Bybit AI:从自然语言到交易执行的技术架构
“帮我买 0.1 个 BTC。”
在 App 或 Web 中下单,用户通常需要进入交易页面、选择交易对并填写委托参数。通过 Bybit AI,用户可以直接表达“买 0.1 个 BTC”这样的目标,再检查订单信息并确认。在这个现货场景中,买入方向、资产和数量已经明确,系统只需补齐必要的委托信息。支撑这一体验的技术链路,需要把自然语言接到业务能力,取得行情和账户数据,形成可检查的订单参数,再把确认后的操作交给业务系统。
Bybit AI 面向 Bybit 用户提供对话式服务。官方产品介绍列出的能力涵盖市场与账户查询、资产操作、交易、理财和客服。本文以交易为例,展开其中的运行时、Skill 接入、A2UI 交互和执行边界。这些组件之间的数据交换和业务状态的修改权限,是架构设计的重点。
运行时:把会话、能力调用和业务执行分开
一个聊天原型可以把用户消息直接交给模型,再调用模型选择的工具。接入交易系统后,模型上下文、用户身份、工具权限和业务状态不能被当成同一件事处理。
Bybit AI 的架构设计将职责分在客户端、身份与会话处理、业务编排、受控的业务服务和知识服务之间。身份与会话处理负责认证、连接和会话路由;业务编排运行在 Agent 运行时中,处理意图、上下文与工具选择;受控的业务服务保留数据读取和操作执行的规则,并校验账户归属及操作权限;知识服务提供知识检索与业务规则说明。客户端呈现文本与结构化交互,但客户端提交的参数仍需服务端校验。
图中是逻辑职责划分。业务执行由业务服务控制,Skill 和模型输出都不直接构成授权。
Agent 运行时承载对话、上下文管理和能力编排,用户运行环境与用户身份关联。每个用户的执行环境相互隔离,用于分开各用户的执行状态;业务接口仍需校验账户归属及操作权限。
运行时内部还有一类分工:能力编排与交互呈现可以分别调整——前者决定选择哪些能力、以什么输入调用,后者决定结果怎样组织和展示。将二者分开,业务调用逻辑不必依赖界面呈现的内部实现,模型能否选对工具、工具结果怎样展示,也可以分别调整和验证。
这种设计不要求每个请求都走相同的模型调用轮数。一个需要澄清的交易请求可能继续对话;一个已确定对象的订单状态查询则可以进入明确的处理路径。运行时负责组织这些路径,业务服务负责判断操作是否合法。
Skill:业务说明与接口契约各管一层
Skill 的作用是让 Agent 理解一项业务能力的使用方法:适用场景、需要哪些输入、调用哪些工具、怎样解释返回结果,以及错误分支如何处理。它与知识库的职责不同。知识库可以解释限价单,订单查询接口才能告诉用户这笔订单是否成交。
Bybit AI 的业务接入采用 Skill 与工具配合,工具连接 OpenAPI 或 MCP。协议解决能力如何被调用,Skill 解决什么时候调用、怎样组合;二者都不取代业务权限。
| 层次 | 处理的问题 | 交易例子 |
|---|---|---|
| Skill | 场景与步骤 | 识别现货买入,整理订单准备流程 |
| Tool Schema | 参数结构 | 交易对、方向、委托类型及数量字段 |
| 业务服务 | 业务合法性和状态 | 账户权限、交易规则、余额及订单结果 |
工具很多时,直接把所有操作细节塞进提示词,会增加上下文负担,也让相近能力更难区分。设计中的组织约定是以业务线 Skill 为入口,内部再划分子场景。业务规则有清楚的归属,运行时也不必靠一段不断加长的全局提示词解释所有产品。
Skill 与运行时核心代码独立维护,能力文件有独立的版本管理与完整性校验:发布前经过验证,签名用于确认内容来源与完整性。这里有两个不同的问题:完整性校验帮助确认内容来源、内容未被篡改;Skill 的业务正确性仍需要测试。一个签名有效的 Skill 也可能选错接口,或者错误解释业务返回值。
