📰 研报摘要
查看全文 ➔摘要： 本报告探讨了金融投研专属 Agent 构建的核心——驾驭工程（Harness Engineering），强调 Agent 在真实任务中的可用性与稳定性主要取决于 Harness（包含工具、记忆、流程、护栏、反馈等设施）的设计水平，而非模型本身。报告详细阐述了构建一个可自进化的 Wyckoff 技术分析 Agent 的工程实践。
核心观点：
- 工程范式演进：AI 工程化经历了提示词工程 $\rightarrow$ 上下文工程 $\rightarrow$ 驾驭工程三个阶段，核心重心从“如何写好代码”转向“如何管好 AI”。
- Harness 核心框架：一个完整的驾驭系统需包含 Agent Loop（执行引擎与决策循环）、渐进式文档披露的记忆系统、Meta-Harness 自动优化架构以及对抗系统熵增的熵管理机制。
- 自进化学习范式：借鉴 GEPA 反思式提示词进化算法，通过“预测 $\rightarrow$ 批判 $\rightarrow$ 反思 $\rightarrow$ 进化”的闭环，使 Agent 能以自然语言反思替代传统强化学习的标量奖励，实现对不同股性（如银行股的均值回复与科技股的趋势跟随）的灵活适应。
论据支撑：
- 架构实现：设计了由 Predictor、Critic、Reflector、Evolver 四个子 Agent 协作的结构化 JSON 协作系统，并配套 L1 索引与单条情境笔记的记忆体系。
- 熵管理机制：通过新增前冲突解决、触发后精炼、压缩合并及提示词吸收机制，确保 Agent 进化的有序收敛，防止知识碎片化与提示词膨胀。
- 实测验证：实证结果显示，该 Agent 能在不同类型的股票上快速学到相应的判断逻辑，其收敛速度快且所需样本少。
局限性/风险：
- 样本代表性风险：Agent 学习基于历史轨迹，若未来市场环境发生结构性变化，历史进化出的逻辑可能失效。
- AI 幻觉风险：辅助生成的分析可能存在事实性偏差，需依赖强有力的 Harness 边界控制以保证工程落地安全。