大型语言模型（LLM）交易代理能够同时利用行情数据、新闻和可执行分析，但其行为通常受限于部署前手工编写的固定工具使用策略。这种静态策略阻碍了代理在不同市场环境下调整证据获取、工具调用、信号验证和风险管理的能力。\ \ EvolveTrade 将工具使用代理的系统提示视为可文本参数化的策略。每个更新周期结束后，策略代理（Policy Agent）会基于累计的决策轨迹和实际的组合反馈，对该文本策略进行修正，同时保持底层 LLM 参数不变。修正后的策略随后用于下一批交易决策，使代理能够随时间逐步优化信息获取和组合构建流程。\ \ 在多个市场 regime 和两种不同的 LLM 主干模型上进行的实验表明，EvolveTrade 相比固定策略基线能够显著提升夏普比率（Sharpe Ratio）和累计收益（Cumulative Return），在大多数评估设置中均实现了改进。行为分析进一步显示，自演化策略会增加代码介导的分析比例，并激活与当前 regime 相关的计算；通过案例层面的策略‑收益归因，可以追踪策略导致的资产配置变化如何转化为实际收益差异。\ \ 这些结果表明，适配可复用的工具使用流程是构建更稳健 LLM 交易代理的关键方向。\ \ 点评