HarnessEngineering：构建自主进化的金融Agent.pdf

报告摘要

Harness Engineering：构建自主进化的金融Agent AI 能力正从“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，而其可靠性的关键在于Harness Engineering。当AI 成为代码与决策的生产者，工程重心从“如何写好代码”转向“如何管好AI”。LangChain 提出 Agent = Model + Harness，除模型以外的工具、记忆、流程、护栏、反馈等一切设施都归于Harness；OpenAI 与Anthropic 的多篇报告均收敛到同一结论：Agent 在真实任务中的可用性与稳定性，核心差异不在模型本身，而在我们从Claude Code、OpenClaw、Meta-Harness、Hermes-Agent 等代表性产品中，提炼出Harness 设计的四大核心模块。即Agent Loop（执行引擎与决策循环，AI 的工作流）、Agent 记忆（渐进式文档披露，索引先行、按需加载，控制Token 开销）、Agent 优化（Meta-Harness，用AI 自动优化Harness 本身）、Agent 熵管理（应对系统熵增，进化与清理必须是孪生设计）。这四个模块构成了一套可迁移的Harness 设计框架。

基于上述思想，我们以威科夫（Wyckoff）技术分析为内核，搭建了可自主进化的Wyckoff Agent。系统由Predictor、Critic、Reflector、Evolver 四个子Agent 通过结构化JSON 协作，完成“预测→批判→反思→进化”的闭环迭代：以程序化的威科夫分析快照作为客观内核，以情境记忆与GEPA 反思式提示词进化作为可迭代的软外壳，并配套笔记冲突解决、压缩合并、跨股票权重、笔记吸收等多重进化的关键不在盲目搜索，而在让Agent“明白自己为什么失败”。我们借鉴 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。实测中，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 范式与传统“量化—大数据—梯度下降”的Machine Learning 范式截然不同，对信号可语义化、 Pattern 显著但情境敏感的金融任务尤为适用，是未来值得探索的新方向。