桥水如何使用 Agent：从 PAT 到 Artificial Investor｜学习笔记

01 · Executive Summary

先记住这一句：桥水的变化不是“Agent 被专用模型替代”

更准确的理解是：Agent Harness 负责组织工作、权限、工具、执行和验证；而越来越多“可学习的专家能力”被移入模型训练、专家数据与奖励信号。

2026 Q2：强模型 + Context + Harness + Evals
↓
2026 Q3：Harness + Expert Data + Specialized Models + RL/RLVR + Evals + Live Feedback

没有过时的部分

PAT 的规划、Typed IR、专用检索、权限隔离、确定性验证、缓存执行、反馈转 Benchmark，仍然是生产级 Agent 的核心工程思想。

发生变化的部分

桥水后续研究开始明确展示：对稳定、重复、可监督的专业能力，单纯堆 Prompt 与 Scaffold 会遇到上限，专家知识可以直接训练进模型。

真正的终局

AIA Labs 的公开目标已经不是“做一个金融 Copilot”，而是构建覆盖投资者完整活动范围的 artificial investor。

重要区分： PAT 本身在 5 月演讲中的定位是“探索性投资研究工具”，不是“PAT 自动替桥水下单”。但 Bridgewater 的 AIA Labs 整体路线更广，其官网披露 AI 工具可参与投资管理流程，并在适当监督下可直接用于投资与资产配置决策。所以不要把 PAT 和整个 AIA / Artificial Investor 混成同一个系统。

02 · Evolution

四个月发生了什么：从生产级 Agent 到“把专业能力训练进去”

2026-05-19

PAT：Pocket Analyst Tool

桥水公开展示内部研究 Agent：把数十年投资知识、检索、规划、代码生成、静态分析、确定性验证和 Teach 反馈闭环组合为一套生产系统。

2026-06-30

Learning to Replicate Expert Judgment

桥水与 Thinking Machines 展示：专家 Prompt 能显著提高表现，但仍难跨过生产可信阈值；使用专家标注 + 训练后，专用模型超过其测试的 frontier models，同时推理成本大幅降低。

2026-07-20

RLVR Generalization

AIA Labs 继续研究 RLVR 在十亿参数规模上的泛化边界，显示“企业专用模型 + 可验证奖励”已经成为其技术栈的重要组成。

2026-08-03 → 08-27

Noisy Data Breaks RLVR → Text-to-SQL

路线进一步清晰：高质量训练数据是瓶颈；对于 Text-to-SQL 这类任务，清洗数据 + 改造奖励信号 + RLVR 可以优于“固定模型外面套很多 Agent Scaffold”。

2026-09-27 · 当前观察点

Harness 与 Learned Intelligence 分工越来越清楚

桥水公开路线并没有否定 Agent，而是开始回答一个更成熟的问题：什么应该写进 Harness，什么应该写进 Context，什么应该写进模型权重，什么必须由普通程序确定性保证。

03 · What PAT Is

PAT 不是“金融版 ChatGPT”，而是一条受约束的研究流水线

Bridgewater 官方把 PAT 描述为一个自动化分析师：让投资人员把原本需要数小时的探索性研究压缩到分钟级。它利用桥水几十年累积的系统化投资知识、时间序列、非结构化资料以及研究流程，并把对话界面与后端研究执行系统连接起来。

Research Question

→

Clarify & Retrieve

→

Structured Plan

→

Parallel Codegen

→

Validate & Execute

→

Report + Feedback

桥水为什么天然适合做这种 Agent？

因为它不是今天才开始“整理知识库”。AIA Labs 官方强调，他们继承了约五十年的系统化投资研究：干净、具有时点建模的宏观与市场数据，大量关于市场因果关系的显式推理，以及专家反馈。对 Agent 来说，这些东西比“临时写一个超长 System Prompt”值钱得多。

