models
GPU	Optional	CUDA for faster inference
Apple Silicon	M1/M2/M3	MLX support for optimized inference

Install dependencies

pip install -e ".[dev,vision,monitoring]"

Pull required Ollama models

ollama pull qwen3:8b ```

Install dev dependencies

pip install -e ".[dev]"

Installation

```bash

Docker

```bash cp .env.example .env

Development Setup

```bash

Install pre-commit hooks

pre-commit install

Example: Agent retrieves relevant context from ReasoningBank

context = reasoning_bank.get_relevant_context( agent_name="technical_analyst", current_prompt=market_analysis_prompt, limit=3 )

🚀 Quick Start

Optional Services

Binance Account - For live/testnet trading
Groq API Key - For cloud LLM inference
HuggingFace Token - For HF Inference API
Playwright - For TradingView chart capture

Create and activate virtual environment

python -m venv .venv source .venv/bin/activate # Linux/Mac

Configure environment

cp .env.example .env

Edit .env with your API keys

CLI Options

python run_fenix.py --help

python run_fenix.py                      # Paper trading (default)
python run_fenix.py --symbol ETHUSDT     # Different symbol
python run_fenix.py --timeframe 5m       # Different timeframe
python run_fenix.py --no-visual          # Disable visual agent
python run_fenix.py --mode live --allow-live  # Live trading (⚠️ real money)

---

📊 Configuration

Main Configuration (`config/fenix.yaml`)

trading:
  symbol: BTCUSDT
  timeframe: 15m
  max_risk_per_trade: 0.02
  
agents:
  enable_technical: true
  enable_qabba: true
  enable_visual: true  # Requires vision model
  enable_sentiment: true  # Requires news APIs
  technical_weight: 0.30
  qabba_weight: 0.30
  consensus_threshold: 0.65

LLM Providers (`config/llm_providers.yaml`)

active_profile: "all_local"  # Options: all_local, mixed_providers, mlx_optimized, all_cloud

all_local:
  technical:
    provider_type: "ollama_local"
    model_name: "qwen3:8b"
    temperature: 0.1

Environment Variables

Variable	Description	Default
`BINANCE_API_KEY`	Binance API key	-
`BINANCE_SECRET_KEY`	Binance secret key	-
`LLM_PROFILE`	LLM provider profile to use	`all_local`
`GROQ_API_KEY`	Groq API key (for cloud inference)	-
`HF_TOKEN`	HuggingFace token	-
`ALLOW_EXPOSE_API`	Allow API to bind to all interfaces	`false`
`CREATE_DEMO_USERS`	Enable demo user creation	`false`
`LLM_ALLOW_NOOP_STUB`	Fallback to noop LLM for testing	`0`
`ENABLE_VISUAL_AGENT`	Enable chart analysis agent	`true`
`ENABLE_SENTIMENT_AGENT`	Enable news/social analysis	`true`

---

Terminal 1: Start the backend with API

python run_fenix.py --api

API + Redis

docker compose up -d --build

API + Redis + Prometheus + Grafana

docker compose --profile monitoring up -d --build ```

Docker defaults to Python 3.12, publishes the API only on 127.0.0.1:8001, and keeps Redis internal to the Compose network.

---

👁️ Vision Pipeline Overhaul

Fix	Details
Prompt formatting bug	The visual prompt contained a literal JSON example with unescaped braces — `str.format()` crashed before the image ever reached the model.
Chart generator accuracy	The chart labeled an SMA 50 as "EMA 50", had no pivot overlay, and drew a false vertical line from SuperTrend warmup zeros. Now: true EMA 50, R3..S3 pivot levels, NaN warmup.
Chart metadata in the prompt	The vision model receives the real candle count plus numeric EMA/Bollinger/VWAP/SuperTrend/pivot values alongside the image.
Compact JSON contract	Single-line, ~300-char response schema with a raised token budget — eliminates truncated-JSON retry loops.

New LLM Integrations

Model	Role	Notes
DeepSeek v4 Flash (`deepseek-v4-flash:cloud`)	Technical / Decision	Fast, cost-efficient cloud inference
