核心用法
TradeMemory 是专为 MT5、Binance、Alpaca 等交易平台设计的 AI 交易记忆系统，通过 MCP（Model Context Protocol）为 AI Agent 提供持久化的交易记忆能力。系统支持两种主要使用模式：手动记录模式通过自然语言指令记录交易详情（如"记录我的 XAUUSD 多头交易，入场 2847，出场 2855，盈利 $40"）；自动同步模式则通过 mt5_sync.py 脚本每 60 秒自动拉取 MT5 已平仓交易，实现零侵入的 EA 集成。
核心功能围绕四大 MCP 工具展开：store_trade_memory 存储交易决策的完整上下文（品种、方向、仓位、策略、市场条件、置信度、反思）；recall_similar_trades 按品种、时间、策略等维度检索历史交易用于模式匹配；get_strategy_performance 聚合各策略的胜率、盈亏比、最大回撤等关键指标；get_trade_reflection 提供单笔交易的深度复盘，包含入场逻辑、出场理由、盈亏分析和评分。
三层记忆架构
系统的核心创新在于 L1-L2-L3 三层记忆架构：L1（热层）存储原始交易数据，包含 15+ 维度完整上下文；L2（温层）由每日运行的 Reflection 引擎自动发现模式，如不同时段胜率差异（伦敦盘 78% vs 亚盘 31%）、策略边缘性对比、置信度-收益相关性、回撤序列特征等；L3（冷层）则基于 L2 发现生成规则化的策略调整，包括自动禁用亏损策略、为验证边缘性增加仓位、趋势市场中限制交易方向、基于历史相关性调整置信度阈值。
定时复盘机制
通过 OpenClaw 的 cron 功能可配置日/周/月自动复盘：每日 23:55 生成当日交易摘要，每周日对比本周与上周表现，每月初总结策略变化与调整建议。复盘内容可通过 WhatsApp、Slack 等渠道推送。
显著优点
1. 零侵入集成：MT5 自动同步无需修改 EA 代码，通过独立 Python 脚本轮询实现
2. 结构化反思：突破传统交易日记的文本记录，将"反思"解构为可查询、可分析的维度
3. 行为模式发现：系统能识别交易者自身未察觉的行为偏误，如特定时段过度自信、某类行情下的重复错误
4. 策略进化闭环：从原始数据→模式发现→自动调参，形成完整的策略优化循环
5. 灵活部署：本地 SQLite 存储保障隐私，可选 Claude API 增强分析深度，也可纯规则运行
潜在缺点与局限性
1. 数据孤岛风险：当前版本为单机部署，多设备交易需手动同步数据库文件；跨账户分析依赖即将到来的托管版本
2. AI 依赖局限：无 ANTHROPIC_API_KEY 时仅能用规则引擎，模式发现深度受限；而启用 LLM 则产生额外 API 成本
3. MT5 绑定较重：自动同步功能对 MT5 Python API 有依赖，其他平台需通过手动记录或自定义脚本接入
4. 策略调整偏保守：L3 层的自动调参以"禁用"和"微调"为主，缺乏更激进的策略重构建议
5. 回测缺失：系统专注于实盘记录与反思，不包含历史数据回测功能，无法验证"如果按调整后的策略执行"的假设收益
适合人群
- 系统化交易者：已有明确策略框架，需要数据驱动的持续优化
- MT5 量化用户：使用 EA 但缺乏交易日志分析工具
- 交易心理成长型选手：希望从"凭感觉"转向"凭数据"识别自身行为模式
- 多策略管理者：同时运行多个策略，需要横向对比与动态权重调整
- 纪律性复盘困难者：难以坚持手写交易日记，需要自动化工具降低复盘门槛
常规风险
1. 凭证管理：MT5 密码以明文存储于本地 .env 文件，虽声明不向外传输，但仍需确保文件系统权限安全
2. 本地 API 暴露：默认监听 localhost:8000，若暴露至公网可能导致交易数据泄露
3. 过度拟合风险：自动化模式发现可能捕捉到样本内的统计噪音，而非真实边缘性
4. LLM 幻觉：AI 反思可能生成看似合理但缺乏数据支撑的"洞察"，需人工复核关键结论
5. 策略调整滞后：基于历史数据的自动调参，在市场环境突变时可能产生逆向效果
技术可靠性
项目基于 MCP 标准协议，具备 203 个测试用例，MIT 开源协议，GitHub 仓库公开可审计。依赖均为 Python 生态主流库（MetaTrader5、requests、python-dotenv），无编译型依赖或系统级权限需求。