本期播客围绕 Bitget 的 AI 交易产品布局展开。Bitget AI 负责人 Bill 博士回顾了自己从传统 AI 研究与产业经历转入加密行业的过程，并系统介绍了 Bitget 在过去一年多对 AI 交易产品的迭代路径：从最初帮助用户捕捉市场信息、整理新闻与信号，到结合用户历史行为做风险画像与个性化建议，再到尝试通过 Agent Hub、Telegram 形态和类似 Claude Code 的交互方式降低 AI 交易使用门槛。
访谈还讨论了 AI 在交易中的边界：它已能显著提升普通用户的信息处理与辅助决策效率，但还难以完全替代顶级交易者；未来竞争重点不只是模型能力，更是安全体系、成本控制、产品丝滑度、长期记忆系统，以及对用户真实交易习惯的持续学习。双方最后也探讨了 AI 交易是否会“赢家通吃”、策略是否会快速失效等问题，结论是市场仍高度复杂，人性与黑天鹅因素仍让交易难以被单一系统彻底统治。
Bill 博士的 AI 背景与进入加密行业的契机
猫弟：欢迎大家来到这一期的《吴说不加密播客》。今天的采访对象是 Bitget AI 负责人 Bill 博士。先请您介绍一下自己，您是怎么进入加密行业的？另外，也想聊聊您在 AI 方面的经历。因为我听他们都叫您 Bill 博士，您是 AI 方向出身吗？
Bill 博士：我是 2009 年博士毕业的，本科、硕士、博士一直都是 AI 方向。读书期间也去过不少企业和研究院交流，还参加过很多国际会议。
毕业之后，我先在一家海外研究院做了 4 年人工智能的研发。后来去了国内一家大企业，做了 4 年搜索推荐和自然语言处理，并负责自然语言处理部门。再后来，我又去了一家海外电商公司 4 年负责 AI 整体研发，之后去另外一家大型企业负责了 3 年的全球营销算法整体研发。前后共计做了十六年。
去年年初，当时有猎头联系我，说 Bitget 有这样一个机会。虽然我之前没在币圈工作过，但我一直对金融比较感兴趣，也做过很多年的美股、港股交易，所以就去试了试。
那时候我对 Web3 其实谈不上熟，只是有一些了解，没有真正做过相关工作，所以面试前也有点忐忑。结果面试很快就通过了，拿到了 offer。职位是 Bitget 的 AI 负责人，到现在已经一年多了。整体来说，这段经历还是挺让我兴奋的。每天都有新的挑战和项目，虽然压力很大，但也很有成就感。
对我来说，最大的变化还是认知上的冲击。因为我原来对 Web3 只是听说过，没有真正深度参与，所以进来之后基本就是一边学习，一边做项目，过得非常充实。
AI 与交易结合是噱头，还是已经进入实用阶段？
猫弟：Bitget 是以交易产品为主的平台。你怎么看“AI + 交易”这件事？它现在是真的进入可行阶段了，还是更多还是市场炒作？因为现在不只是加密行业，几乎所有行业都在拥抱 AI。回到这个话题，你觉得它现在是实用性为主，还是也有蹭热点的成分？
Bill 博士：我觉得对 Bitget 来说，这件事已经不是噱头了，而是刚需。因为 Bitget 前七年其实没有专门的 AI 团队，甚至算法应用都极少，到了近两年才开始系统性投入，核心原因就是 AI 已经足够成熟，能够真正进入交易场景，不管是降本增效，还是提升收入和交易效率，都已经有现实价值。
交易本身非常复杂，不同用户的认知、风险偏好、策略和操作方式都不一样，所以关键不在于“要不要做 AI”，而在于 AI 切入交易链条的哪一层。
如果说完全自动化、像全自动驾驶那样，我觉得现在还做不到；但如果是做辅助，而且是分环节、分层次地辅助，那已经非常可行了。其实不管 Bitget 做不做，其他公司也都在做，而且已经拿到不少红利。
比如有些交易者主要看短期走势和量化信号，以前可能要盯很多屏幕和数据，现在 AI 很适合做整合和辅助判断。还有一些人是看新闻、财报和社交媒体来做决策，这里面很多工作本来就是信息搜集和整理，AI 也能明显提升效率。