真正的组织级 AI 护城河，往往不是“我们能调用最强 API”，而是： 组织是否早就把知识、流程、数据定义、失败案例和判断标准结构化了。

04 · PAT Architecture

PAT 的七个工程层：每一层都在消灭一种 Agent 不可靠性

Layer 1 · 权限与上下文边界

不同用户看到的 PAT 并不完全相同。可访问的数据、工具和内部知识由用户权限决定。安全边界首先是系统能力边界，而不是一句“请不要泄露机密”的 Prompt。

Layer 2 · 专用检索，而不是纯向量相似度

时间序列搜索不仅看名称或 embedding，还模拟研究员的检查：频率是否对、币种是否对、数值是否落在合理范围、是否符合已有先验。公开视频口径中，这种“human-like inspection”让搜索准确率从大约 50% 提升到 90%。

Layer 3 · Clarification：把“模糊问题”变成“可执行研究问题”

Agent 先追问必要的边界和定义。桥水投入大量上下文与 Benchmark，专门训练“什么是好研究问题、什么是坏研究问题”。

Layer 4 · Plan is the analysis

规划不是三行 To-do。它描述需要产生哪些 DataFrame、每个表的 schema、输入依赖、转换语义以及它们之间的 DAG。当规划足够精确时，后面的代码生成反而变成“实现工作”。

Layer 5 · 并行代码生成

由于每个任务的输入输出契约已经被规划阶段确定，多个 coding sub-agent 可以并行生成不同节点代码，而不需要彼此实时“聊天”。

Layer 6 · 确定性验证 + 普通 Python 运行时

验证不交给 Agent“记得去做”。静态分析先构建 DAG，再按依赖层并行检查。验证被嵌进普通程序逻辑，因此 Agent 不能随意跳过。这是高可靠系统与 Demo Agent 的关键分界线。

Layer 7 · 缓存与可复用中间结果

执行层通过静态分析插入缓存标记。只修改末端图表时，不必重跑上游所有计算。研究产物还能重新进入数据体系，成为后续研究的输入，使人类和 Agent 的工作累积起来。

05 · Agentic Coding as Compilation

为什么“把 coding agent 当编译器”比 ReAct 更重要

典型自由 Agent

while not done: think() choose_tool() run() inspect() maybe_fix()

灵活，但轨迹漂移、难复现、难缓存、难测试。

→

PAT 式编译管线

intent → structured plan / IR → dependency graph → code generation → static validation → execute

自由度被前移到“规划”，执行阶段则尽可能确定。

把 Structured Plan 理解成 IR（Intermediate Representation）

编译器不会让 CPU 直接“理解自然语言需求”。它会把高级表达逐步下降到结构化中间表示，再生成机器可执行形式。 PAT 的思想类似：

自然语言研究问题 ↓ Chat Agent 对齐意图 ↓ “自然语言 Python 项目” - task - input dependencies - output dataframe schema - transformation meaning ↓ 静态依赖分析 / DAG ↓ Coding Agent ↓ Python ↓ 确定性验证 ↓ 执行

可靠性来自“约束自由度”。 在 PAT 的公开演讲中，他们报告在测试套件内，对同一计划运行两个不同 Agent，约 95% 的情况下会生成完全相同的代码。这不是说 LLM 变成了真正的传统编译器，而是说明：当 IR 足够明确、代码生成任务足够窄、验证足够强时，随机模型也可以表现出高复现性。

这对 Agent 设计意味着什么？

问题	自由 Agent 的常见做法	Compiler-style 的做法
计划	自然语言 To-do	显式任务、Schema、依赖、契约
代码	Agent 一边写一边跑	从完整计划“编译”为代码
验证	提醒 Agent 自检	程序层强制验证
并行	多个 Agent 相互通信	基于 DAG 层级天然并行
缓存	靠会话状态猜哪些已完成	依赖图 + 内容/版本哈希决定复用
评测	“看起来不错” / LLM judge	可复现测试套件 + 明确通过条件