DeepSeek v4 Pro (`deepseek-v4-pro:cloud`)	Full pipeline	Highest-accuracy cloud option tested
cogito-2.1:671b-cloud	QABBA	Benchmark winner: 75–80% directional accuracy
nemotron-3-nano:30b-cloud	Technical + Decision	66.7% accuracy; most active decision model
glm-5:cloud	Risk Manager	77.8% activity rate, score 0.504 in benchmark

Notable security and developer workflow improvements

API binds to 127.0.0.1 by default to avoid accidental public exposure. To bind to all interfaces intentionally, set ALLOW_EXPOSE_API=true.
Demo accounts are not seeded by default; set CREATE_DEMO_USERS=true for local development.
DEFAULT_DEMO_PASSWORD and DEFAULT_ADMIN_PASSWORD may be used for local testing; avoid using them in production.
We added DEVELOPMENT.md and RELEASE_CHECKLIST.md to help developers follow the release process and avoid secrets leaks.
Archived internal reports are now in docs/archives/reports/ to reduce root clutter.

---

🔄 Agent Workflow

┌─────────────────────────────────────────────────────────────────────────────┐
│                              FENIX AI v2.5 RC                               │
├─────────────────────────────────────────────────────────────────────────────┤
│                                                                             │
│  ┌─────────────┐    ┌──────────────────────────────────────────────────┐    │
│  │   Frontend  │◄──►│              FastAPI + Socket.IO                 │    │
│  │  React/Vite │    │                  (Real-time)                     │    │
│  └─────────────┘    └────────────────────┬─────────────────────────────┘    │
│                                          │                                  │
│  ┌───────────────────────────────────────▼──────────────────────────────┐   │
│  │                      TRADING ENGINE                                  │   │
│  │  ┌─────────────────────────────────────────────────────────────────┐ │   │
│  │  │                 LangGraph Orchestrator                          │ │   │
│  │  │                   (State Machine)                               │ │   │
│  │  └─────────────────────────────────────────────────────────────────┘ │   │
│  │           │              │              │              │             │   │
│  │     ┌─────▼─────┐  ┌─────▼─────┐  ┌─────▼─────┐  ┌─────▼─────┐       │   │
│  │     │ Technical │  │  Visual   │  │ Sentiment │  │   QABBA   │       │   │
│  │     │  Agent    │  │  Agent    │  │  Agent    │  │  Agent    │       │   │
│  │     └─────┬─────┘  └─────┬─────┘  └─────┬─────┘  └─────┬─────┘       │   │
│  │           │              │              │              │             │   │
│  │     ┌─────▼──────────────▼──────────────▼──────────────▼─────┐       │   │
│  │     │              Decision Agent + Risk Manager             │       │   │
│  │     │           (Dynamic Weighting + LLM-as-Judge)           │       │   │
│  │     └────────────────────────┬───────────────────────────────┘       │   │
│  └──────────────────────────────┼───────────────────────────────────────┘   │
│                                 │                                           │
│  ┌──────────────────────────────▼───────────────────────────────────────┐   │
│  │                         MEMORY LAYER                                 │   │
│  │  ┌─────────────────┐  ┌─────────────────┐  ┌─────────────────────┐   │   │
│  │  │  ReasoningBank  │  │  Trade Memory   │  │   LLM-as-Judge      │   │   │
│  │  │ (Semantic Search)│ │   (History)     │  │  (Self-Evaluation)  │   │   │
│  │  └─────────────────┘  └─────────────────┘  └─────────────────────┘   │   │
