Zerolang:Vercel推出的面向Agent的编程语言,GitHub 3800+ Star

Vercel最近开源了一个新项目:Zero,一个专门为AI Agent设计的编程语言。项目上线几天就拿到了3800+ Star,引发了开发者的广泛关注。

什么是Zerolang?

Zero是一个”agent-first”的编程语言实验项目。它的核心理念是:现有的编程语言都是为人类设计的,但AI Agent需要一种更适合它们特性的语言。

项目地址:github.com/vercel-labs/zerolang

Zero目前是一个”pre-1″阶段的实验项目,Vercel明确提醒:不要在生产环境中使用,只在安全的非生产环境中运行。

为什么需要为Agent设计语言?

这个问题值得深思。目前的AI Agent大多使用Python、JavaScript等通用语言来编写。但这些语言是为人类程序员设计的,有一些特性对Agent来说并不理想:

1. 语法冗余:人类语言设计的语法对Agent来说可能过于冗长。Agent不需要可读的变量名、注释、格式化——它们直接操作AST(抽象语法树)。

2. 错误处理:人类语言的错误处理机制(try/catch、返回值检查)对Agent来说可能不够高效。Agent需要更直接的错误恢复机制。

3. 状态管理:Agent需要频繁地保存和恢复状态,但传统语言的状态管理方式对Agent来说不够友好。

4. 工具调用:Agent的核心能力是调用工具(API、文件系统、浏览器等),但传统语言的工具调用方式对Agent来说不够直观。

Zero的设计理念

根据项目文档,Zero的设计理念包括:

极简语法:Zero的语法被设计得尽可能简单,减少Agent解析和生成代码的复杂度。

原生工具调用:Zero内置了工具调用的支持,Agent可以直接调用外部工具,不需要额外的包装代码。

状态持久化:Zero原生支持状态的保存和恢复,Agent可以在任意点暂停和恢复执行。

错误恢复:Zero的错误处理机制被设计得更适合Agent的特性,允许Agent在出错时自动恢复或重试。

技术实现

Zero是用C语言实现的,这意味着它的运行速度很快。项目使用了LLVM作为后端,可以编译成高效的机器码。

Zero的解释器支持REPL(交互式执行),可以逐行执行代码,这对Agent的调试和测试很有帮助。

项目还提供了VS Code扩展,支持语法高亮和基本的代码补全。

类似项目对比

Zero并不是唯一一个为AI设计的编程语言。类似的项目还有:

Aider:一个AI辅助编程工具,但它是基于现有语言的,不是新语言。

Cursor:一个AI驱动的代码编辑器,同样是基于现有语言。

GitHub Copilot:AI代码补全工具,不涉及新语言设计。

Zero的独特之处在于它从语言层面重新设计,而不是在现有语言上添加AI功能。

对开发者的启示

1. 关注趋势:为AI设计专用工具(包括编程语言)是一个值得关注的趋势。随着AI Agent的普及,这类工具会越来越多。

2. 不要盲目跟风:Zero目前还是实验阶段,不要在生产项目中使用。但可以关注它的设计理念,思考如何在现有项目中应用类似的思想。

3. 学习语言设计:如果你对编程语言设计感兴趣,Zero是一个很好的学习案例。它展示了如何为特定用途设计语言。

4. 参与开源:Zero是开源项目,如果你有想法或发现bug,可以提交issue或PR。

总结

Zerolang是一个有趣的概念验证项目,它提出了一个重要的问题:AI Agent是否需要专用的编程语言?虽然目前还是实验阶段,但它代表了一种新的思考方向。

对于大多数开发者来说,现在不需要学习Zero,但值得关注这个方向的发展。随着AI Agent的成熟,为Agent设计的工具和语言会越来越多。

项目地址:github.com/vercel-labs/zerolang

来源:zerolang.ai

© 版权声明
THE END
喜欢就支持一下吧
点赞9 分享
相关推荐
<p>GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应用领域的标杆项目。这个基于大语言模型的多Agent金融交易框架,让”AI炒股”从概念走向了可实验的开源工具。</p>

<h2>项目简介</h2>

<p>TradingAgents是一个开源的多Agent金融交易分析框架,核心思路是让多个AI Agent各司其职,协同完成金融市场的分析和交易决策。项目地址:<a href=GitHub – TauricResearch/TradingAgents

架构设计

TradingAgents的设计借鉴了真实金融交易团队的分工模式,将不同职责分配给不同的Agent:

  • 分析师Agent:负责分析市场数据、财报、新闻等信息,产出分析报告。
  • 研究员Agent:深入研究特定行业或公司,提供基本面分析。
  • 交易员Agent:根据分析结果制定交易策略和执行计划。
  • 风控Agent:评估交易风险,设置止损和仓位控制。
  • 决策Agent:综合各方意见,做出最终交易决策。

这种多Agent协作的模式,模拟了真实对冲基金的决策流程。每个Agent可以使用不同的LLM模型,甚至可以使用同一模型的不同温度参数来产生多样化的观点。

使用场景

学术研究

TradingAgents是研究多Agent系统在金融领域应用的优秀平台。研究人员可以修改Agent的提示词、调整协作机制、测试不同的决策算法。

策略回测

框架支持接入历史市场数据,可以用来回测AI交易策略的表现。这对于量化交易团队评估AI辅助决策的价值很有帮助。

学习和教育

对于想了解AI在金融领域应用的开发者,TradingAgents是一个很好的学习项目。代码结构清晰,文档完善,适合上手研究。

安装和运行

# 克隆项目
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 安装依赖
pip install -r requirements.txt

# 配置API密钥
cp .env.example .env
# 编辑 .env 文件,填入 OpenAI API key

重要风险提示

⚠️ 以下几点需要特别注意:

  • 不要用真金白银:TradingAgents是一个研究和实验框架,不是成熟的交易系统。绝对不要用它来做实盘交易。
  • AI不是万能的:金融市场受到无数因素影响,AI模型无法预测黑天鹅事件、政策变化、市场情绪等非理性因素。
  • 回测不等于实盘:在历史数据上表现好的策略,在真实交易中可能完全失败(过拟合问题)。
  • 合规风险:在某些司法管辖区,使用AI进行自动化交易可能受到监管限制。

同类项目参考

如果你对AI+金融感兴趣,还可以关注以下项目:

  • FinRL:深度强化学习金融交易框架
  • Qlib:微软开源的量化投资平台
  • GPT-Financial-Analyst:基于GPT的财务分析工具

来源:

-枫选">

GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应用领域的标杆项目。这个基于大语言模型的多Agent金融交易框架,让”AI炒股”从概念走向了可实验的开源工具。

项目简介

TradingAgents是一个开源的多Agent金融交易分析框架,核心思路是让多个AI Agent各司其职,协同完成金融市场的分析和交易决策。项目地址:GitHub – TauricResearch/TradingAgents

架构设计

TradingAgents的设计借鉴了真实金融交易团队的分工模式,将不同职责分配给不同的Agent:

  • 分析师Agent:负责分析市场数据、财报、新闻等信息,产出分析报告。
  • 研究员Agent:深入研究特定行业或公司,提供基本面分析。
  • 交易员Agent:根据分析结果制定交易策略和执行计划。
  • 风控Agent:评估交易风险,设置止损和仓位控制。
  • 决策Agent:综合各方意见,做出最终交易决策。

这种多Agent协作的模式,模拟了真实对冲基金的决策流程。每个Agent可以使用不同的LLM模型,甚至可以使用同一模型的不同温度参数来产生多样化的观点。

使用场景

学术研究

TradingAgents是研究多Agent系统在金融领域应用的优秀平台。研究人员可以修改Agent的提示词、调整协作机制、测试不同的决策算法。

策略回测

框架支持接入历史市场数据,可以用来回测AI交易策略的表现。这对于量化交易团队评估AI辅助决策的价值很有帮助。

学习和教育

对于想了解AI在金融领域应用的开发者,TradingAgents是一个很好的学习项目。代码结构清晰,文档完善,适合上手研究。

安装和运行

# 克隆项目
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 安装依赖
pip install -r requirements.txt

# 配置API密钥
cp .env.example .env
# 编辑 .env 文件,填入 OpenAI API key

重要风险提示

⚠️ 以下几点需要特别注意:

  • 不要用真金白银:TradingAgents是一个研究和实验框架,不是成熟的交易系统。绝对不要用它来做实盘交易。
  • AI不是万能的:金融市场受到无数因素影响,AI模型无法预测黑天鹅事件、政策变化、市场情绪等非理性因素。
  • 回测不等于实盘:在历史数据上表现好的策略,在真实交易中可能完全失败(过拟合问题)。
  • 合规风险:在某些司法管辖区,使用AI进行自动化交易可能受到监管限制。

同类项目参考

如果你对AI+金融感兴趣,还可以关注以下项目:

  • FinRL:深度强化学习金融交易框架
  • Qlib:微软开源的量化投资平台
  • GPT-Financial-Analyst:基于GPT的财务分析工具

来源:

GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应...

11天前 50
评论 抢沙发

请登录后发表评论

    暂无评论内容