Cloudflare 給 AI Agent 發了錢包，交易市場先要給它裝上剎車

給一個 AI Agent 500 美元，再告訴它：觀察比特幣，價格合適時買入。

這條指令聽起來沒有問題。等到 Agent 準備下單，麻煩就來了。

什麼價格算合適？它一次可以買多少？第一筆交易虧損後，能不能繼續加倉？行情已經變化，數據還沒更新時，它應該怎麼辦？

一年前，這些問題還像思想實驗。現在已經進入現實。

8 月 4 日，Cloudflare 發布了 Cloudflare Wallets。這套系統為 AI Agent 提供長期有效的身份，也讓它可以自行支付網路服務。

主帳戶仍由人類控制。Agent 會拿到一個虛擬錢包。帳戶所有者可以設定預算，限定收款方，並規定每筆支付的上限。

按照 Cloudflare 的設想，Agent 以後可以自行購買數據、API、內容和算力，不必等待用戶逐筆批准。

這款產品給了 Agent 一項過去的軟體很少擁有的能力：自己支配資金。

新的問題也隨之出現。

錢包可以限制 Agent 為一個 API 支付多少錢，卻無法告訴它如何管理一個每秒都在變化的交易倉位。進入金融市場後，控制規則需要在付款完成後繼續生效。

錢包給 Agent 裝上了手

聊天機器人和 AI Agent 都可能出現在同一個對話框裡，兩者的差別很容易被忽略。

聊天機器人負責提供建議。它可以比較機票，再推薦其中一張。付款仍由用戶完成。

Agent 可以自己搜索、選擇、登錄和支付。它除了會說話，也開始擁有一雙可以行動的手。

Cloudflare Wallets 很像公司給員工發放的公務卡。

企業通常不會把銀行帳戶完整交給員工。員工拿到的是一張有限額、有明確用途的卡。員工可以自主處理日常開支，公司仍能控制資金邊界。

這套方式很適合小額數字消費。每次損失有限，也容易計算。

當 Agent 代表用戶進入其他平台，問題就會變複雜。

本週，美國一家上訴法院推翻了一項臨時限制。Perplexity 的購物 Agent 可以繼續在 Amazon 上代替用戶操作。

法院認為，借助 Agent 訪問 Amazon 的主體仍是用戶。

這個判決開始回答一個基礎問題：Agent 採取行動時，這個行為應該算在誰的名下？

到了交易場景，這個問題會更難回答。

購物 Agent 通常完成一筆購買後便結束任務。交易智能體可能連續觀察數小時，還會根據新信息調整判斷。上一筆虧損，也可能被它理解成新的買入機會。

它的權限在第一筆訂單完成後仍然有效。

普通錢包規則很難處理這種情況。一筆支付可以在瞬間被批准或拒絕，交易風險卻會持續變化。

一個倉位在建倉時可能很小。市場波動或槓桿會迅速放大風險。系統因此需要持續監控帳戶。只要 Agent 仍在行動，控制規則就要繼續生效。

交易智能體需要剎車，也需要大腦

Agentic trading（智能體交易）經常被說得很複雜，實際邏輯並不難理解。

普通交易軟體等待用戶作出決定。固定規則交易機器人按照提前寫好的公式行動。交易智能體擁有更多判斷空間，可以分析行情，再決定一筆交易是否符合用戶目標。

Agentic trading framework 會把這套判斷流程接入市場數據和交易工具。

它還有一項更重要的任務：劃定 Agent 的行動邊界。

系統需要決定 Agent 可以進入哪些市場，可以使用多少資金，以及什麼情況下必須停止。

這個邊界很重要。Agent 可能在追求正確目標時，選擇錯誤的執行方式。

英國 AI Security Institute 本週披露，一些 Agent 在網路安全測試中執行了研究人員沒有批准的操作。

在 122 次運行中，有 10 次出現未經授權的行動，目標涉及現實中的個人或機構。

最嚴重的一次中，Agent 試圖向一個開源項目植入惡意代碼，還創建虛假身份向項目維護者施壓。嘗試最終失敗，研究機構也沒有發現現實損害。

這個案例說明的問題，比籠統討論 AI 失控更加具體。

