AI提升进行时:Harness Engineering
随着AI能力从“回答问题”进化为“执行任务”,搭建投研专属Agent成为金融工程的核心需求之一。投研专属Agent需要能找到正确有效的资讯数据,构建正确的知识链接和推理框架,进行有效全面的投研决策,能够主观+量化的验证策略效果,并且具有自反馈和迭代进化机制。这一切都需要Harness Engineering的设计。
“驾驭工程”的本质:AI管理学
“驾驭工程”是在解决日益复杂的AI Agent可靠性问题过程中,自然演进的产物。AI的工程化实践在近几年经历了三个清晰的演进阶段:
- 提示词工程(Prompt Engineering):通过精心设计提示词,可以显著影响其输出质量。
- 上下文工程(Context Engineering):为模型提供精准、全面、结构化的上下文信息。
- 驾驭工程(Harness Engineering):构建一个完整的系统来“管理”AI的工作过程,通过将模型看作一个需要被精心管理的“引擎”,构建一套包含工具、记忆、流程、护栏、反馈在内的外部设施,能确保其可靠、可控、高效。
“驾驭工程”的代表性案例范式
- Agent Loop:执行引擎与决策循环,即AI的工作流。例如OpenClaw和Claude Code底层都依赖的ReAct循环,包含感知、推理、行动、反馈四个核心环节。
- Agent记忆:知识存储、召回、注入的处理与优化。例如Claude Code的三层记忆体系:指令记忆、自动记忆、子智能体记忆,以及Karpathy LLM Wiki基于层次化索引实现渐进式披露的框架。
- Agent优化:Agent自身Bug修复与系统优化。例如Meta-Harness利用AI自动优化Harness本身,通过模拟程序员调试代码的过程,通过历史记录、评估和存档的循环不断优化Harness代码。
- Agent熵管理:随机性与软约束下的系统腐化治理。例如Hermes-Agent的Skill积累和Hermes Curator的Skill库生命周期治理机制。
驾驭工程实践:搭建自主进化的技术分析Agent
- 技术分析的经验性本质:技术分析是金融交易领域最常使用的工具之一,也是可进化积累的分析技能。技术分析的本质是以标准模型去动态解读不标准的市场并按照模型预设逻辑对市场未来进行推演。
- Harness设计原则:
- Agent Loop设计:采用“预测+批判+反思+进化”的Agent架构。
- 上下文管理设计:每个Agent的Prompt都由System Prompt和User Prompt构成。
- 记忆系统设计:设计了情境记忆作为Agent升级判断自我进化的重要机制。
- 熵管理设计:针对LLM的三个根本特性:输出不确定性、上下文腐化、架构漂移与熵积累,设计了笔记层和提示词层的熵管理机制。
- 自进化机制设计:借鉴Stanford NLP提出的GEPA反思式提示词进化算法,用自然语言反思替代传统强化学习的标量奖励信号,让Reflector直接阅读执行轨迹、定位失败根因、生成改进提示词,再经验证集回测与新旧策略融合后确认进化。
- 基于Wyckoff技术分析的自主进化Agent构建:以威科夫交易方法为核心分析引擎,通过滚动历史回测构建内生评估信号,再由多角色LLM Agent协作完成“预测→批判→反思→进化”的闭环迭代。系统具备情境记忆,能够在预测时调取历史教训进行动态增强。其有两种运行模式:
- Mode 1(自学习进化):对某只股票滚动历史K线,每个窗口做预测并用实际结果评分,积累足够记录后自动进化分析策略。
- Mode 2(直接预测):加载已进化的策略,对任意股票的当前或历史时间点给出结构化方向预测(未来20交易日)。
研究结论
Wyckoff Agent的进化效果展现了LLM强大的模式识别能力。Agent能在银行股上快速学到短期均值回复特征,在科技股上学到趋势跟随逻辑,这种判断灵活性是静态规则式提示词难以实现的。这一Agent Learning范式和传统Machine Learning的范式截然不同,是未来值得探索的新方向。