Hyperliquid Websocket 官方 SDK vs 原生 WebSocket 库

结论

直接用原生 websocket 库更合适。 SDK 的 WebSocket 封装对简单的一次性脚本足够用,但对需要高可靠性的长连接管理场景,它的设计(HTTP+WS 耦合、无超时控制、不可控的线程模型)是根本性的障碍。


1. SDK 实际提供了什么

SDK 的 WebsocketManager 所做的事:

功能 复杂度 SDK 实现质量
连接 wss://api.hyperliquid.xyz/ws 极低 绑定在 Info() 构造函数中,无法独立控制
发送 {"method":"subscribe",...} 极低 ws.send() 无超时保护
消息路由(identifier 匹配) 约 70 行映射代码
Ping 保活 极低 stop_event.wait(50) 导致 50 秒阻塞
订阅队列(ws 未就绪时排队) 正常

Hyperliquid 的 WebSocket 协议本身非常简单:

# 连接
ws = websocket.WebSocketApp("wss://api.hyperliquid.xyz/ws", ...)

# 订阅
ws.send(json.dumps({"method": "subscribe", "subscription": {"type": "allMids"}}))

# 取消订阅
ws.send(json.dumps({"method": "unsubscribe", "subscription": {"type": "allMids"}}))

# 保活
ws.send(json.dumps({"method": "ping"}))

SDK 在 WebSocket 层面的抽象价值很低,协议交互总共就三种 JSON 消息。


2. SDK 的核心问题:耦合

SDK 最大的设计问题是 Info.__init__ 把 HTTP 元数据请求和 WebSocket 连接耦合在一起

class Info(API):
    def __init__(self, base_url, skip_ws=False):
        super().__init__(base_url)               # timeout=None
        self.spot_meta_data = self.spot_meta()   # HTTP 阻塞
        ...
        if not skip_ws:
            self.ws_manager = WebsocketManager(...)
            self.ws_manager.start()              # 后台线程
        ...
        self.perp_dexs_data = self.perp_dexs()   # HTTP 阻塞
        self.meta_data = self.meta(...)           # HTTP 阻塞(循环)

这意味着:

  • 每次重连都要重新执行所有 HTTP 请求(spot_meta、perp_dexs、meta),即使这些元数据几乎不变
  • HTTP 请求阻塞 → WebSocket 连接被连带阻塞
  • 无法单独重启 WebSocket 而保留 HTTP 数据

当前 enhanced_ws_manager 本质上是在对抗 SDK 的设计——给一个不可控的黑盒加超时包装,用 daemon 线程包裹阻塞调用。这种"补丁式"做法虽然能解决问题,但增加了复杂度和不确定性(泄漏的 daemon 线程、残留的 Info 对象等)。


3. 建议方案:原生 websocket + SDK 仅做 HTTP

┌──────────────────────────────────────────────────────┐
│                  EnhancedWebSocketManager             │
├─────────────────────┬────────────────────────────────┤
│   HTTP 层(可选)    │         WebSocket 层            │
│                     │                                │
│  Info(skip_ws=True) │  websocket.WebSocketApp(...)   │
│  或直接 requests     │  ├─ 自控连接/断开/超时          │
│  获取 spot_meta 等   │  ├─ 自控订阅/取消订阅           │
│  (仅首次或按需)      │  ├─ 自控 ping 间隔             │
│                     │  └─ 自控重连策略                │
└─────────────────────┴────────────────────────────────┘

4. 收益分析

4.1 消除已知问题

已知问题 严重程度 用 SDK 用原生 websocket
P0: Info() 无超时控制 致命 需 daemon 线程包装 彻底消除(WS 不绑定 HTTP)
P1: subscribe() 超时失效 ThreadPoolExecutor 陷阱 彻底消除(自控 ws.send() + sock.settimeout()
P2: disconnect 阻塞 50s 需 daemon 线程包装 彻底消除(自控 ping 线程,Event.wait(10)
P3: 假活阈值不合理 需修改默认值 需修改默认值(与库选择无关)
P4: 订阅后缺少验证 需手动添加 需手动添加(与库选择无关)
P5: unsubscribe 数据结构 受 SDK 签名限制 彻底消除(自己管理订阅映射)
P6: warning 不缩放 需修改 HealthMonitor 需修改 HealthMonitor(与库选择无关)

7 个问题中的 5 个被彻底消除(P0/P1/P2/P5/P6),剩余 P3/P4 是应用层逻辑,与用什么库无关。

4.2 重连速度提升

步骤 用 SDK(当前) 用原生 websocket
断开旧连接 disconnect_websocket() 可阻塞 50s ws.close() 毫秒级
创建连接对象 Info(base_url) 多次 HTTP 请求,无超时 无此步骤
建立 WebSocket 耦合在 Info() 内部 WebSocketApp.run_forever() 独立控制
重新订阅 Info.subscribe() 经过 SDK 转发 直接 ws.send()
总耗时 秒级到无限 毫秒到秒级

