Bridgewater 如何为研究人员和 AI 智能体打造 Vault

Sam Green 介绍了打造 Vault 的三条经验：人和智能体对数据有不同需求；共享工具可以同时服务两者；智能体可以超越回答问题，主动向投资人员呈现值得关注的资料。

Green 说，Bridgewater 花了大约 50 年发展并记录自己对市场的理解。研究人员尝试将决策背后的推理明确写成“如果……那么……”的规则，让观点能够接受检验、讨论和传承，而不是只留在某个人的头脑中。

公司长期以来一直把结构化经济和市场数据视为需要精心管理的资产。人工投资助理 AiA 的出现，让团队需要以同样严谨的方式处理研究笔记、文档、对话和外部分析等非结构化信息。

仅仅让模型访问文档还不够。Green 描述了团队如何清理、组织、保护资料并建立索引，让研究人员和智能体找到相关证据，同时了解信息是在什么时候可以获得的。

最终建成的 Vault 收录约一亿份文档，每天还会增加数千份，来源包括 135 个外部渠道以及 Bridgewater 自己的研究。它按概念、国家、市场和时间组织资料，让庞大的资料集合可以在共同框架下检索。

Green 用一个问题说明区别：AI 基础设施投资如何影响韩元？开放网页搜索找到了一批来源，但最终回答只采用其中少数来源，而信息的时间对投资问题很重要。

针对同一个问题，Vault 可以指定 10 月 1 日至 8 日的时间窗口。Green 说，系统找到了 52 个候选资料并使用了其中 7 个，从而基于相关时段的信息回答问题。这是团队工作流程的一个例子，并非证明投资回报更高的对照实验。

Aaron Linsky 接着讲第一条经验：人和智能体使用同一批数据的方式不同。人希望得到一个高度相关的简短结果列表；智能体则可能快速进行多次搜索，查看更多资料，并把结果综合成答案。

用户抱怨 Vault 搜索不好时，团队需要把这种判断变成可操作的指标。Linsky 说，他们收集真实问题，人工找出好的和不好的文档，不到一周就整理出约 200 个样例。

Linsky 表示，在这个内部基准上，最初前十个结果的精度约为 60%。团队通过衡量和改进搜索系统，将其提高到约 90%—95%。这个基准让团队能够根据具体用户需求比较不同改动。

元数据过滤需要在速度和召回率之间取舍。先搜索再过滤速度快，却可能丢掉许多排名靠前的结果；先过滤则能保留符合条件的结果，但搜索可能更慢。投资研究中的时间约束让这一问题尤其重要。

Linsky 说，团队改用了 Turbopuffer 的原生过滤：搜索包含符合条件结果的邻近聚类，并对这些结果评分。目的是在保持有用召回率的同时，避免受约束的查询慢到无法使用。

用户不同，规模也不同。Linsky 对比了 300 名人工用户每小时约 100 次搜索，与智能体可能每秒发出数百次搜索的情况。访问控制同样重要：智能体应当使用其用户有权查看的信息。

优秀的后台并不会自动改变用户习惯。研究人员习惯通过邮件接收报告、订阅列表和使用文件夹。团队在 Vault 中用可搜索的研究资料、保存的搜索和收藏集对应这些习惯。

当用户有了熟悉的工作场所，团队就可以增加信息流，并让其他工具访问同一语料库。Linsky 介绍了与聊天、移动端、Slack、IDE 和命令行的连接，使人和智能体都能在现有工作流程中使用它。

Linsky 介绍了一个“口袋分析师”：据公司的经验，它能用几美元在几分钟内汇集研究资料；另一个研究助手则可以持续工作数天或数周。同一基础还支持预测和信号相关工作。这些是演讲者给出的例子，并不保证未来结果。

Green 回到第三条经验：智能体可以主动工作。投资者工作台不必等投资人员提出每个问题，而是寻找可能重要的主题，呈现综合分析，并提供底层证据供进一步研究。

这个工作台旨在帮助回答“我遗漏了什么？”Green 展示了如何将一个主题与近期研究、会议及其他资料联系起来。投资人员可以查看支持性文档，自己决定哪些内容值得进一步关注。

Green 最后介绍了一个反馈循环：借助 Vault 产生的研究和综合分析也可以成为语料库的一部分。随着公司持续增加和整理所学知识，后来的人和智能体就能在积累的机构知识上继续工作。