06 · Feedback Flywheel

Teach：最值得学的不是“记忆”，而是把错误变成回归测试

普通 AI 产品收到纠错后，往往只是把一句话放进 Memory。PAT 的公开设计更工程化：用户指出失败后，系统尝试识别失败类型、构造 Benchmark / reproduction、修改上下文或流程、运行回归，再形成可审核的改动。

真实工作失败

→

Failure Case

→

Benchmark

→

Fix Context / Workflow

→

Regression

→

Human Review

这就是生产级 Agent 的飞轮：用户不是只在“使用 Agent”，还在不断生产训练资产和评测资产。 当错误被标准化成 Eval 后，同一类错误就不再只是一次聊天中的偶然事故。

这也是为什么“长期记忆”不能等同于“系统会越来越强”。真正的系统改进需要： 失败可复现 → 标准可测量 → 修复可回归 → 版本可比较。

07 · June Update

6 月的变化：专家知识不只放在 Context，也开始直接进入模型

Bridgewater AIA Labs 与 Thinking Machines 在六类日常金融信息筛选任务上测试 frontier models。任务本身看起来并不“高深”：文章是否值得投资者读、央行文档是否暗示未来利率方向、研究资料是否有助于回答问题、在哪里截断模板化内容等。难点不是读懂字面，而是复刻投资者多年积累的“taste / judgment”。

Prompt 很有用，但不是无限有用

Naive Prompt

47.2%

Expert Prompt

77.2%

Best Frontier (test)

78.2%

Custom Model

84.7%

专家 Prompt 把平均准确率从 47.2% 拉到 77.2%，说明 Context Engineering 极其有效；但他们设定的日常可信阈值约为 80%，最好的 prompt 仍未稳定越过。后续用专家标注训练 Qwen3-235B，最终方案平均准确率约 84.66%（文中概述为 84.7%），相比其测试中表现最佳的 frontier model 78.2%，错误数减少约 29.8%，同时每任务推理成本下降约 13.8 倍。

训练配方告诉我们的三个关键点

1 · Expert-labeled data

普通外包标注并不够。桥水发现非专家标签本身经常错，因此把“模型与标签冲突”的案例路由给专家复核，用昂贵专家时间处理最有信息量的样本。

2 · Multi-task training

他们比较不同 batching 方式，发现按任务轮转的 interleaved batching 更有效。说明组织内部可以把多个窄任务训练为一个更统一的专家判断模型。

3 · OPD + CISPO

通过 CISPO、非对称 clipping 与 on-policy distillation，把强 teacher 的行为约束和任务 reward 结合，继续推高专用模型能力。

Prompt 能表达“专家能够说出来的规则”；训练数据则可以让模型学习 专家自己也很难完整语言化的判断边界。

08 · August Update

8 月的变化更激进：不是所有任务都值得继续往外堆 Agent Scaffold

在 Text-to-SQL 研究中，团队直接批评一种常见工程惯性：模型不够好，就不断增加 schema linker、generator、self-correction、selector 等步骤，每一层再调用一次模型。这种方法能提升表现，但也增加成本、延迟和系统复杂度，而且最终受到基础模型能力上限约束。

他们做了什么？

先修数据：审计 BIRD Train 的 2.5k 样本后，发现大量标注问题；错误可以出现在问题、外部知识和“gold SQL”本身。
再修奖励：“运行结果一样”不等于 SQL 语义等价，因此加入 VeriEQL 检查，减少错误查询被误奖励。
加入 process reward：要求模型显式把外部知识转换为约束，并审计生成 SQL 是否遵守这些约束。
用 RLVR 训练：以 Kimi-K2.6 为基础训练出 ReViSQL-K2.6，而不是在固定模型外继续加更多模型调用。

Greedy · 单样本

91.37%

Arcwise-Plat-SQL；单次 temperature=0；文中报告成本约 $0.035 / task。

SC-16 · 自一致

92.97%

16 个候选按执行结果多数投票；超过文中给出的 92.96% human proxy。这是特定基准上的结果，不代表“AI 普遍超过人类 SQL 工程师”。

真正的观点不是“Scaffolding 没用”。 原文明确说 scaffolding 不是毫无价值；而是当一个稳定任务长期依赖同一套 scaffold 来补足模型能力时，那些任务知识可能更适合进入训练信号，从而减少推理时的重复调用。

