Polymarket Agents：让 AI 自动参与预测市场

Polymarket Agents 是一款免费开源的 Python 框架，用于构建可在 Polymarket 预测型交易市场中自主完成交易的 AI 智能体。该框架集成了 Polymarket API，可从新闻资讯和交易投注数据中提取信息，借助检索增强生成（RAG）技术实现智能信息检索，并提供大语言模型（LLM）工具来落地各类交易策略 —— 例如当 YES/NO 类型交易标的的平均成本跌破 1 美元时，识别这类存在稳赚空间的低价标的并完成交易。
使用该框架的核心优势在于：实现无情绪干扰的自动化交易，即时捕捉市场定价失效的套利机会，无需持续人工监控即可提升投资收益。

在大多数 AI 应用还停留在「回答问题」「生成内容」阶段时，Polymarket Agents 已经把 AI 推向了一个更现实、也更残酷的场景——用真金白银对未来下注。

这是一个由 Polymarket 团队开源的实验性项目，目标并不是打造一个商业化产品，而是探索一个问题：

如果 AI 成为预测市场的参与者，会发生什么？

什么是预测市场？

在理解 agents 之前，需要先知道 Polymarket 在做什么。

Polymarket 是一个预测市场（Prediction Market）平台。
用户可以围绕现实世界的问题下注，例如：

• 某位候选人是否会当选
• 某项政策是否会在特定时间前通过
• 某个事件是否会发生

市场中的价格，代表的是集体对未来的概率判断。

例如：

• YES 价格为 $0.63
• ≈ 市场认为事件发生概率是 63%

Polymarket Agents？

Polymarket Agents 是一个 AI Agent 框架示例项目，展示如何构建：

能够自主获取信息、分析事件、判断概率，并在预测市场中自动交易的 AI 智能体

它不是 Polymarket 主站的一部分，而是一个独立、开源、实验性质的代码仓库。

换句话说：

• Polymarket = 市场
• agents = 自动参与市场的「AI 玩家」

在做什么？

一个 agent 的基本工作流程可以简化为四步：

1. 关注某个市场问题
2. 获取外部信息（新闻、数据、推理）
3. 使用 LLM 分析事件走向
4. 根据判断结果买入 / 卖出

这里的关键不是「预测对不对」，而是：

AI 是否能持续更新自己对概率的判断，并用市场行为表达出来

Agent 的设计思路

这个项目采用的是典型的 Agent 架构，而非一次性 Prompt。

每个 agent 通常包含：

状态（State / Memory）

• 当前持仓
• 已观察的信息
• 过去的判断

工具（Tools）

• 查询市场数据
• 获取外部信息
• 执行交易

决策逻辑（LLM Reasoning）

• 分析新信息是否改变事件概率
• 判断是否值得调整仓位

这种设计让 agent 成为一个长期运行、可演化的决策体。

这个项目有意思？

AI 不再只是“输出文本”

在这里，AI 的输出不是一段回答，而是：

• 买 or 卖
• 多 or 空
• 行动是否被市场验证

这是有成本、有反馈、有后果的决策。

市场是天然的“评测系统”

与传统 benchmark 不同：

• 不需要人为打分
• 不需要设计测试集

市场价格本身就是评价标准。

如果 AI 判断错误：

• 会直接体现在盈亏上

群体智能的实验场

当多个 agent 同时运行时，会自然产生问题：

• AI 会不会形成共识？
• 会不会彼此影响？
• 人类和 AI 谁更理性？

这些问题，在预测市场中可以被真实观察。

项目的实验性??

需要强调的是：

Polymarket Agents 并不是一个成熟产品

它的特点包括：

• 偏研究 / demo 性质
• 代码结构为探索服务
• 不追求交易策略收益最大化

这是一个**“提出问题比给答案更重要”**的项目。

Github：https://github.com/Polymarket/agents
油管：https://youtu.be/MKhQi-A_byc