Polymarket Agents

Polymarket Agents 是一个面向开发者的开源框架，帮助用户基于大语言模型（LLM）构建能在 Polymarket 预测市场上自主交易的 AI智能体。项目采用 MIT 开源协议，基于 Python 3.12+、LangChain 和 FastAPI 构建，支持 RAG（检索增强生成）、多源数据整合与超级预测方法，适合对 AI + 金融交叉领域感兴趣的开发者。

⚠️ 注意：根据 Polymarket 服务条款，美国用户及部分受限制地区用户不得参与交易（包括通过 API 或代理），但可查看市场数据。

核心能力

• AI 驱动的自主交易
  利用 LLM 分析市场、生成交易信号，并自动执行买卖操作。
• 完整 Polymarket API 集成
  支持获取市场/事件元数据、查询流动性、构建并签名交易订单。
• RAG 增强决策
  通过 Chroma 向量数据库整合新闻、网页搜索（如 Tavily）、赔率服务等外部信息，提升预测准确性。
• 超级预测方法论
  借鉴 Tetlock 等研究，将结构化判断、概率校准等策略融入代理逻辑。
• 模块化架构
  核心组件（如 Gamma.py、Polymarket.py、Objects.py）解耦清晰，便于扩展或替换数据源、向量库或交易策略。
• 容器化部署
  提供 Docker 镜像支持，一键构建与运行，适合本地开发或远程服务器部署。

快速上手

环境要求

• Python 3.12+
• pip 或更快的 uv 包管理器
• （可选）Docker

安装步骤

# 克隆项目
git clone https://github.com/BlackSky-Jose/PolyMarket-AI-agent-trading.git
cd poly-ai-trading-agent

# 创建并激活虚拟环境
python -m venv .venv
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate   # Windows

# 安装项目（含开发依赖）
pip install -e ".[dev]"

配置 .env

在项目根目录创建 .env 文件，填入必要密钥：

POLYGON_WALLET_PRIVATE_KEY="your_polygon_private_key"
OPENAI_API_KEY="your_openai_api_key"
NEWSAPI_API_KEY="optional_news_api_key"
TAVILY_API_KEY="optional_tavily_api_key"

钱包需提前充值 USDC（用于真实交易）。

使用方式

命令行工具（CLI）

项目提供丰富的 CLI 命令，覆盖数据查询、LLM 交互与交易执行：

# 查看所有市场（按价差排序）
python -m scripts.python.cli get-all-markets --limit 10 --sort-by spread

# 获取事件列表
python -m scripts.python.cli get-all-events --limit 5

# 向 LLM 提问
python -m scripts.python.cli ask-llm "哪些市场当前具有高预期收益？"

# 启动自主交易代理（⚠️ 谨慎使用）
python -m scripts.python.cli run-autonomous-trader

直接运行交易逻辑

python -m agents.application.trade

Docker 部署

# 构建镜像
docker build -t poly-ai-trading-agent .

# 运行容器（加载 .env）
docker run --env-file .env poly-ai-trading-agent

项目也提供了封装脚本：./scripts/bash/build-docker.sh 和 run-docker-dev.sh。

架构亮点

• Gamma.py：封装 Polymarket Gamma API，用于获取市场结构与元数据
• Polymarket.py：处理 DEX 交易逻辑，包括订单构建、签名与提交
• Chroma.py：实现新闻与外部数据的向量化存储，支持 RAG 查询
• Objects.py：基于 Pydantic 定义统一数据模型（市场、事件、交易等）

整个系统通过 cli.py 统一入口，支持命令式交互，也便于集成到自动化流水线中。

开发与质量保障

项目采用现代 Python 工程实践：

• Ruff：代码格式化与 lint
• mypy：静态类型检查
• pre-commit：提交前自动校验
• pytest：单元测试

贡献者需遵循代码规范，并通过 ruff、mypy 和测试套件验证。

适用场景

• 构建基于新闻事件的自动预测交易策略
• 实验 LLM + RAG 在金融决策中的有效性
• 探索超级预测方法与 AI 的结合
• 教学或研究 AI 代理在去中心化市场的行为