能力文件可独立更新,也意味着版本必须进入故障定位。一次请求使用哪个 Skill 版本、哪套工具契约,是分析回归时需要保留的信息。独立更新不应被理解为可以跳过业务验收。
A2UI:让工具结果进入结构化界面
模型输出文字很自然,但订单参数需要用户逐项检查。把价格、数量和账户全部藏在一段回复里,既不利于操作,也难以定义可靠的交互行为。
Bybit AI 使用 A2UI 描述交互卡片。文本承担解释,卡片承载结构化字段和操作入口。A2UI 是界面机制,不是 Agent-to-Agent 通信。
卡片模板分为以下部分:
| 部分 | 机制 | 交易场景中的说明性例子 |
|---|---|---|
| Template | 组件树及条件、循环指令 | 行情区域、订单参数、确认区域 |
| Data Binding | 将输入及结果字段绑定到组件 | 交易对、价格、数量和订单状态 |
| Action | 声明交互处理 | 修改参数、确认提案或查询订单 |
模板可以表达条件展示与重复组件,数据绑定负责将业务输入与结果字段放到对应位置。卡片不必让模型逐次生成一套新的组件树,也不需要让模型重写已有的业务状态。
这不排斥生成式卡片。对字段和结构明确的场景,模板更容易检查;长尾场景可以使用生成能力,但金额、状态及操作对象仍必须忠实于业务数据。
输出可以分通道,交互进入同一消息管道
文本和卡片有各自的输出通道。文本可以渐进呈现,卡片在必要数据就绪后更新。它们共享同一次业务结果,而不是分别推断价格或成交状态。文本增量与卡片更新互不阻塞,也不代表固定的模型调用次数——部分界面更新可以在工具完成后直接推送,无需为了呈现界面再调用一次模型。
用户操作卡片后,处理方式又分本地与服务端。复制、导航这样的本地 Action 不需要上发;业务查询等需要服务端处理的 Action 则统一进入主消息管道,由服务端校验后再执行。设计将服务端交互入口收在同一消息管道,避免再维护一套独立的交互处理通道;具体请求关联和日志记录仍需由实现保证。
处理一次卡片交互时,能按已定义规则处理的就不必重新进入模型推理。例如,用户点击查询某笔订单状态,订单对象已经确定,就不必重新让模型猜一次要查什么。
执行边界:模型提出操作,业务系统决定能否执行
Skill 能描述下单流程,模型也能生成订单参数,但这些输出不能成为业务授权。用户选择了交易目标,不代表模型可以自主改变账户状态。
交易中的提议权与执行权需要分开:AI 可以分析、起草和提出操作请求;涉及账户状态变更的操作,应由经过身份校验的用户确认,再交给确定性的业务逻辑校验和执行。
落到交易场景,需要区分三件事:
- 用户提出目标,例如买入 0.1 BTC。
- 系统形成具体提案,明确操作账户和委托参数。
- 用户确认该提案,业务服务校验后执行,并提供可核实的状态。
安全与业务团队在接入前审核接口开放范围、数据流向,以及哪些操作需要额外审核,确定能力的开放条件。请求执行时,用户确认的是本次操作的账户和委托参数,业务服务再校验执行条件。这两种控制都不等于逐条审批模型回复。
确认必须对应同一份操作
如果用户确认的是某账户上的限价买单,系统就不能在确认后换账户、改数量,或者把限价单变成市价单。执行层应把确认关联到确定的提案及参数;参数改变时,旧确认不再授权提交。
账户偏好同样不是授权。主账户更新公告说明,Bybit AI 支持主账户上的适用操作,并允许设置账户偏好。无论使用主账户还是子账户,服务端都要检查实际操作权限;子账户隔离不能被当作所有交易路径的通用安全保障。
接受请求、接受订单与成交是不同状态
工具调用返回成功,可能只表示接口接受了请求;订单被接受也不等于已成交。限价单可能未成交或部分成交。文本与卡片都应从业务结果读取这些状态,而不是根据 Agent 已经走完流程就显示“交易完成”。