4.3 架构简化

当前(用 SDK):
  enhanced_ws_manager
    → Info(base_url)           ← 黑盒,不可控
      → API.post()             ← timeout=None
      → WebsocketManager       ← 隐藏线程模型
        → WebSocketApp          ← 实际连接
        → ping_sender           ← 50s wait
    → daemon 线程包装 Info()    ← 补丁
    → daemon 线程包装 subscribe ← 补丁
    → daemon 线程包装 disconnect← 补丁

改为(原生 websocket):
  enhanced_ws_manager
    → WebSocketApp              ← 直接控制
    → 自管理订阅                ← 透明
    → 自管理 ping               ← 可控间隔
    → 自管理超时                ← socket 级别

减少了三层 daemon 线程包装,架构更扁平、更可预测。


5. 需要自行实现的部分

需自行实现 工作量 说明
WebSocket 连接管理 ~30 行 WebSocketApp + run_forever in thread
订阅消息收发 ~10 行 三种 JSON 格式(subscribe/unsubscribe/ping)
消息路由 ~50 行 从 SDK 的 subscription_to_identifier / ws_msg_to_identifier 复用
Ping 保活 ~15 行 Event.wait(10) + ws.send(ping)
连接状态检测 已有 现有 _is_connected() 逻辑可简化复用
合计新增 ~100 行

消息路由的映射逻辑可以直接从 SDK 的 websocket_manager.py:13-74 中提取,这部分是纯数据映射,不涉及连接管理。

Read more

跑步的技巧(滚动落地)

“滚动落地(rolling contact / rolling foot strike)”不是一种教条式的“脚法”,而是一种 让冲击沿着整只脚、整条后链逐级传递的落地机制。 它的核心不是“你先用哪儿着地”,而是: 你的脚落地之后,冲击是不是像轮子一样滚过去,而不是像锤子一样砸下去。 这就是滚动落地的本质。 一、什么叫“滚动落地”? 你可以把它理解成两种完全不同的落地方式: 1. 砸地(撞击式) 脚像锤子一样拍到地上: * 要么后跟先砸 * 要么前掌先戳 * 冲击集中在一个点 * 一个结构瞬间吃掉大部分载荷 结果就是: * 后跟砸 → 膝盖难受 * 前掌戳 → 前脚掌磨烂 * 都不是长跑友好模式 这叫 撞击式着地(impact strike)。 2. 滚地(滚动式) 脚像轮胎一样“滚”过地面: * 不是某一点硬砸 * 而是外侧中足先轻触 * 再向前滚到前掌 * 最后从大脚趾蹬离

By SHI XIAOLONG

AMI的优越性

世界模型(World Models)的具体例子 如下,我按类型分类,便于理解。每类都附带实际实现、演示效果和应用场景。 1. Yann LeCun / Meta 的 JEPA 系列(最直接对应“世界模型”概念) 这些是 LeCun 主张的非生成式抽象预测世界模型代表。 * I-JEPA(Image JEPA,2023) 输入一张图像,模型把不同区域(context 和 target)编码成抽象表示,然后预测 target 的表示(不在像素级别重建)。 例子:给定一张遮挡了部分物体的图片,模型能预测“被遮挡物体的大致位置和属性”,构建对物体持久性和空间关系的理解。 这是一个“原始世界模型”,能学习物理常识(如物体不会凭空消失)。 * V-JEPA / V-JEPA 2(Video JEPA,

By SHI XIAOLONG

什么是:“世界模型(World Models)”

世界模型(World Models) 是人工智能领域的一个核心概念,尤其在 Yann LeCun 等研究者推动的下一代 AI 架构中占据中心位置。它指的是 AI 系统在内部构建的对现实世界的抽象模拟或内部表示,让机器能够像人类或动物一样“理解”物理世界、预测未来、规划行动。 简单比喻 想象你闭上眼睛也能“看到”房间里的物体会如何移动、碰撞或掉落——这就是你大脑里的世界模型。AI 的世界模型就是类似的“数字孪生”(digital twin)或“内部模拟器”:它不是简单记住数据,而是学习世界的动态、因果关系和物理直觉(如重力、物体持久性、遮挡、因果等)。 为什么需要世界模型? 当前主流的大型语言模型(LLM) 擅长处理文本(统计模式预测),但存在根本局限: * 缺乏对物理世界的真正理解 → 容易“幻觉”、无法可靠规划。 * 样本效率低 → 人类/

By SHI XIAOLONG

K线周期可配置化设计方案

K线周期可配置化设计方案 1. 背景与目标 当前 Beta 套利策略的 K 线周期硬编码为 "1h",分散在多个文件中。需要: 1. 将 K 线周期从 1h 改为 2h 2. 提取为环境变量 BETA_ARB_KLINE_INTERVAL,使其可在 .env 中配置 2. 影响范围分析 2.1 需要修改的文件(共 6 个) 文件 硬编码位置 修改内容 src/trading/config.py BetaArbConfig dataclass 新增 kline_interval 字段,

By SHI XIAOLONG