https://miasyster.github.io/posts/Recent content in Posts on AI + 量化工程HugozhFri, 08 May 2026 00:00:00 +0000https://miasyster.github.io/posts/cross-model-review-is-architecture/Fri, 08 May 2026 00:00:00 +0000https://miasyster.github.io/posts/cross-model-review-is-architecture/单 LLM 的自省有结构性盲点——它倾向于确认自己的输出。QuantGPT 在 factor-mine SKILL 的 Phase 0.5 强制 Claude 调用 DeepSeek 评审，是硬性规则，不是建议。这不是冗余，是结构性偏见的解药。https://miasyster.github.io/posts/agent-native-architecture/Fri, 01 May 2026 00:00:00 +0000https://miasyster.github.io/posts/agent-native-architecture/当系统的操作员从人类变成 LLM Agent 时，设计原则需要根本性改变。人类需要 GUI 和文档，Agent 需要语义清晰的工具和会报错的约束。我在 QuantGPT 中实践的 Agent-Native 设计原则：为调用者的认知模式设计，不是为设计者的审美设计。https://miasyster.github.io/posts/harness-is-governance/Fri, 01 May 2026 00:00:00 +0000https://miasyster.github.io/posts/harness-is-governance/Agent 治理的主流方案是在 prompt 里写规则。但 LLM 可以无视 prompt。真正有效的治理不在 Agent 内部，在 Agent 外部的 Harness 层——工具定义了能做什么，错误定义了不能做什么，代码定义了边界在哪。https://miasyster.github.io/posts/why-agent-infra-not-agent/Fri, 01 May 2026 00:00:00 +0000https://miasyster.github.io/posts/why-agent-infra-not-agent/当所有人都在卷 Agent 框架的时候，我选择了另一条路：不做 Agent，做 Agent 的基建。不是因为做不了 Agent，而是因为 Agent 层是消耗品，基建层是资产。做资产，不做消耗品。https://miasyster.github.io/posts/skill-orchestration-over-agent-loops/Thu, 30 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/skill-orchestration-over-agent-loops/当前 AI Agent 框架热衷于构建复杂的循环链：规划器 → 执行器 → 反思器 → 再规划。我选择了反过来：工具是无状态纯函数，LLM 自己决定调用顺序。不是因为循环链不酷，而是因为它把决策权放错了地方。https://miasyster.github.io/posts/expression-parser-is-a-compiler/Wed, 29 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/expression-parser-is-a-compiler/QuantGPT 的核心是一个 870+ 行的手写递归下降解析器，支持 80+ 算子、截面/时序自动分组、双模式编译。不是因为不知道 eval() 更简单，而是因为 eval() 做不到的事情恰好是最重要的。https://miasyster.github.io/posts/api-guard-pattern/Tue, 28 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/api-guard-pattern/QuantGPT 用 threading.local 实现了一个运行时守卫：所有回测调用必须经过 API 边界，直接调用函数会抛异常。不是因为函数有什么危险，而是因为没有边界的系统无法被审计。https://miasyster.github.io/posts/anti-overfit-is-architecture/Mon, 27 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/anti-overfit-is-architecture/大多数回测系统把反过拟合当作可选的附加检查——跑完回测再测一下。QuantGPT 把它内建到评分系统和进化引擎里：反过拟合结果直接影响因子得分，进化引擎读反过拟合指标决定下一步策略。不验证稳健性的因子，连参与迭代的资格都没有。https://miasyster.github.io/posts/sandbox-defense-in-depth/Fri, 03 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/sandbox-defense-in-depth/AI 生成的代码必须被执行，否则它就只是文本。但执行意味着风险。我没有选择容器隔离，也没有用 RestrictedPython，而是设计了一个三层防御：先在编译期用 AST 拒绝危险结构，再在运行时替换整个 builtins，最后用操作系统级资源限制兜底。三层各解决不同类别的风险，重叠但不冗余。https://miasyster.github.io/posts/why-i-built-my-own-fsm-engine/Fri, 03 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/why-i-built-my-own-fsm-engine/LangChain、LangGraph、CrewAI、PydanticAI——AI 编排框架从不缺选择。我全部评估后决定自研。不是 NIH 心态，而是当你需要按失败模式选变异策略、按阶段路由不同模型和温度、在轨迹分析的基础上自适应进化时，通用框架给你的抽象层反而变成了需要绕过的障碍。https://miasyster.github.io/posts/atomic-versioning/Fri, 03 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/atomic-versioning/ML 研究中最常见的谎言是’上次跑的结果很好’。上次用的什么代码？什么数据版本？什么参数？没人说得清。我用文件系统事务（临时目录 → 原子重命名）实现了每次迭代的不可变快照，让’上次的结果’变成一个可查询的事实而不是一段记忆。https://miasyster.github.io/posts/ai-as-operator/Thu, 02 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/ai-as-operator/让 AI 驱动研究流程，不等于让 AI 决定系统怎么运行。我在设计 AI 编排系统时做了一个关键分离：AI 只是操作员，执行引擎才是法律。这个决策源于一次失败的经验。https://miasyster.github.io/posts/mcp-semantic-gap/Thu, 02 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/mcp-semantic-gap/MCP 的 JSON-RPC 传输没有问题。真正的问题是自然语言规则没有代码级强制力——LLM 可以完全无视你的 instructions。我设计了 Intent Validator 模式来补上这个缺口。https://miasyster.github.io/posts/why-not-multi-agent/Thu, 02 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/why-not-multi-agent/多智能体是当前 AI 工程的热门范式。但我在设计 AI 驱动的量化研究系统时选择了单 Agent + 状态机。不是因为多智能体太难，而是因为问题结构不匹配。https://miasyster.github.io/posts/design-for-the-endgame/Thu, 02 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/design-for-the-endgame/多数系统先设计功能，再补审计。我反过来做——先确定系统在出事后需要回答哪些问题，再倒推每一层应该记录什么。这个思维倒置改变了整个架构。