Harness Engineering：构建自主进化的金融 Agent专题报告

摘要： 本报告探讨了 AI 能力从“回答问题”向“执行任务”进化背景下的 Harness Engineering（驾驭工程），旨在通过构建完善的外部设施（Harness）提升金融 Agent 的可靠性与稳定性，并实践构建了一个可自主进化的 Wyckoff 技术分析 Agent。

核心观点：
Agent 在真实任务中的可用性核心差异不在于模型本身，而在于 Harness 的设计水平。通过构建包含执行引擎、记忆系统、自动优化和熵管理在内的工程框架，可以让 Agent 实现从“静态规则”向“自主学习”的范式转移。

论据支撑：

1. Harness 四大核心模块：提炼出 Agent Loop（ReAct 循环）、Agent 记忆（渐进式文档披露）、Agent 优化（Meta-Harness 递归结构）以及 Agent 熵管理（清理与归并机制）。
2. Wyckoff Agent 实践：构建了“预测 $\rightarrow$ 批判 $\rightarrow$ 反思 $\rightarrow$ 进化”的闭环系统，利用 GEPA 反思式提示词进化算法替代传统 RL 的标量奖励，使 Agent 能直接通过自然语言反思定位失败根因。
3. 实测效果：该 Agent 在银行股上能快速习得短期均值回复特征，在科技股上能习得趋势跟随逻辑，验证了 Agent Learning 范式在情境敏感的金融任务中的适用性。

局限性/风险：

1. 生成风险：AI 辅助生成的分析可能存在事实性偏差。
2. 样本依赖：Agent Learning 对样本代表性要求极高，若未来市场环境发生结构性变化，既有进化逻辑可能失效。