再进一步，用户还会希望 AI 不只是帮他找信息，而是给出更具体的策略建议，比如仓位、方向、杠杆，甚至把交易按钮都准备好。更高阶一点，甚至接近资产管理的模式。
所以我们的判断是，AI 不可能完全替代最顶尖的专业交易员，但对普通用户来说，做到 95% 工作的替代，今天其实已经进入实用阶段了。
Bitget 的 AI 产品演进：从信息整理到交易辅助
猫弟：你的意思是，第一层其实已经比较成熟了，比如帮用户了解项目背景、做信息整理和辅助判断。那 Bitget 现在的 AI 产品，更偏向前期辅助决策，还是已经往具体执行走了？
Bill 博士：这要从去年说起。我入职一个月后，我们就启动了 Agent 方向。那时候 Agent 还是很新的概念，大家都在摸索。最开始我们先做了一个小尝试，叫“Meme 捕手”，因为当时 Meme 币特别火，市场信号又快又杂，用户很难及时抓住交易机会。
这个产品做了两个月，效果还不错，但能力比较单一，主要还是抓 Meme 相关信号。后来我们把它升级成 GetAgent，最初的目标就是解决第一层需求，也就是信息收集和整理。因为这部分本质上是体力活，只要把流程和模型调好，就能显著提升效率。
所以一开始我们重点做的是信息侧能力，包括定制币圈的重要新闻源，再把这些高质量信息提供给模型做分析，而不是单纯让模型自己去全网搜索。这样做下来，信息收集和分析的准确性提升了很多，用户满意度也比较高。
但后来用户开始提出更进一步的需求，不只是想看信息，还希望得到决策建议。比如做多还是做空、买多少、适合什么风险等级的策略。于是我们开始结合用户历史交易记录做画像，分析他的风险偏好和交易习惯，再给出更个性化的建议。
因为信息层相对可以通用，但到了交易层，差异就很大了。不同用户面对同一个问题，答案可能完全不一样。所以后来 GetAgent 逐步往个性化匹配上走，这部分也做了很多细节打磨。
我们当时甚至做到了执行层。比如用户可以直接说“帮我买 10U 的比特币”，系统会很快把交易按钮准备好，用户确认后就能下单。当然，前提是指令必须足够明确，不能太模糊。
这个功能上线后，确实有人在用，交易量也在涨。但后来我们发现，如果继续往“直接帮用户下单”这个方向深推，用户很容易产生误解，觉得这个产品已经能替他赚钱了。一旦亏损，预期和现实之间就会出现问题。
所以后来我们调整了方向，没有继续重点优化自动下单，而是把重心放回到信息采集、聚合分析和个性化供给上，把这些能力做得更扎实。
再到今年年初，我们上线了 Agent Hub。它不是像 GetAgent 那样在 App 里一问一答、返回长篇内容，而是更偏向高级用户，支持他们通过程序调用底层能力，用命令行等方式完成交易。
这个方向当时获得了一些关注，但使用门槛还是偏高。因为真正会写程序、会用命令行做交易的人很少，绝大多数用户还是普通交易者，他们需要的是更简单、更直接的产品形态。
所以后来我们又把入口放到了 Telegram 上。用户只要打开链接、登录 Bitget 账号，就可以用类似 Agent 的方式来完成交易，整体体验会更顺畅。
猫弟：那安全性怎么解决？
Bill 博士：安全上我们做了沙箱隔离、四层身份验证和独立环境，核心就是保证用户资产安全。另外，我们也尽量降低普通用户的使用门槛。因为很多类似产品需要用户自己接模型、管 Token 成本、选服务方案，这对大部分人来说太复杂了。我们希望把这些底层复杂度都收起来，让用户更容易上手。
Bitget AI 交易产品的底层逻辑与用户体验设计
猫弟：你们用的是哪个大模型？
Bill 博士：我们用了多个大模型，会根据不同任务做智能分配，核心是同时兼顾成本和效果。简单任务不能一直用最贵的模型，复杂任务也不能只靠便宜模型，所以我们更像是在做一套整体优化。
在产品设计上，我们一开始就希望把门槛降下来。比如先给用户一定的免费额度，额度用完再付费，这样更容易上手。用户也不用自己去买 Token、选模型，直接就能用到我们已经打磨好的底层能力。
