agents
Polymarket Agents 是一个专为预测市场打造的开源开发框架，旨在帮助开发者构建能够自主在 Polymarket 平台上进行交易的 AI 智能体。它解决了传统自动化交易中策略制定复杂、实时数据获取困难以及决策逻辑难以灵活调整的问题，让机器能够基于新闻、搜索数据和市场分析自动执行买卖操作。
这套工具主要面向具备 Python 基础的开发者、量化交易研究员以及对去中心化金融（DeFi）和 AI 结合感兴趣的技术人员。普通用户若无编程经验，直接使用门槛较高，但可将其作为研究自动化交易策略的参考范本。
其技术亮点在于模块化的架构设计，不仅原生集成了 Polymarket API 以方便获取市场元数据和执行订单，还内置了强大的 RAG（检索增强生成）支持。这意味着智能体可以连接本地或远程向量数据库，实时从新闻源、博彩服务及网络搜索中抓取信息，并结合大语言模型（LLM）工具进行深度提示工程，从而做出更明智的交易决策。此外，项目提供了清晰的数据模型和命令行接口，支持 Docker 部署，极大地降低了二次开发和功能扩展的难度。作为一个基于 MIT 协议开源的项目，Polymarket Agents 为探索 AI 在金融预测领域的应用提供了坚实且灵活的基础设施。
使用场景
一位量化交易开发者希望构建一个能自动分析突发新闻并在 Polymarket 预测市场上执行对冲策略的智能系统。
没有 agents 时
- 信息滞后严重：开发者需手动监控多个新闻源和社交媒体，往往在重大事件发生很久后才察觉，错失最佳交易窗口。
- 开发重复造轮子：每次尝试自动化都要从头编写连接 Polymarket API、处理订单签名及管理钱包私钥的底层代码，耗时且易出错。
- 决策缺乏上下文：简单的脚本无法理解新闻语义，只能基于关键词触发交易，导致在复杂语境下频繁误判并造成资金损失。
- 数据孤岛难整合：难以将实时市场数据、历史赔率与外部新闻源有效结合，无法构建具备检索增强生成（RAG）能力的高级分析模型。
使用 agents 后
- 全天候自主监测：agents 内置的数据源模块可实时抓取全球新闻与博彩数据，一旦检测到关键事件立即触发分析流程，实现毫秒级响应。
- 开箱即用的框架：直接调用 agents 提供的标准化连接器（如
Gamma.py和Polymarket.py），几分钟内即可部署安全的交易逻辑，无需关注底层签名细节。 - 智能语义决策：利用集成的 LLM 工具和 RAG 架构，agents 能深度理解新闻背景与市场情绪，做出符合逻辑的买卖判断，大幅降低误操作率。
- 模块化灵活扩展：开发者可基于其模块化架构轻松替换向量数据库或添加新的数据源，快速迭代出适应不同市场策略的专属智能体。
agents 将繁琐的底层基建转化为高效的智能决策流，让开发者能专注于策略本身而非接口对接，真正实现预测市场的无人化自动交易。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
Polymarket Agents
Polymarket Agents 是一个用于为 Polymarket 构建 AI 代理的开发者框架及工具集。
本代码以 MIT 开源许可证免费公开提供（服务条款）！
特性
- 与 Polymarket API 集成
- 面向预测市场的 AI 代理工具
- 支持本地和远程 RAG（检索增强生成）
- 可从投注服务、新闻提供商及网络搜索中获取数据
- 全面的 LLM 工具，用于提示工程
快速开始
此仓库适用于 Python 3.9。
克隆仓库：
git clone https://github.com/{username}/polymarket-agents.git cd polymarket-agents创建虚拟环境：
virtualenv --python=python3.9 .venv激活虚拟环境：
- 在 Windows 上：
.venv\Scripts\activate- 在 macOS 和 Linux 上：
source .venv/bin/activate安装所需依赖：
pip install -r requirements.txt设置环境变量：
- 在项目根目录下创建
.env文件：
cp .env.example .env- 添加以下环境变量：
POLYGON_WALLET_PRIVATE_KEY="" OPENAI_API_KEY=""- 在项目根目录下创建
向您的钱包充值 USDC。
尝试命令行界面：
python scripts/python/cli.py或直接进行交易：
python agents/application/trade.py注意：如果在 Docker 外运行命令，请设置以下环境变量：
