Repolode
mnemox-ai

mnemox-ai/tradememory-protocol

Локальная память и предторговый контроль для AI-агентов: решения записываются в защищённую от подмены цепочку аудита SHA-256, доступно 20 MCP-инструментов.

Звёзды
1,440
Форки
170
Открытые issues
10
Последний коммит
15 дней назад

Эта страница описывает проект с открытым кодом и не является инвестиционной рекомендацией. Торговля и инвестиции могут привести к убыткам: оцените риски самостоятельно и соблюдайте законы своей страны перед использованием.

Что это?

TradeMemory Protocol помогает AI-агентам анализировать историю собственных сделок. Он синхронизирует закрытые сделки из Hyperliquid и Alpaca (а из MT5 и Binance spot — с помощью скриптов), а затем показывает, в каких случаях прошлые сделки приносили убытки, например при серии неудач из-за слишком крупных позиций. Перед новой сделкой агент может вызвать recall_memories, чтобы в первую очередь увидеть убыточные сделки в похожих условиях. Все данные хранятся в локальном файле SQLite.

Дополнительный прокси-модуль можно разместить между агентом и MCP-сервером Alpaca. Он без изменений передаёт инструменты только для чтения, а вызовы, размещающие ордера, проверяет по заданной пользователем политике: спискам символов, лимитам на номинальную стоимость и размер позиции, стоп-ордерам в связке с целевыми ордерами и дневным лимитам убытков. И отклонённые, и разрешённые решения записываются в журнал аудита. Ордера выше заданного порога номинальной стоимости требуют явного подтверждения, а каждый одобренный ордер прокси передаёт не более одного раза.

Каждая запись о решении хешируется с помощью SHA-256 и связывается с предыдущей; для ежедневных корней Merkle можно создать временную метку по RFC 3161. Проект распространяется по лицензии MIT. В документации проекта указано, что эмпирическая выборка невелика и проект предназначен для исследований и обучения, а не для предоставления финансовых рекомендаций.

Ключевые возможности

  • 01Синхронизирует закрытые сделки из Hyperliquid и Alpaca с локальной базой данных
  • 02Перед размещением нового ордера в результатах recall в первую очередь показывает убыточные сделки в похожих условиях
  • 03Прокси проверяет вызовы MCP, размещающие ордера, по заданной пользователем политике до их передачи брокеру
  • 04Отклонённые и разрешённые решения записываются в журнал аудита с цепочкой хешей
  • 05Ежедневные корни Merkle с возможностью создавать временные метки по RFC 3161
  • 06Предоставляет 20 инструментов MCP и REST API

Сценарии использования

  • Анализ собственной истории сделок, чтобы выяснить, какие условия или размеры позиций предшествовали убыткам
  • Предторговая проверка MCP-агента по его прошлым убыточным сделкам
  • Размещение слоя политик между агентом, подключённым к Alpaca, и ордерами для paper trading или реальной торговли
  • Ведение защищённой от подмены записи решений агента, в том числе решений не торговать

Быстрый старт

  1. 1

    Установите пакет из PyPI

    pip install tradememory-protocol
  2. 2

    Синхронизируйте историю сделок Hyperliquid (публичные исполнения, ключ не нужен)

    tradememory sync hyperliquid --address 0xYourAddress
  3. 3

    Зарегистрируйте сервер в Claude Code

    claude mcp add tradememory -- uvx tradememory-protocol

Что важно знать

  • Брокерский ограничитель (дополнение proxy) находится в предварительной версии и пока поддерживает только Alpaca.
  • Для дополнения proxy требуется Python 3.12 или новее.
  • API Hyperliquid возвращает только недавние исполнения, поэтому более старая история теряется, если не синхронизировать данные заранее.
  • Цепочка аудита позволяет обнаружить подделку, но не предотвращает её; записи не подписываются закрытым ключом.

В подборках

Темы

Частые вопросы

Что такое tradememory-protocol?
Локальная память и предторговый контроль для AI-агентов: решения записываются в защищённую от подмены цепочку аудита SHA-256, доступно 20 MCP-инструментов. TradeMemory Protocol помогает AI-агентам анализировать историю собственных сделок. Он синхронизирует закрытые сделки из Hyperliquid и Alpaca (а из MT5 и Binance spot — с помощью скриптов), а затем показывает, в каких случаях прошлые сделки приносили убытки, например при серии неудач из-за слишком крупных позиций. Перед новой сделкой агент может вызвать recall_memories, чтобы в первую очередь увидеть убыточные сделки в похожих условиях. Все данные хранятся в локальном файле SQLite.
tradememory-protocol можно использовать бесплатно? Какая у него лицензия?
tradememory-protocol распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
tradememory-protocol всё ещё поддерживается?
Активно поддерживается. Последний коммит в tradememory-protocol — 23 окт. 2026 г..
Для чего можно использовать tradememory-protocol?
Анализ собственной истории сделок, чтобы выяснить, какие условия или размеры позиций предшествовали убыткам Предторговая проверка MCP-агента по его прошлым убыточным сделкам Размещение слоя политик между агентом, подключённым к Alpaca, и ордерами для paper trading или реальной торговли Ведение защищённой от подмены записи решений агента, в том числе решений не торговать
Как установить tradememory-protocol?
Установите пакет из PyPI: pip install tradememory-protocol Синхронизируйте историю сделок Hyperliquid (публичные исполнения, ключ не нужен): tradememory sync hyperliquid --address 0xYourAddress Зарегистрируйте сервер в Claude Code: claude mcp add tradememory -- uvx tradememory-protocol
Где скачать tradememory-protocol?
Исходный код и инструкции по установке — на GitHub: https://github.com/mnemox-ai/tradememory-protocol

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

Открытая мультиагентная система для торговли криптовалютой: специализированные AI-дески генерируют сигналы, Risk Guard может отменять сделки, а бэктесты сравниваются со стратегией buy-and-hold.

2,1 тыс.302PythonAGPL-3.0Обновлён 3 месяца назад

Самостоятельно размещаемая платформа для AI-квант-исследований: от торговых идей до Python-стратегий, бэктестов, бумажной торговли и реального исполнения ордеров.

13,6 тыс.+93 за неделю2,8 тыс.PythonApache-2.0Активно поддерживаетсяОбновлён 14 часов назад