后来我们把很多能力都迁到了 Telegram 上，包括信息获取、分析处理和一些基础交易策略。Telegram 上的这个产品叫 GetClaw。这样用户就像聊天一样，直接和系统交互，使用起来会更顺滑。因为以前放在 App 里时，很多用户其实连入口都找不到，但放到 Telegram 里，路径就更直接了。
这一套体验打通之后，GetClaw 很快就起来了。我们还配合做了交易大赛，给用户提供体验金和奖励，本质上是希望帮助大家更自然地适应这种 Agent 交易模式。
但我们也一直强调，工具再好，交易也不可能完全脱离人的判断。什么时候进、什么时候出，还是很关键。完全依赖模型不行，完全不用模型也不行，所以我们想做的不是替代用户，而是把工具做到足够好，同时帮助用户提升认知。这也是为什么我们从开始做 AI 起，就提出了一个目标，叫“让 1 亿用户比肩华尔街”，本质上是要让他们成为更好的交易者。
我们的目标，其实是让交易变得更简单、更个性化。比如系统能逐步理解你的交易习惯、风险偏好和操作风格，把前面复杂的分析过程收敛掉，最后给你几个清晰的决策选项。这样你在操作的时候，会更有依据，也更放心。
所以这个产品模式最核心的有两点：第一，是长期记忆和个性化适配，系统能够不断学习用户；第二，是安全、有效，而且底层工具还在持续进化。GetAgent 这一年多已经打磨了很多底层能力，GetClaw 也是在这个基础上做出来的。当然，现在还不完美，后面还会继续迭代。
猫弟：你们有没有统计过，目前 AI 交易的交易量大概是多少？
Bill 博士：现在其实还不多。放在公司整体交易量里看，完全由 AI 驱动的占比还很低。因为要让用户大规模信任“由 AI 引导交易”这件事，本身还需要一个培育过程。
另外，这个领域变化也特别快。大模型一直在快速迭代，很多时候你前面的产品形态不需要大改，只是把后端模型从旧版本切到新版本，整体效果就能明显提升。这说明现在模型能力和应用层其实已经开始解耦了，底层模型一升级，上层体验就会跟着提升。
所以现在的状态是，前面的应用在快速迭代，后面的模型也在不断进步，整个生态变化非常快。以前一个需求可能要做一两个月，现在几天甚至一天就能上线。
在这种情况下，真正重要的反而不只是开发能力，而是对业务本身，尤其是对交易这件事的理解。因为工具和模型都在进化，但最终决定产品价值的，还是你对场景的认知。
Bitget AI 产品的竞争优势与持续优化方向
猫弟：现在不只是 Bitget，币安、OKX 也都在做 AI 相关产品。你有没有看过他们发布的那些 skill 或产品？你觉得 Bitget 的 AI 产品和其他交易所相比，有哪些优势？会在哪些方面做得更好？
Bill 博士：这是个很好的问题，我们也一直非常关注行业里的最新进展。在 AI 方面，所有交易所都在同一起跑线，所以我们将其视为“弯道超车”的机会，同时，AI 是一个无论人才还是资金都投入巨大的领域，注定是几家头部交易所的赛场，Bitget 在这块的投入是巨大的。
其实从去年做 GetAgent 开始，我们就在探索币圈里的 AI Agent 应该怎么做。当时几乎没有现成的参考对象，只能一边看其他领域怎么做，一边结合自己的业务不断摸索。到现在做了一年多，我们已经积累了比较扎实的底层能力，也形成了一套持续迭代的方法。
如果说和其他交易所相比，我觉得我们的优势主要有几个方面。
第一，是迭代经验。从去年 3 月开始做 AI Agent 到现在，我们已经经历了多个季度的持续迭代。这个过程其实很痛苦，很多时候都像是推翻重来，但也正因为这样，积累下来的经验会比较深。这方面我们不敢说一定是行业第一，但至少是做得比较早、也比较深入的。
第二，是安全。像这类 Agent 产品刚出来时，很多人一窝蜂去尝试，但后来又因为安全问题退出来。我们内部一直把安全放在很高的位置，哪怕会影响开发效率，也必须优先保证安全。经过连续几个季度的打磨，到目前为止，我们在 AI 交易和 AI Agent 这块还没有出过明显问题，这也是一个很重要的优势。
