Harness Engineering：構建自主進化的金融Agent

AI工程化范式的演進與Harness Engineering的本質

隨著人工智能能力從單純的“回答問題”向“執行任務”轉變，搭建投研專屬Agent已成為金融工程的核心需求。在這一背景下，Agent的可靠性不再僅僅取決于底層模型的能力，而是更多地依賴于“駕馭工程”（Harness Engineering）。LangChain提出的公式Agent = Model + Harness明確指出，除模型以外的工具、記憶、流程、護欄及反饋等一切設施均歸屬于Harness范疇。OpenAI與Anthropic的相關報告也印證了這一觀點：Agent在真實任務中的可用性與穩定性，其核心差異在于Harness的設計水平。

AI的工程化實踐經歷了三個清晰的演進階段。第一階段為提示詞工程，通過調整措辭和角色設定引導模型輸出；第二階段為上下文工程，利用檢索增強生成等技術為模型提供結構化的外部知識環境；第三階段即為駕馭工程，面對長鏈條、多步驟的復雜任務，通過構建包含工具、記憶、流程、護欄及反饋在內的完整系統來管理AI的工作過程，確保其可靠、可控且高效。

Harness設計的四大核心模塊

從代表性產品中提煉出的Harness設計框架主要包含四大核心模塊。首先是Agent Loop，即執行引擎與決策循環，如ReAct循環，通過感知、推理、行動及反饋的閉環實現AI的主動服務而非被動應答。其次是Agent記憶，借鑒漸進式文檔披露理念，通過索引先行、按需加載的方式控制Token開銷，例如Claude Code的三層記憶體系或Karpathy的LLM Wiki框架，將原始材料編譯為結構化知識并建立層級索引。

第三是Agent優化，以Meta-Harness為代表，利用AI自動優化Harness本身。該架構通過Proposer和Evaluator兩個角色的協作，讀取歷史執行軌跡而非僅依賴標量得分，從而生成可解釋、可維護的優化代碼，展示了小模型配合優化后的Harness可接近大模型性能的路徑。最后是Agent熵管理，針對系統隨時間產生的狀態漂移和知識冗余，通過自動清理機制對抗熵增。Hermes-Agent提出的Curator機制通過遙測指標、生命周期推進及周期性歸并，確保進化與清理的孿生設計，防止系統陷入混亂。

基于威科夫技術分析的自主進化Agent構建

在金融投資領域，技術分析具有經驗性本質，難以完全量化。為此，報告構建了基于威科夫（Wyckoff）技術分析的可自主進化Agent。該系統由Predictor、Critic、Reflector、Evolver四個子Agent組成，通過結構化JSON協作完成“預測→批判→反思→進化”的閉環迭代。系統以程序化的威科夫分析快照為客觀內核，以情境記憶和GEPA反思式提示詞進化為可迭代的軟外殼。

在記憶系統設計上，引入情境記憶機制，通過Reflector對失敗案例的分析固化為情境筆記，并在預測時按需召回相似歷史教訓，實現跨股票的規律積累。在熵管理設計上，通過筆記沖突解決、壓縮合并、廢棄歸檔及跨股票反饋權重等機制，對抗信息噪聲累積和提示詞膨脹，確保進化的有序收斂。

GEPA反思式進化與Agent Learning新范式

該Agent的自進化機制借鑒了Stanford NLP提出的GEPA（Genetic-Pareto Prompt Adaptation）算法。與傳統強化學習將執行軌跡壓縮為標量獎勵不同，GEPA利用自然語言反思替代標量信號，讓Reflector直接閱讀執行軌跡，定位失敗根因并生成改進提示詞。這種機制讓Agent“明白自己為什么失敗”，從而通過保守、中等、激進的多Pareto方向探索及新舊策略融合，實現策略的穩健進化。

這種Agent Learning范式與傳統“量化—大數據—梯度下降”的Machine Learning范式截然不同。它不依賴海量數據進行統計計算，而是通過語義化的邏輯總結，在銀行股上快速學習均值回復特征，在科技股上學習趨勢跟隨邏輯。這種判斷靈活性是靜態規則式提示詞難以實現的，為信號可語義化、Pattern顯著但情境敏感的金融任務提供了新的探索方向。