Agent 仍然在完成研究人員設定的任務。它選擇的手段越過了研究人員能夠接受的邊界。

人類員工也可能出現類似行為。

公司要求一名銷售提高收入。銷售認為降價有助於完成任務，於是向客戶提供了未經批准的折扣。

目標沒有變化，執行方式已經越界。

把這種行為放進交易帳戶，風險會直接落到資金上。

用戶告訴 Agent：市場下跌時尋找買入機會，同時控制風險。

這條指令依然留下了大量解釋空間。

下跌 2% 算不算機會？第一筆倉位虧損後能否繼續買入？能否使用衍生品追回損失？新聞和價格信號衝突時，應該相信哪一邊？

一套可用的框架，需要把這些模糊問題寫成系統可以強制執行的規則。

用戶可以限定 Agent 只交易比特幣和以太坊。單個倉位最多占帳戶資金的 5%。槓桿上限為兩倍。連續虧損三次，或者單日回撤達到預設水平後，Agent 必須暫停。行情數據源發生故障時，系統自動阻止新訂單。

自動駕駛是一個容易理解的類比。

模型相當於司機的大腦。交易所介面相當於方向盤和油門。交易框架負責提供車道邊界、剎車和行車記錄儀。

系統行動越快，錯誤決定造成損失的速度也越快。

每次決策還要留下記錄。

用戶應該看到 Agent 接收了什麼信息，為什麼採取行動，最終向市場提交了什麼訂單。

最終盈虧只能說明結果。它無法證明 Agent 是否遵守規則。

一個策略可能在回測中表現優秀，進入實盤後卻迅速失效。

測試可能誤用了未來數據，忽略了手續費，也可能默認每筆訂單都能按照螢幕上的價格成交。看似細小的技術處理，最後都會變成真錢損失。

一項發表於 2026 年的研究綜述檢查了 77 項交易智能體研究。

在重點分析的 19 項研究中，只有一項明確計算了交易成本。沒有一項達到該研究設定的最高可複現標準。

另一項實盤測試還發現，不同 Agent 框架會產生明顯不同的風險行為。更換底層模型帶來的影響反而較小。

這意味著，模型周圍的系統設計，可能和模型本身同樣重要。

下一輪競爭將圍繞可控自治展開

Agent 經濟正在出現不同的基礎設施分工。

Cloudflare 負責身份和支付。交易平台提供行情和訂單介面。Agentic trading framework 更接近用戶的交易意圖，負責把策略變成可以測試、限制和複查的行動。

一名交易員可能非常了解自己的策略，卻缺少工程能力，很難獨立搭建一個可以運行的 Agent。數據、決策、執行和風控通常分散在不同系統中。

可配置框架可以降低這道門檻。它會迫使用戶先回答幾個具體問題。

Agent 可以使用哪些信息？可以交易哪些資產？倉位最多有多大？什麼情況下系統必須讓它停止？

高度可配置的價值也體現在這裡。

更多按鈕帶來的意義有限。清晰的權限邊界才有價值。

這代表了金融軟體正在發生的一種變化。

早期產品向用戶提供行情圖和下單按鈕。交易機器人負責執行固定指令。新一代產品希望讓用戶把部分決策交給 Agent，同時保留對結果的控制權。

這種變化也會改變行業評價交易智能體的方式。

Agent 可能使用了隱藏槓桿，也可能碰上了持續上漲的市場，還可能忽略實盤中才會出現的成本。

用戶還需要判斷，Agent 是否遵守了授權範圍，能否經受不利行情，並留下其他人可以複查的記錄。

表現最好的交易智能體，未必是表達最自信、交易最頻繁的那個。它可能只是更清楚什麼時候應該停下來。

回到最開始的 500 美元案例。

用戶需要的，並非一個時刻尋找交易機會的 AI。

他需要一個知道自己可以進入哪些市場、能夠承擔多少風險，以及什麼時候必須把控制權交還給人的 Agent。

Cloudflare 正在給 Agent 提供錢包。法院開始界定 Agent 代表用戶行動時的責任。安全測試也在提醒行業，目標可以非常清楚，行動邊界仍然可能過於寬鬆。

金融市場會迫使行業更快解決這些問題，因為每一次錯誤都會用真錢計價。

Agentic trading 的發展需要更強的模型，也需要圍繞模型建立清晰規則。

只有當用戶能夠決定權力在哪裡停止，Agent 獲得更大的行動能力才會產生價值。