智能体交易系统能为自身的智能付费吗

大语言模型（LLM）智能体日益用于交易系统：模型推理、工具使用与持续决策产生的成本，被期待转化为交易价值。既有评估通常报告表现指标，却很少考察智能体可行性：动态LLM中介的决策能否把其引致的成本转化为可度量的增量利润。为应用该标准，我们提出TradeLens：一个以轨迹落地为据的诊断工具包，从交易记录、运行时轨迹与部署配置评估智能体交易系统。它重建交易轨迹、把利润与成本归因到可解释证据，并诊断智能体是否以及为何“为自己的智能付费”。我们跨底座模型、资金规模、交易频率与系统架构开展大量分析并讨论部署。结果显示：可行性取决于智能到利润的转化——模型呈现不同失败模式（如DeepSeek-V3.2资产选择差、GLM-4.7择时为负），而资金规模、交易频率与架构只是放大或削弱决策归因的择时价值。这些发现把基于LLM的交易智能体评估从以能力为中心的表现排名，重构为以轨迹为据的智能—利润转化诊断。