第三，是我们跟进新产品形态的速度比较快。无论是 Agent Hub，还是后来的 GetClaw，我们都上线得比较早，而且不只是做产品本身，也会结合交易场景去设计玩法。比如之前我们尝试过把 AI 交易员和跟单体系结合起来，用户可以根据 AI 交易员的表现去选择跟单，这其实是在交易场景上的进一步创新。
表面上看，这类产品现在谁都能做，借助一些开发工具，很快就能搭一个出来。但真正做出来之后，是否丝滑、是否稳定、是否可靠，其实差别非常大。这背后不是只看用了哪个模型，而是看你能不能把模型、成本、质量、安全和用户体验一起做好。
尤其是在 C 端场景里，成本控制非常关键。如果不做优化，这类产品的成本很容易失控。所以我们现在做的，已经不只是“用哪个大模型”，而是怎样把多个能力做更深的组合和调优，在保证体验和质量的同时，把成本控制在合理范围内。
所以总结下来，我觉得我们的优势主要是三点：一是做得早，迭代久，积累深；二是安全体系相对扎实；三是在 skill 和产品能力的整合上，已经形成了一定的方法和底座。
当然，如果说还有什么需要持续优化的地方，我觉得最重要的不是继续盯着同行，而是更多向用户学习。因为 AI 交易最终不是比谁功能更多，而是比谁更理解用户。用户今天对 AI 交易的认知、习惯和预期到底是什么，这件事我们还要持续去研究。
说到底，用户来交易平台的目标还是赚钱。我们不能保证用户一定赚钱，但我们希望能让他在交易这件事上走得更快、更方便、更舒服。比如最后系统只给你几个清晰、个性化的选项，并把背后的逻辑讲清楚，让你比以前更容易判断、更安心地下决策。
所以这件事还远没有到终点。我们现在的重点，就是继续把体验做得更丝滑、更安全、更个性化，同时也继续向同行和用户学习。
AI 交易会赢者通吃吗？策略会不会很快失效？
猫弟：你刚才讲了一个比较理想的“AI + 交易”场景，我再问两个细节问题。
第一个问题是，执行 AI 交易的模型能力一定有强有弱。未来会不会出现“赢者通吃”的情况？比如资金更多的人可以买更强的大模型，拥有更多算力和更快速度，最后少数人就能战胜绝大多数人，把市场上的钱都赚走。
第二个问题是，交易市场变化很快，一套策略往往只在某个阶段有效，很快就会被模仿、跟进，甚至被针对。那 AI 交易是不是也有这个局限？是不是不可能长期维持固定优势，而必须持续迭代？
Bill 博士：这两个问题，确实都是行业里非常关注的话题。
先说“赢者通吃”。我觉得不太容易出现。可以类比股票市场，量化和基金行业已经发展很多年了，但到今天也没有哪一家公司把市场利润全部吃掉。即便头部机构很强，市场里依然会长期存在很多参与者。
原因很简单，交易系统本身太复杂了，不是几个变量就能决定结果，背后可能有成千上万个变量，还有各种突发事件和黑天鹅。所以我不认为会有谁能真正百分之百通吃市场。
第二个问题，我觉得 AI 交易一定有天花板。假设完美交易是 100 分，那今天 AI 可能能做到 90 分，未来也许会逼近 99 分，但很难真正到 100 分。
猫弟：你说的是现在 90 分，还是未来也只能到这个水平？
Bill 博士：我是说现在大概 90 分。未来会继续提升，但我觉得永远很难做到满分。因为金融交易最难的地方，归根结底还是人性。只要市场背后还有人在参与、在决策，就一定会有情绪、偏差和非理性存在。
当然，未来也可能出现一种更极端的情况，就是市场里主要不是人在交易，而是 Agent 和 Agent 在交易。那时候情况会不一样，因为机器执行纪律一定比人更稳定，拼的就是模型能力、系统能力和速度。
但就今天的加密市场来看，还远没有发展到那个阶段。所以整体上，这仍然是一个持续演化的过程。只要交易里还有人的参与，就不可能完全消除不确定性。
猫弟：这个回答我很认同。因为交易很多时候本来就是用理性去克服情绪。如果未来全都是 AI 在交易，那最后拼的可能就是智能水平和速度了。
Bill 博士：对，现在还远没到那一步，所以这个领域还有很大的空间，也很有意思。
