Appearance
AI+Dev
AI+Dev 关注如何把 AI 工具纳入量化开发工作流:什么时候用模型,选什么模型,怎样写提示词,如何验证输出,以及如何避免把模型能力误用到高风险环节。
这个栏目不把 AI 当成替代工程判断的魔法,而是把它当成提升效率的协作工具。对 Quant Developer 来说,AI 更适合辅助阅读、代码生成、测试补齐、调试解释、文档整理和方案比较;涉及交易决策、风控阈值、生产变更和资金风险时,仍需要明确的人类审查和可复现验证。
本栏目内容
- 模型选型:根据任务选择通用模型、代码模型、长上下文模型或本地模型。
- 最佳实践:如何描述上下文、拆分任务、约束输出和验证结果。
- AI+效率提升:把 AI 放进数据、回测、交易系统和求职准备流程。
- 代码审查:让 AI 参与 review 时,如何发现真实缺陷而不是生成漂亮废话。
- 上下文管理:怎样给模型足够上下文,同时避免噪声、泄密和错误假设。
- AI 评测集:为自己的开发任务建立小型评测集,比较模型和提示词。
- Agent 工作流:把“让 AI 改代码”变成可控的读代码、改动、验证、复盘流程。
- 隐私与安全:私有代码、交易数据和密钥进入 AI 工具前必须做的边界控制。
- 量化开发用例:哪些 AI 用法适合数据、回测、交易系统和风控,哪些不适合。
- 能力边界:理解幻觉、过时信息、不可验证输出和安全边界。
使用原则
- 先定义任务,再选择模型;不要因为模型强就把所有问题都交给它。
- 让 AI 输出可检查的中间产物,例如测试、日志解释、设计对比和代码 diff。
- 高风险结论必须能被数据、测试、文档或人工复核验证。
- 对生产交易系统,AI 可以辅助开发,但不能绕过代码审查、回测、模拟盘和风控流程。
最小可行工作流
一次有效的 AI 协作通常不是“问一个问题,拿一个答案”,而是:
- 明确任务边界:要改哪个模块、不能破坏什么、验收命令是什么。
- 提供最小上下文:相关文件、错误日志、接口契约和失败样例。
- 要求可验证输出:代码 diff、测试、构建结果、数据口径或引用位置。
- 人类复核关键点:安全、性能、交易风险、数据泄漏、边界条件。
- 把经验沉淀进文档、测试或 checklist,而不是只存在一次对话里。