这两天把整个系统重构了一遍，分享一下新的经验教训： 1. 构建AI参与的策略系统时，部署的每一个功能都要先问自己一个问题“这个功能是否可以通过纯代码实现？” 如果一个功能可以通过纯代码实现，不论其实现逻辑有多么复杂，都要避免交给AI进行决策； 举个例子，我目前的整个策略系统架构思路是先部署一套高胜率、高盈亏比但交易频率极低的纯算法量化策略，回测结果是一年只有不到10次的交易，但数据极佳。 之所以不交易，是因为策略的决策树内加入了大量过滤因子，正常的行情根本无法触发开仓信号... 然后我再用AI介入决策，通过账户历史数据和策略架构，让其动态的调节过滤器的参数，从而让一个纯算法策略变成一个灵活的交易员... 然后问题就出现了，尽管给AI的提示词已经面面俱到，但随着其迭代参数的次数增多，AI就开始产生了一些自我加强式的方向偏离... 比如上一次改了RSI的范围，发现策略胜率提高，盈利增加，接下来这个改动经验就会被他作为迭代日志用于下一次的优化，上下文逐步变成了不论策略怎么表现，都只会去修改一个核心参数，而且越改越极端... 即使我在全局提示词里增加了所有暴露参数的说明，每次运行上一段时间后，AI都会将注意力逐步卡死在一两个参数上，无法自拔... 因此我不得不花了2天时间，将这部分涉及数据收集与实时分析并动态调参的AI任务变成了纯代码逻辑，整个系统为了适配，不得不做了大量依赖项开发，这在之前由AI决策的时候，完全不需要，它可以自己拉取数据、联网搜索、语义分析然后得出调参结论... 但依旧，没有了AI参与重度决策后，整个系统的运行终于稳定下来了，所以可以确认的一点是，对于交易系统，死代码终归是优于灵活的大模型的！ 目前我将AI的工作范围缩减至了社交情绪分析、交易资产搜集（查背景和解锁周期）以及系统监控上，你让 Agent 当一个秘书，远比让他当一个交易员要安全稳定。 所以，如果你还在期待给AI一段提示词，然后他就开始帮你赚钱，还是洗洗睡吧，现阶段的大模型只能实现固定参数下的纯算法策略的执行，相当于帮用户省去了前期开发的麻烦； 但越往后，AI 在一个系统中占据的空间越大，黑盒的不确定性也就越高，有时候还不如找个带单老师来的稳定...