提交超时则意味着状态可能未知。订单有可能已经进入业务系统,只是回执没有返回。执行层需要通过幂等标识、订单查询和结果核实决定是否重试,不能把一次网络超时直接转换成第二次下单。
这些约束应落在业务执行服务中。Agent 可以解释当前进度、继续收集输入,但不能靠重新生成一段提示词获得更大的执行权限。
用一笔交易串起这些边界
回到“帮我买 0.1 个 BTC”。下面是说明性流程,用来展示组件之间的数据交换。
在现货场景中,买入方向和数量已经明确。会话提供可用上下文,服务端检查账户权限;只有必要信息缺失时,系统才向用户澄清。它不应重复追问已经给出的数量。
展开限价单分支:假设用户进一步选择了限价单,操作账户与 BTC/USDT 交易对已确定,但委托价格尚未填写。此时系统可以保留一份参数记录:交易对、方向、委托类型和数量都已就位,委托价格待补,并标记这份记录尚不能提交。
这不是可以直接提交的完整订单。已选账户在操作上下文中,最终提案还需展示该账户。行情价格可以作为参考,不能自动填成用户的限价。
用户补充价格后,业务服务按交易规则检查价格精度、数量步长、最小订单要求和余额。金额计算交给确定性逻辑;费用估算需要说明依据,不能保证最终成交价格或完成时间。A2UI 绑定这些参数,文本解释必要信息,用户检查并确认。
数量来自用户输入,限价单类型来自后续选择。等待补参或确认时,不继续提交。
提交之后,系统依据业务订单状态更新结果。确认不是成交,提案也不是执行回执。整个过程中的自然语言、卡片和工具调用,必须指向同一项业务操作。
评测应对准组件契约和业务结果
这类架构的测试对象不止是最终回复。意图路由、参数绑定、Action 分发、执行状态之间都有契约。单看语言是否通顺,无法发现交易对或账户选错的问题。
| 检查对象 | 应能发现的错误 |
|---|---|
| 意图与 Skill 路由 | 把规则咨询当下单,选错业务能力或交易对 |
| 工具输入与结果 | 混淆 BTC 数量与计价金额,错误解释空结果、无权限或超时 |
| 卡片与 Action | 字段绑定错位,按钮指向另一笔订单或旧提案 |
| 确认与执行 | 参数变化后仍沿用旧确认,提交超时后重复下单 |
| 最终业务状态 | 将已接受或部分成交显示成完全成交 |
“买 0.1 BTC”和“用某笔计价金额买 BTC”是不同输入口径,不能都映射到同一个数量字段。限价、数量和手续费也有不同单位。验证参数时需要检查单位和精度,而不只是 JSON 是否通过语法校验。
异常测试应能在明确条件下产生明确结果:缺少限价就不提交,部分成交不显示成完全成交,修改参数使旧确认失效。期望值来自业务契约,不能把模型当次输出当作测试答案。Skill 更新、模板修改和 Action 处理器变化,都需要回归这些边界。
可观测性则要连接起请求、Skill 与模板版本、工具结果、确认提案和最终业务状态。这样才能分辨是模型选错能力、接口失败、界面映射错误,还是执行状态尚未确定。恢复或转人工时,也需要保留已完成步骤和未知状态。
成功率必须按用户目标定义:查询要取得正确对象并忠实展示,执行要由业务系统核实目标状态。写操作错误需要单独检查,不能被大量成功查询稀释。首个可见文本、卡片就绪和任务完成的时延也应分别统计,不能把模型响应变快等同于交易完成变快。
将变化留在各自的组件中
采用模板和确定性处理器后,模型承担的工作减少了,工具契约、版本兼容和状态处理的工作增加了。这些部分需要持续维护,也需要业务团队参与。
收益在于变化可以落到明确的组件。业务规则变了,检查接口和 Skill;字段展示错了,检查绑定和模板;操作走错了,检查 Action 分发;重复提交或状态不明,则检查执行层。每个问题都不必回到全局提示词里寻找修补方式。
在 Bybit AI 中,用户用自己的语言表达目标,系统将它转换为可检查的业务请求。执行权仍由明确的身份、权限和业务规则控制。