1. Agent投研概述：从传统量化到AI Agent的进化之路
说实话，我做了十几年量化，最深的感受就是——这个行业正在经历一场静悄悄的革命。2015年我刚入行那会儿，大家还在比谁的因子库大、谁的回测框架跑得快。现在呢？风向全变了。
我个人习惯把量化投资的发展分成三个阶段。第一阶段是手工挖因子，靠研究员拍脑袋想逻辑，然后写代码验证。第二阶段是自动化挖因子，用遗传规划、深度学习这些方法批量生成候选因子。第三阶段，就是我们现在要聊的——AI Agent驱动的智能投研。
你可能会问：Agent跟传统自动化有啥区别？我举个例子你就明白了。传统自动化就像一条流水线，你设定好规则，它机械执行。Agent呢？它更像一个实习生，能理解你的意图，自己规划任务，遇到问题还会主动问你要不要调整方案。
核心观点：AI Agent不是简单的工具升级，而是投研范式的根本转变。从"人找因子"变成"Agent找人确认因子"。
从传统量化到AI Agent的进化路径
我画了一张图，帮你理清这条进化路线。嗯，这张图我反复改了好几版，最后发现还是这样最直观。
你看，从手工到自动化，本质上是量变——把重复劳动交给机器。但从自动化到Agent，是质变——机器开始具备"思考"能力了。
Agent在因子挖掘中的核心价值
我在项目中遇到过不少团队，花了几百万搭自动化挖因子平台，结果呢？因子库堆了几万个，真正能用的不到5%。问题出在哪？说白了，自动化只解决了"量"的问题，没解决"质"的问题。
Agent能带来什么？我总结了三层价值：
- 第一层：理解业务意图——你告诉Agent"我想找能预测财报超预期的因子"，它不会傻乎乎地去算一堆技术指标，而是先理解"财报超预期"这个业务场景，然后规划挖掘方向。
- 第二层：自主规划与执行——Agent会自己拆解任务：先收集哪些数据？用什么方法生成候选因子？怎么验证有效性？每一步它都能自主决策，遇到问题再找你确认。
- 第三层：持续学习与迭代——Agent会记住你的反馈偏好。比如你上次说"这个因子逻辑太复杂，不要"，下次它就会优先生成简洁的因子表达式。
我的经验：刚开始用Agent时，别指望它一步到位。我建议先让它做"因子初筛"，把候选池从几万缩小到几百，你再人工精挑。这样效率最高，人机配合最舒服。
课程全景图与学习路径
这门课一共30章，我把它分成四个模块。你想想看，学完这四个模块，你就能从零搭建一个完整的投研Agent系统。
| 模块 | 章节范围 | 核心内容 | 实战产出 |
|---|---|---|---|
| 基础篇 | 第1-8章 | Agent原理、LLM基础、工具链搭建 | 能跑通的Agent原型 |
| 核心篇 | 第9-18章 | 因子挖掘Agent、信号生成Agent、回测Agent | 完整的因子挖掘流水线 |
| 进阶篇 | 第19-25章 | 多Agent协作、记忆系统、工具调用 | 多Agent协作框架 |
| 实战篇 | 第26-30章 | 实盘对接、性能优化、监控运维 | 生产级投研Agent |
我个人建议的学习路径是这样的：
- 先动手后动脑——别一上来就啃理论。第2章我会带你搭一个最简单的Agent，先跑起来再说。有了体感，后面学理论才有感觉。
- 每章必须写代码——这门课不是让你"听懂"的，是让你"练会"的。每章结尾都有实战任务，不做等于白学。
- 遇到问题先问Agent——嗯，这算是个小技巧。你学完第5章之后，遇到代码报错或者概念不清，直接让Agent帮你解释。用Agent学Agent，效率翻倍。
避坑指南：我曾经犯过一个错误——一开始就想把Agent做得"全能"。结果搞了两个月，啥都没跑通。后来我学乖了，先做一个"能挖一个因子"的最小系统，再慢慢加功能。记住：先完成，再完美。
好了，第一章就聊这么多。接下来我们直接进入实战——第2章，我会手把手带你搭一个能跑起来的投研Agent原型。到时候你就知道，这东西到底有多香。