09 · Updated Mental Model

现在更成熟的 Agent 设计问题：一项能力到底应该放在哪里？

能力 / 约束	更适合放置的位置	原因
用户权限、可用工具、资源边界	Harness / Runtime	必须强制，不能依赖模型“自觉”
一次任务的目标、时间范围、输出格式	Context / Plan	任务特定，经常变化
稳定、重复出现的专家判断	Training / Weights	可通过大量高质量样本内化，降低推理成本
可验证的正确性条件	Deterministic Validator	程序规则比 LLM 自评更稳定
“哪里容易错”	Eval / Benchmark	需要跨版本持续回归
真实用户纠错	Data Flywheel	既可以改 Context，也可以变成训练/评测资产
新鲜外部事实	Tools / Retrieval	不该固化在权重里

一个生产级 Agent ≠ 一个会 ReAct 的模型

Agent System = Model + Context + Harness + Tools + Runtime + Evals + Feedback +（必要时）Training

两层结构：Harness Intelligence + Learned Intelligence

Harness Intelligence

PlanningPermissionsTool UseValidationCachingObservability

把任务组织得可靠、可控、可复现。它像“操作系统 + 编排器 + 安全边界”。

Learned Intelligence

Fine-tuningRLVRExpert LabelsDistillationReward Design

把反复出现的专业判断内化到模型中。它减少 prompt 长度、调用链与运行成本，并可能突破固定模型的任务上限。

10 · For Your Research / Alpha Agent

如果你自己做 Research / Alpha Agent，最值得照搬什么？

对个人开发者或学生来说，最危险的误读是：“桥水都在训模型了，那我也先去 Fine-tune。” 实际上顺序应该反过来。没有 Harness、Eval 和高质量失败数据之前，训练往往只是在花钱固化混乱。

推荐路线：三阶段，而不是一步冲到 RL

Stage 1

先把 Harness 做可靠

明确任务输入 / 输出契约
研究 Plan 结构化
数据源白名单与权限
代码执行沙箱
确定性检查
全链路日志与可复现 run

Stage 2

再建立 Eval 飞轮

每次失败都保存为 case
定义 pass / fail，不靠“感觉”
版本比较
把人类纠错转回归测试
维护高价值 hard cases

Stage 3

最后判断是否值得训练

任务是否高频、稳定、重复？
是否有足够专家标签？
Prompt 是否已经接近上限？
是否能设计可靠 reward？
训练后是否能减少大量调用链？

一个适合你的 Research Agent 参考架构

User Question ↓ Research Request - universe - date / point-in-time - allowed data - output contract ↓ Planner ↓ Research IR / DAG ├─ Retrieval task ├─ Factor / feature task ├─ Backtest task ├─ Robustness task └─ Report task ↓ Specialized Executors ↓ Deterministic Checks - no look-ahead - data availability date - unit / frequency - NaN / missing - turnover / cost assumptions - leakage checks ↓ Execution + Cache ↓ Evidence Package ↓ Human Review ↓ Failure Cases → Eval Dataset → Context Fix / Skill Fix / Training Data

对 Alpha Agent 尤其重要的“硬约束”

风险	不要只靠模型提醒	应做成程序检查
Look-ahead bias	“请不要未来函数”	数据发布时间 / point-in-time join 强制检查
单位与频率错位	让 Agent 自己看	schema 内明确 unit / frequency / currency
过拟合	让模型评价“稳不稳”	固定 OOS、walk-forward、扰动测试
成本漏算	报告里提醒交易成本	回测引擎统一扣费、滑点和换手成本
结果无法复现	保存聊天记录	保存 plan、代码、数据版本、参数、模型版本和 seed

