Polymarket天气交易Agent

为什么做这个？

我最初关注 Polymarket，是因为它打破了我对传统二元期权的偏见。预测市场的价值并不在于投机，对于规则明确的事件合约，它同样可以充当风险表达与转移的工具。

其中，天气市场尤其让我比较感兴趣。

在传统大宗商品市场，农产品生产者靠期货来进行风险对冲；而天气本身，就是一个真实存在的巨大风险变量——高温、暴雨或寒潮，直接影响着农业、能源、物流乃至线下零售。Polymarket 上以城市最高温、降雨等为标的的盘口，让这种原本难以对冲的风险有了清晰的价格。

但真正促使我动手的，是我在观察天气盘口时发现的一个核心痛点。

我不可能从速度上竞争

天气市场的价格变动极快。做市商会实时读取机场 METAR 等气象报文，一旦有新数据出炉，程序就会在毫秒间完成重新定价。

大家都盯着同一份 METAR，个人交易者根本不可能在接收数据和下单速度上卷赢自动化做市系统。

既然拼速度没有胜算，我换了个角度思考：

如果不和做市商竞争读取 METAR 的速度，有没有其他数据，能在下一份 METAR 出现前，提前预判气象变化？

这个问题，把我的注意力从盘口搏杀转移到了天气本身。

跳出 METAR 的视角

我开始寻找更新频率更高、能解释短期气温微观变化的数据源。最后锁定了两类：

• 雷达回波：用于判断降水是否正在形成、接近或离开机场。降水不仅关乎雨量本身，还会带来云层遮挡、蒸发冷却与太阳辐射下降，直接打断短时间内的升温趋势。

• 云层与卫星数据：对于每日最高温市场，剩余的太阳辐射能量至关重要。如果下午原本晴朗的天空突然起云，而机场最新一份 METAR 还停留在几分钟前的“晴朗”，这就创造了一个短暂的信息窗口；反之，若云层散去、日照恢复，实际最高温冲向更高区间的概率就会发生倾斜。

天气盘口中的边缘优势，未必来自“比所有人预测得更准”，而是来自“更早发现变化已经发生”。

从预测天气到信号监控

然而，这个思路立刻引出了新挑战。

雷达、卫星、机场观测（METAR/SPECI）、风向露点、上游气象站以及数值模型都在实时更新。如果只看一个城市，我尚可手动盯盘；但当市场扩展到十几个城市时，信息量呈指数级爆发：

我不可能每天花几个小时死盯十几个城市的异构数据，只为等待某个随机出现的异常拐点。

这就是 Hermes Weather Agent 诞生的原因。

我从来没想过让 AI 去“预测天气”，我只需要它做一件极其具体的事：持续监控异构气象数据源，并在出现值得关注的变化时，把背后的逻辑解释给我。

比如：

• 上游雷达回波正在向机场逼近；

• 云层突增導致太阳辐射骤降；

• 风向转变，预示海风即将切入；

• 附近站点已开始降温，但机场 METAR 尚未更新；

• 最新模型预测与实际观测出现了明显偏离。

Agent 的定位不是代替人下注，而是把原本需要人工持续盯盘的繁琐过程，抽象成一套自动运行的信号监控系统。

从速度竞争到信息优势

这也彻底重塑了我对项目的定位。

一开始我想解决“如何比市场更快”，后来意识到，个人与做市商拼毫秒级执行毫无意义。真正的优势方向，是捕捉市场尚未完全反映的信息。

METAR 是重要的数据源，但它并不等同于天气本身。真实的气象变化是连续流动的，而官方观测报文是离散更新的。雷达、卫星、周边站点和辐射数据，共同填补了两份 METAR 之间的信息空白。

Hermes 的核心价值，就是去理解并利用这个“时间差”。

遇到的制约因素

最终制约这个项目落地的，不仅是 AI 推理成本与基础设施稳定性，更是市场本身有限的深度与流动性。

为了实现多城市的高频监控，Agent 需要频繁调取模型判断数据异动。我曾尝试用国内 API 中转服务降低成本，但稳定性较差，无法支持持续运行；我也对比过不同的模型，部分顶级模型效果突出但贵得离谱，还有些服务缺乏适合高频调用的套餐。早期 DeepSeek 在价格、速度和推理能力之间找到了极佳的平衡，一度成为最适合 Hermes 的底层模型。

但更根本的瓶颈在于策略的容量上限。天气预测市场的整体深度和盘口流动性相对有限，单次交易能承载的资金规模并不高。这意味着，即便系统能捕捉到有效的信息差，交易带来的绝对收益依然有上限——当模型的调用成本发生变化时，市场的预期收益便再也无法覆盖系统的基础设施成本。

面对这些原因，我最终选择暂停了 Agent 的长期运行。

反思

这个项目最终没能成为一个“持续躺赚的交易系统”。

但它带给我的启示，远比预测天气本身更有价值：Agent 的真正价值，往往不在于它比人更聪明，而在于它能持续做人类无法坚持做的事。

我可以看懂雷达图，也能分析云层对最高温的影响。但我无法 7×24 小时同时盯紧十几个城市的天气细节——而 Agent 可以。

所以对现在的我来说，Hermes 不是一个“AI 天气预测器”，它更像是一个环境感知与异常信号压缩系统。

而项目因模型成本而暂停的经历，也让我第一次真切地意识到：一个 AI 产品能否成立，模型效果只是基础；调用成本、系统稳定性、数据时效性，以及最终捕获的信息价值能否覆盖运行成本，才是决定它生死存亡的商业底色。