一、起点：一个装在4GB 内存机器上的监控脚本

我最初只是想让一台云服务器上的 Node 进程别因为内存泄漏而OOM 死掉。它泄漏的速度是 56MB 每分钟，机器只有 4GB 内存，所以每小时大约崩一次。这个问题看起来跟 AI 毫无关系，但它决定了我后面所有架构选择的基调：

你必须先知道机器的真实边界在哪，才能决定把多少判断权交给 Agent。

于是我写了一个 Keepalive 脚本，做了注册表优化，调了页面文件，给 Defender 加了排除项。这些都是"确定性"的运维动作——脚本能搞定的，就不要交给 Agent。

二、真正的转折点：把"该跑什么"也交给 Agent

接着我把工作重点转向了一个选股项目（CSI1000 多因子）。这里的痛点完全不同：

这个"决定下一步"的环节，原来是我每天手动做判断，写在一个 active_plan.json 里，然后再手动派单。我做的事情其实很简单：读 registry（唯一事实源），对照当前阶段的硬规则，然后选 1-5 件事派出去。

这套逻辑我重写了一遍，让 Agent 自己跑：

（每天早上）：读取所有实验产出，产出当天的 active_plan.json

（每小时）：检查 plan 有没有被执行，执行结果是否偏离预期

：按+5/+17/+29/+41/+53 分钟错峰派发5 个任务，避免集中打满资源

跑起来之后，效果比预期好，但暴露的问题也更典型。

三、踩过的坑，比学到的东西更多

坑一：Agent 会非常"听话"，听话到有害。

我第一版 prompt 写的是"根据情况决定做什么"。结果它做了一堆非常保守但没意义的事——反复校验已经校验过的数据、生成看起来很专业的报告但没有实际结论。于是我改成硬规则写进 prompt：无自动实盘、registry 为唯一事实源、未经人工确认不得切换口径。这三条后来成了整个流程的安全底座。

坑二：多 Agent 的"责任分散"比单体更严重。

我把研究拆成 7 个角色（数据、策略研究、回测、Parity 复审、风险红队、模拟运营、发布把关）。听起来很美，实际跑起来的问题是：角色之间传递信息时语义会衰减。Parity 复审拿到的回测结果和原始数据之间，隔了三层转述。最后我的处理方式是：给每个角色明确"必须自己重新读取 registry，不许信任上游结论"的指令。冗余，但有效。

坑三：任务预算必须硬性限制。

Agent 有个坏习惯——觉得自己"再检查一遍"是负责任的表现。我不得不加了一个 productive_minutes 预算，下一轮的派单量根据上一轮的实际产出时间动态调整。这一条基本上把无效产出砍掉了三分之二。

四、给想要上手的人：我的三条实操建议

第一条，先把确定性的部分用脚本固化，再考虑 Agent。

如果你的任务可以被if-else 描述清楚，就不要用 Agent。我服务器上的 Keepalive 脚本比任何模型都可靠。

第二条，Agent 的 prompt 里必须写死"不许做什么"。

正面指令模型会自行扩张边界，负面清单才是真正的护栏。我的 prompt 里负面清单比正面描述长得多。

第三条，不要追求端到端自动化，追求分层自动化。

真正稳定的结构是：脚本做执行、Agent 做判断、人做批准。凡是"批准后产生不可逆后果"的环节（切换口径、发布、开通权限），都做成带硬门的执行器：拒绝空身份、强制填理由、原子完成副作用、回读校验。这是"半自动"，但它跑得比"全自动"远得多。

如果你也想动手，这几个技术点值得注意：

AI Agent 目前最适合的角色，不是"替代你工作的人"，而是"帮你把判断过程显性化的系统"。它不会替你做对决策，但它会逼你把决策规则写清楚——而这往往才是你真正卡住的地方。

半年下来，我最大的收获不是多了一个助手，而是明白了：要把 Agent 用好，功夫得花在把隐性的经验变成显性的规则上。这件事本身，对人也是一种训练。

我最初只是想让一台云服务器上的 Node 进程别因为内存泄漏而OOM 死掉。它泄漏的速度是 56MB 每分钟，机器只有 4GB 内存，所以每小时大约崩一次。这个问题看起来跟 AI 毫无关系，但它决定了我后面所有架构选择的基调：你必须先知道机器的真实边界在哪，才能决定把多少判断权交给 Agent。

用 AI Agent 搭建量化研究工作流：从「会写代码的工具」到「会自己跑的研究员」

把AI Agent 从"会写代码的工具"用成"会自己跑的研究员"：分层自动化的调度设计、必须写死的负面清单、多 Agent 的语义衰减问题，以及把不可逆操作做成带硬门的执行器。附踩坑清单。

人工智能

算法

客户端

在Windows环境下利用WorkBuddy搭建自动化量化研究流程，核心经验是分层自动化：脚本负责执行、Agent负责判断、人负责批准。通过硬性负面规则、独立registry事实源、任务预算限制，将无效产出削减三分之二。真正价值不在于AI替代人工，而在于将隐性决策经验显性化，形成可执行的规则体系。

云服务器

服务器

WorkBuddy 

Windows

Python

Agent

JSON

2026上云采购 | AI焕新·智启新局

llmsgw

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

用 AI Agent 搭建量化研究工作流：从「会写代码的工具」到「会自己跑的研究员」

用 AI Agent 搭建量化研究工作流：从「会写代码的工具」到「会自己跑的研究员」

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