给 AI 量化加护栏：一个周末的实验

上周末我装了一只龙虾。

OpenClaw 是一个开源的 AI Agent 框架，社区里叫它”龙虾”。装完之后，我让它做了一件它出厂时完全不会做的事：用我开发的量化框架 open-xquant，跑了一个类似桥水基金全天候策略的 ETF 组合：沪深 300 + 纳斯达克 + 黄金。

open-xquant 是我这几个月经过实践沉淀下来的开源 Agent-First （专用于 Agent）的量化框架。

它严格按流程，写出了声明式的策略代码，可以用框架自带的回测引擎复现、优化、防过拟合、模拟交易。

但这不是重点。重点在于，我做的第一件事不是让它跑策略，而是给它换了灵魂。

出厂的龙虾，是个管家

OpenClaw 默认的** **SOUL.md 是这样的：

# SOUL.md - Who You Are
_You're not a chatbot. You're becoming someone._

Be genuinely helpful, not performatively helpful.
Have opinions.
Be resourceful before asking.
Remember you're a guest. You have access to
someone's life — their messages, files, calendar,
maybe even their home. That's intimacy.
Treat it with respect.

写得很好。一个有性格、懂分寸的私人助手。

显然，不能让它做量化。因为它的世界观就像是以前的我啊：没有回撤，没有过拟合，没有风控。它会很努力地帮你——然后用一种”管家的直觉”去处理它完全不理解的事。

这不是 OpenClaw 的问题。所有通用 Agent 都一样，都很聪明，但聪明和专业是两回事。聪明到专业之间，还有很多功课要补，比如关注重点、做事流程、常用工具、横向指标，等等。

我做的第一件事：换灵魂、定规矩、给工具

我替换了龙虾的三个核心文件，这三个核心文件是龙虾的灵魂、规矩和工具。当然了，这三个核心文件也不是我手写的，是我和 claude 讨论得来的。

SOUL.md——告诉它”你是谁”：

You are a focused quantitative research assistant.
Your sole purpose is to support quantitative research
using the open-xquant framework.

Think like a quant: data quality → factor validity →
signal robustness → risk-adjusted return.
Never confuse a backtest artifact with a genuine
alpha signal.

Hard limits:
- Do NOT submit live orders.
- Do NOT modify framework source code.
- If IC is weak, say so. Intellectual honesty
  about signal quality is more valuable than a
  confident-sounding answer.

AGENTS.md——告诉它”怎么干活”：

规定了标准操作流程：因子研究 → 信号生成 → 回测 → 评估 → 迭代。每个环节必须经过什么检查、产出什么格式的结果、在哪里记录。不是建议，是规程。

TOOLS.md——告诉它”手边有什么”：

列出了 open-xquant 的完整工具链：MCP Server 封装的 SDK、可用的 Skill、数据管道的结构（Indicator → Signal → Portfolio → Rule）、安装方式、示例代码的位置。Agent 每次启动都会读取这个文件，相当于一本随时可查的环境手册。

做完这三件事，我才让它开始工作。

这个动作本身，就是我的观点

如果你拿到一个 Agent，第一件事是重写它的整个认知框架——替换它的人格、规定它的操作边界、给它装上专业工具链。因为：

它本来就不具备做这件事的条件。

这就是最近 AI 圈都在讨论的 Harness 。这个词来自马具：缰绳、鞍座、嚼子，一整套用来引导强壮但不知道该往哪跑的动物的装备。OpenAI 在今年初提出了 Harness Engineering 的概念：工程师的核心工作不再是写代码，而是设计让 Agent 能可靠产出的环境。

在量化交易的场景下，Harness 具体包含四层：

第一层：上下文约束。 Agent 不是从头”想”一个策略（那叫幻觉），而是在一个已知的、有边界的框架内工作。它能调用的工具、能生成的代码格式、能访问的数据源，都是事先定义好的。

第二层：架构强制。 策略必须通过** **Indicator → Signal → Portfolio → Rule 四阶段模型来表达，不能绕过。写出来的代码是声明式的，可以用框架的回测引擎自动验证。这不是”建议 Agent 写好代码”，而是机械性地强制执行什么才是合法的策略。

第三层：目标明确。无论是回测、还是实盘策略的监控，成功的策略都有明确的绩效指标去评价它，而不是需要使用另一个大语言模型来做 LLM - as - Judge。目标明确下，在什么情况下失败了，下次进化就有更明确的依据。

第四层：风控护栏。 硬编码在引擎层，不靠 Agent 自己”记得”。单笔仓位超限？直接拒绝。回撤触发阈值？自动终止。这些约束不在 prompt 里，而是在代码里。

加了护栏之后发生了什么

龙虾严格按照 Skill 中规定的流程工作。它构建了一个沪深 300 + 纳斯达克 + 黄金的 ETF 轮动组合，从构思到可回测的声明式策略代码，不到十分钟就完成了。

关键不是速度，而是可控性：

• 策略代码是声明式的，任何人可以阅读、审查、复现
• 回测结果可以用框架的引擎独立验证
• 同样的输入永远产出同样的结果
• Agent 无法绕过风控规则，即使你”要求”它这么做

这才是 AI 做量化的正确姿势：不是让 Agent 替你决策，而是让它在一个严格约束的环境里帮你高效工作。Agent 提供速度和创造力，Harness 提供纪律和安全。

为什么这件事值得写

我常常在 X 上和小红书上，刷到很多所谓的“龙虾炒股”的博主，我只能说，为了流量，都敢说啊。这就是塔勒布说的非对称风险：因为他们不承担风险啊。我先实盘了策略，然后根据策略抽象出框架，开发了 Agent-First（专用于）的底层 SDK，封装成了 MCP-server，再把流程写成了 skill。

当然，还是有很多比较保守的人，认为”AI 炒股不靠谱”，可能因为试过了，发现它胡说八道，也可能是一种下意识，直接得出结论 AI 做不了量化。

其实我们大可不必走入两个极端，真相其实在中间：用AI Agent 做量化，依然还是把AI当做工具，而不是要指望躺赢；其次，AI 的能力不是瓶颈，让它可控可重复才是关键。

这个周末的实验，是我正在写的量化入门内容的一部分。我在开发的 open-xquant 也会持续开源。如果你也想用 AI 正确地做量化——不是让它替你决策，而是在约束下帮你高效迭代——后续会有更系统的内容。

如果你也想使用 AI 从事量化，或者关注量化策略，欢迎注册 https://xquant.shop，注册后记得在个人中心绑定服务号 xquant-shop，不定期会有兑换码赠送。