你真正应该从桥水学的不是“用哪个 Agent 框架”，而是： 把 LLM 的创造力放在最需要创造力的地方，把正确性从模型的“自觉”中拿回来。

11 · Misconceptions

五个很容易学歪的地方

误区 1：Multi-Agent 越多越高级

桥水的经验恰恰强调专用、窄任务与可评测。多 Agent 只有在依赖关系清楚、能真正并行或职责隔离时才有价值。

误区 2：Memory = 自我进化

存下用户偏好不等于系统变强。能把失败变成 Benchmark，并证明新版本不再犯错，才是工程意义上的改进。

误区 3：只要换 frontier model 就会自然变好

6 月金融判断研究显示，在其任务上，新模型并没有自动解决专家 judgment；专用数据和训练反而产生更明显提升。

误区 4：Scaffolding 已经过时

不是。权限、执行、工具、检索、验证、观察性仍必须由 Harness 承担；只是稳定“认知技能”不一定要永远靠多次模型调用模拟。

误区 5：某 benchmark 超过 human proxy = 通用超人类

92.97% 是特定 Text-to-SQL 数据集与评测定义下的结果，只能说明该方案在该任务上的强度，不能泛化成“AI 已超过金融专家”。

误区 6：最强系统的秘密是 Prompt

从 PAT 到 Q3 研究，真正不断重复出现的是：高质量数据、清晰契约、可验证环境、专家反馈、评测以及系统工程。

12 · Glossary

术语速查

术语	在这篇笔记里的意思
PAT	Pocket Analyst Tool，Bridgewater 内部研究 Agent / 自动化分析师。
AIA Labs	Bridgewater 的 AI 研究与投资实验室，目标是构建完整 artificial investor。
Harness	模型外部的编排、工具、权限、执行、验证、缓存、日志等系统层。
Scaffolding	通过多个 Prompt / 模型调用 / 阶段式流程补足固定模型能力的“脚手架”。
IR	Intermediate Representation；这里指自然语言问题到代码之间的结构化研究计划。
DAG	Directed Acyclic Graph；表示任务依赖，决定并行与执行顺序。
RLVR	Reinforcement Learning with Verifiable Rewards，可验证奖励强化学习。
OPD	On-Policy Distillation；在策略训练中利用 teacher 分布约束学生。
CISPO	一种策略优化目标；在桥水/Thinking Machines 的公开训练方案中被使用。
Human proxy	基准中用来近似代表人类水平的参考分数，不等同于真实世界“所有专家”的能力。

13 · Primary Sources

原始资料与进一步阅读

优先列官方/合作方原文。B 站视频适合作为中文导览，但技术判断以这些来源为准。

Bridgewater — How Bridgewater’s AIA Labs Built PAT: The AI Pocket Analyst Tool 2026-05-19 录制。PAT 官方入口与原始 LangChain Interrupt 演讲。

Bridgewater — AIA Labs: The Future of Investment Intelligence Artificial Investor 总体目标、50 年研究资产、AIA 与 Pure Alpha 的关系、最新研究索引。

Thinking Machines + Bridgewater — Learning to Replicate Expert Judgment in Financial Tasks 2026-06-30。专家 Prompt、专家标注、Qwen3-235B 训练、84.7% 与 13.8× 推理成本下降。

Bridgewater — Provable Generalization Bounds for RLVR at the Billion-Parameter Scale 2026-07-20。AIA Labs 对 RLVR 泛化的理论研究。

Thinking Machines + Bridgewater — Putting Task Expertise into RL 2026-08-27。Text-to-SQL、BIRD-Platinum、奖励塑形、ReViSQL-K2.6 与“不要无限堆 scaffolding”的核心论证。

Bilibili —《桥水基金内部如何使用Agent?》 你最初看到的中文内容入口；建议与上述原始资料交叉阅读。

阅读提醒： Bridgewater 与 Thinking Machines 的结果来自其公开实验设置、特定任务与评测集。本笔记把它们作为“Agent 工程案例”解读，而不是投资建议，也不把单一 benchmark 结果外推为通用智能结论。