企业官网建设流程全解析

ATLAS autoresearch循环完全解析：提示词修改→5天实战检验→git提交或回滚

【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gic

ATLAS 是一个开源的自我改进 AI 交易智能体框架（由 General Intelligence Capital 构建），它将 Karpathy 的 autoresearch 自优化循环移植到金融市场：AI 交易提示词就是"权重"，夏普比率就是"损失函数"。系统会自动找到表现最差的交易 Agent，生成一条针对性的提示词修改，用 5 个交易日实盘检验效果，然后决定git 提交保留还是git 回滚放弃。本文带你完全解析这条让 AI 自我进化的 autoresearch 循环。

ATLAS autoresearch：把"提示词"当成模型权重

传统 AI 训练里，模型权重藏在神经网络里；而在 ATLAS 中，每个交易 Agent 的提示词文件本身就是被优化的权重。这是它对 Karpathy autoresearch 思路的一次大胆改写：

一句话总结这个设计：提示词即权重，夏普即损失函数，git 即实验记录本。不需要 GPU，一台每月 20 美元的云服务器就能跑完整套自进化系统。完整的概念对比可以在 architecture/autoresearch.md 中找到。

autoresearch 自优化循环：6 步全流程

整条循环由系统自动驱动，每一步都有明确的输入和输出：

1. 定位差生🎯：扫描全部 25+ 个交易 Agent，找出滚动夏普比率最低的那一个（同一 Agent 每 5 天最多改一次，防止过度调参）。
2. 生成修改：让 Claude 复盘该 Agent 最近的推荐记录，找出它"错在哪种模式上"，然后只提出一条针对性修改——比如"在板块走弱时禁止高信心做多"。
3. 建分支实验🌿：为这次修改创建独立 git 特性分支（如autoresearch/financials-momentum-filter），不影响主线。
4. 实战检验⏳：带着新提示词真实运行 5 个交易日，期间每条推荐都会被记录并跟踪 1 天 / 5 天 / 20 天前瞻收益。
5. 结算判定⚖️：5 天后计算新夏普比率，与修改前对比。
6. 提交或回滚：改善了就git merge保留，没改善就git reset删掉分支，回到上一版本。

然后从第 1 步重新循环。循环流程图的原始定义见 architecture/autoresearch.md#L16-L41。

夏普比率作损失函数：AI 交易 Agent 如何被打分

系统如何客观判断一次修改"好不好"？核心是滚动夏普比率计算（实现逻辑参考 architecture/autoresearch.md#L54-L69）：

• 每条推荐都记录：标的、方向（做多/做空）、信心度（1-100）、推荐时入场价；
• 前瞻收益按信心度加权（信心 90 的推荐比信心 30 的权重高得多），做空则取反；
• 取最近 60 天的加权收益计算夏普：均值 / 标准差。

这个损失函数有个巧妙之处：高信心犯的错会被重罚。Agent 不能靠"什么都半信半疑"来混日子，必须要么更准、要么更克制——正是这种压力逼出了提示词里的风控规则。

5 天实战检验：git 分支就是天然的 A/B 实验场

autoresearch 循环里最工程化的部分是版本控制的用法。每次修改都是一次受控实验：

# 1. 为修改创建特性分支 git checkout -b autoresearch/financials-momentum-filter # 2. 修改提示词文件并 commit git commit -m "autoresearch: add momentum filter to financials" # 3. 五天后的判决 # 夏普改善 → git merge 保留修改 # 夏普未改善 → git branch -D 删除分支

这套流程带来了三个好处：

• 可回滚：任何一次失败的修改都能被完整撤销，系统永远不会"越改越乱"；
• 可审计：git 历史就是一本完整的实验日志——试过什么、为什么、结果如何，一目了然；
• 互不干扰：主线交易照常运行，实验在分支上进行，风险被隔离。

回测数据：54 次提示词修改，30% 存活率

在 378 个交易日的回测（2024-09 至 2026-03）中，autoresearch 循环交出的成绩单相当真实（统计来源：results/summary.json）：

70% 的修改被否决——这正是这套机制健康的证明。如果每次修改都"有效"，说明损失函数失效了。逐条修改记录可以查看 results/autoresearch_log.json。

被反复修改最多的 Agent 中，最典型的是金融板块 Agent（financials），它的夏普比率经过两轮 autoresearch 修改：

从深度亏损区（-4.14）一路修到正值（0.45），提示词里长出来的规则如"DXY 高于 119 时禁止任何新兴市场做空""板块下跌中禁止高信心做多"，全是市场真金白银教出来的风控纪律，没有任何一行是人类手写的。

达尔文权重：autoresearch 之外的第二进化引擎

除了改写提示词，ATLAS 还有一个并行的进化机制——达尔文权重：每个 Agent 有一个 0.3~2.5 之间的影响力权重，每天盘后按表现排名更新（前 25% 名 ×1.05，后 25% 名 ×0.95），CIO（首席投资官）按权重合成最终决策。

回测结束后出现了一个耐人寻味的结果 📉：CIO 自身被降到了全场最低权重 0.3。系统独立发现——信号生成不是瓶颈，组合管理才是。个体 Agent 都变聪明了，但把信号变成头寸的编排层拖了后腿。这个发现比任何单次夏普提升都更有价值。

快速上手：从哪开始读代码和数据

如果你是第一次接触这个项目，推荐这条阅读路径：

想本地跑起来的话，先克隆仓库：

git clone https://gitcode.com/gh_mirrors/at/atlas-gic

写在最后

ATLAS 的 autoresearch 循环给所有 LLM 应用开发者一个通用启示：当模型无法微调时，提示词就是你唯一可优化的权重。给它一个客观的损失函数（夏普比率）、一个隔离的实验场（git 分支）、一个诚实的裁判（5 天实盘数据），AI 就能自己发现"我错在哪"，并且只保留真正有效的改动。

30% 的修改存活率、一条从 -4.14 修到 0.45 的 Agent 进化轨迹、一个系统自己发现的"CIO 才是瓶颈"的洞察——这套循环的价值不在于每次都改对，而在于它永远在改，且从不留后患🚀

【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gic