Frank Long：围绕质量构建 AI 投资工作流

我在 Coatue 工作，这是一家同时投资公开和私募市场的科技投资公司。我的判断是，AI 智能体最终对投资的影响甚至会超过它对编程的影响。这是一个很强的判断；我想介绍的是我们尝试实现这一影响时使用的框架。

可以把对冲基金想成一个函数：输入是外部和内部背景信息，输出是一项包含三个要素的决策——选什么、持有多少、何时行动。投资组合就是这些决策随时间形成的序列。挑战在于如何把海量信息压缩成这样一个小小的决策。

我的第一条原则是：人能在屏幕上看到的信息，智能体也应该能够通过 API 获取。即便是一位极其优秀的投资者，如果加入公司后无法登录大多数工具，也会受到限制。系统无法接触所需信息时，光有智能是不够的。

外部背景包括新闻、价格和申报文件，最好可以直接获取，而不用人工复制。内部背景同样重要：当前持仓、流动性和风险约束、过往案例，以及公司与某个行业、企业或管理团队打交道的历史。

基础既是技术问题，也是文化问题。数据系统让信息可用，但企业还需要严谨地记录考虑过什么、做了什么、没有做什么，以及之后发生了什么，才能利用积累的组织知识。几十年的笔记可能成为 AI 系统的资源。

我不能把所有背景资料塞进模型，就指望它吐出三个神奇的数字。我会把问题拆成收集相关材料、分析材料并形成观点、再将观点转成决策。每个阶段都有输入和输出，前一阶段的输出会进入下一阶段。

即使是收集信息，也有很多细节。一条体育新闻可能与持仓关系不大，而地方许可新闻可能影响数据中心主题。找到相关材料后，团队仍需理解它对公开和私募市场的含义，再判断它如何影响投资组合。

为了看清复杂性，可以只考虑一个小任务：解读有关半导体的韩文新闻。半导体对 AI 投资很重要，而语言模型可能帮助不懂韩语的团队阅读相关报道。这种方法是否有用，仍然需要测试。

仅仅收集信息就有许多选择：获取授权并清洗数据源，通过 MCP 服务器或命令行工具访问，决定如何拆分文章，以及把图片直接交给模型还是先转换成文字。我把这些设计选择看作需要调优的参数。

接下来要筛选：许多新闻与我们的持仓和主题无关。然后还要决定翻译、总结，还是提取为结构化记录。随着模型变化，把信息呈现给模型的最佳方式也可能改变。

我们还需要把外部信息与自己的笔记、观点和对话相互核对。从不同来源提取证据并交叉验证很有价值；这样做也可能促使我们更新原有观点，而不仅仅是增加一份摘要。

每一步都可以交给不同的执行者。确定性代码处理明确规则时快速、便宜且可靠；统计方法和传统机器学习可以建模更复杂的关系；语言模型和智能体则为总结等任务提供了另一种选择。

人也是执行者。与管理团队会面可能需要人的判断力和应对现实世界的能力。仅仅为了增加自动化步骤而自动化没有价值：目标是让整个功能达到最佳质量。

工作流未必是一条直线。一种设计可能先翻译、提取引语并对照来源核实；另一种可能先去重、筛选并提取额外数据。也可以从一份内部笔记出发，寻找支持或反驳它的证据。

不同阶段也可能组合多种执行方式，而不是只选一种：代码配合模型、统计筛选配合 LLM，或者人使用确定性搜索。即使只看 LLM，也要选择模型大小、推理强度、运行框架、技能和钩子。

即便只是新闻筛选，搜索空间也会变得非常大。要改进系统，就需要拆出能够理解和评估的部分，并明确要优化的结果。如果没有这个目标，把 LLM 换成分类器或规则就只是反复折腾。

不同阶段的最佳答案可能不同。例如模型可能不擅长判断一条消息对投资组合的影响，那么可以由人作判断，再用确定性工具协助查找证据。重点是选择有效的组合，而不是偏爱某一种技术。

整个公司所有数据源组成的真实流程图，比新闻例子复杂得多。每个节点都有多种设计选择，组织既要在技术上理解系统，也要在文化上吸收这种工作方式。这就是把 AI 应用于投资的实际挑战。

同样的模式也存在于投资之外：系统接收来自世界的信息，试图将其转化为连贯的决策。政策、非营利组织、药物研发和企业战略也面临各自版本的问题，因此方法与经验可以跨领域借鉴。