│  └──────────────────────────────────────────────────────────────────────┘   │
│                                                                             │
│  ┌──────────────────────────────────────────────────────────────────────┐   │
│  │                        EXECUTION LAYER                               │   │
│  │  ┌─────────────────┐  ┌─────────────────┐  ┌─────────────────────┐   │   │
│  │  │  Binance Client │  │  Order Executor │  │   Market Data       │   │   │
│  │  │ (REST + WS)     │  │  (Paper/Live)   │  │   (Real-time)       │   │   │
│  │  └─────────────────┘  └─────────────────┘  └─────────────────────┘   │   │
│  └──────────────────────────────────────────────────────────────────────┘   │
│                                                                             │
└─────────────────────────────────────────────────────────────────────────────┘

Run integration tests

pytest tests/test_integration.py -v

🎯 aiskill88 AI 点评 A 级 2026-07-03

功能齐全的AI交易机器人，支持多种服务提供者

⚡ 核心功能

可视化 Agent 工作流编排，无需编写复杂代码
支持多步骤自动化任务链，实现全流程无人值守
与外部 API、数据库和第三方服务无缝集成
内置错误处理与自动重试机制，保障稳定运行
提供可复用的自动化模板，快速在同类场景部署

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 使用场景

自动化日常重复性工作，将精力集中于创造性任务
构建数据采集 → 处理 → 输出的完整自动化管线
实现跨平台、跨系统的数据流转和业务协同

⚖️ 优点与不足

✅ 优点

+Apache-2.0 协议，可免费商用
+大幅减少重复性人工操作
+可视化流程，清晰直观
+可扩展性强，支持复杂场景

⚠️ 不足

−初始配置和调试需投入一定时间
−强依赖外部服务的稳定性
−复杂场景需具备一定技术基础

⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

🔗 相关工具推荐

LLM资源合集（精选）

精选100+可直接运行的AI Agent和RAG应用集合。包含完整工作流示例、智能代理框架和检索增强生成系统。适合AI开

LangChain AI开发框架

Agent工作流

ai-agents-for-beginners Agent工作流

微软官方开源项目，提供12堂系统课程学习AI智能体框架。涵盖工作流设计、RAG检索增强、多智能体协作等核心技能。适合AI

n8n AI工作流自动化

Agent工作流

🧩 你可能还需要

基于当前 Skill 的能力图谱，自动补全的工具组合

natively-cluely-ai-assistant — Claude Skill 中文使用文档

免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。

❓ 常见问题 FAQ

如何配置机器人？−

参考README文件

什么是 Agent 工作流？和普通自动化有什么区别？+

导入工作流后，我需要修改哪些配置？+

工作流运行失败了，如何排查问题？+

这个工作流每次运行会产生哪些费用？+

工作流可以定时自动运行吗？+

💡 AI Skill Hub 点评

经综合评估，Fenix AI 交易机器人在Agent工作流赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。

⬇️ 获取与下载

⬇ 下载源码 ZIP

✅ Apache-2.0 协议 · 可免费商用 · 直接从 aiskill88 服务器下载，无需跳转 GitHub

📚 深入学习 Fenix AI 交易机器人

查看分步骤安装教程和完整使用指南，快速上手这款工具

⚙️ 安装教程 📚 使用教程

🌐 原始信息

原始名称	`FenixAI_tradingBot`
Topics	`aiautonomous-agentspythontrading-bot`
GitHub	https://github.com/Ganador1/FenixAI_tradingBot
License	Apache-2.0
语言	Python

🔗 原始来源

🐙 GitHub 仓库 https://github.com/Ganador1/FenixAI_tradingBot 🌐 官方网站 https://ko-fi.com/ganador

收录时间：2026-07-03 · 更新时间：2026-07-03 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。

📺 订阅 AI Skill Hub Daily Telegram 频道

每天 8 条精选 AI Skill、MCP、Agent 与自动化工具推送

加入频道 →

Fenix AI 交易机器人

📚 深度解析

📋 工具概览

📖 中文文档

简介

✨ What's New in v2.6 (in development)

✨ What's New in v2.5

✨ What's New in v2.0

🌟 Key Features

Trading Features

🔐 Release v2.5 & Security Highlights

Prerequisites

Install dependencies

Pull required Ollama models

Install dev dependencies

Installation

Docker

Development Setup

Install pre-commit hooks

Example: Agent retrieves relevant context from ReasoningBank

🚀 Quick Start

Optional Services

Create and activate virtual environment

Configure environment

Edit .env with your API keys

CLI Options

📊 Configuration

Main Configuration (`config/fenix.yaml`)

LLM Providers (`config/llm_providers.yaml`)

Environment Variables

Terminal 1: Start the backend with API

API + Redis

API + Redis + Prometheus + Grafana

👁️ Vision Pipeline Overhaul

New LLM Integrations

Notable security and developer workflow improvements

🔄 Agent Workflow

Run integration tests

⚡ 核心功能

👥 适合人群

🎯 使用场景

⚖️ 优点与不足

🔗 相关工具推荐

❓ 常见问题 FAQ

🤖 交给 Agent 安装 · Fenix AI 交易机器人