export PYTHONPATH="."如果您更倾向于使用 Docker，我们提供了以下脚本：
./scripts/bash/build-docker.sh ./scripts/bash/run-docker-dev.sh
架构
Polymarket Agents 的架构由模块化组件构成，这些组件可由社区成员单独维护和扩展。
APIs
Polymarket Agents 的连接器标准化了数据源和订单类型。
Chroma.py：用于对新闻来源及其他 API 数据进行向量化处理的 Chroma DB。开发者可以添加自己的向量数据库实现。Gamma.py：定义了GammaMarketClient类，该类与 Polymarket Gamma API 进行交互，以获取并解析市场和事件元数据。包含检索当前及可交易市场的方法，以及关于特定市场和事件的详细信息。Polymarket.py：定义了一个与 Polymarket API 交互的Polymarket类，用于检索和管理市场与事件数据，并在 Polymarket DEX 上执行订单。该文件包括 API 密钥初始化、市场和事件数据检索以及交易执行等方法。此外，还提供了构建和签名订单的实用函数，以及测试 API 交互的示例。Objects.py：基于 Pydantic 的数据模型，用于表示交易、市场、事件及相关实体。
脚本
用于管理本地环境、远程部署应用服务器，以及面向最终用户的 CLI 命令的文件。
cli.py 是该项目的主要用户界面。用户可以通过运行各种命令与 Polymarket API 交互，检索相关新闻文章，查询本地数据，将数据或提示发送至 LLM，并在 Polymarket 中执行交易。
命令应遵循以下格式：
python scripts/python/cli.py command_name [attribute value] [attribute value]
示例：
get-all-markets
从 Polymarket 获取并显示按成交量排序的市场列表。
python scripts/python/cli.py get-all-markets --limit <LIMIT> --sort-by <SORT_BY>
- limit：要检索的市场数量（默认值为 5）。
- sort_by：排序依据，可为成交量（默认）或其他有效属性。
贡献
如果您希望为本项目做出贡献，请按照以下步骤操作：
- 分叉仓库。
- 创建新分支。
- 进行更改。
- 提交拉取请求。
请在提交贡献前运行 pre-commit 钩子。初始化方法如下：
pre-commit install
相关仓库
- py-clob-client：Polymarket CLOB 的 Python 客户端
- python-order-utils：用于生成和签署 Polymarket CLOB 订单的 Python 工具
- Polymarket CLOB client：Polymarket CLOB 的 TypeScript 客户端
- Langchain：用于构建上下文感知推理应用的工具
- Chroma：Chroma 是一款原生支持 AI 的开源向量数据库
预测市场相关阅读材料
- 预测市场：瓶颈与下一个重大突破，Mikey 0x：https://mirror.xyz/1kx.eth/jnQhA56Kx9p3RODKiGzqzHGGEODpbskivUUNdd7hwh0
- 加密货币与 AI 应用的前景与挑战，Vitalik Buterin：https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
- 超级预测：如何提升企业的判断力，Schoemaker 和 Tetlock：https://hbr.org/2016/05/superforecasting-how-to-upgrade-your-companys-judgment
许可证
本项目采用 MIT 许可证授权。详情请参阅 LICENSE 文件。
联系方式
如有任何疑问或咨询，请联系 liam@polymarket.com 或访问 www.greenestreet.xyz。
祝您使用 CLI 应用愉快！如遇任何问题，欢迎在仓库中提交 issue。
服务条款
服务条款 禁止美国公民及来自某些其他司法管辖区的人士在 Polymarket 上进行交易（通过用户界面和 API，包括由受限司法管辖区人士开发的代理），尽管数据和信息在全球范围内均可查看。
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。