AI投研方法论：依靠框架提升AI应用的上限

内容目录TOC\o"1-2"\h\z\uAI应的大约经在们地 3模能已越用门槛 3第种没提分的息 4第种信在，但不到 5架得所有要 6制在机所架重要 6没框，能随机尝试 6框把错成的上文 7框的洁成 8在起搭框架 9顶原则 9Skill层 10对层 11险示 12图表目录图1.本热与端存的工 3图2.模能与用地之的下缺口 4图3.两信问与自的复向 5图4.信来与用碍 6图5.无架的复试与框时经沉淀 7图6.框的层双作用 8图7.任完后验两处向 9图8.从复训少原则 10图9.Skill输、工与出 11图10.话验沉环 12AI应用的最大制约已经在我们本地模型能力已经越过可用门槛deepseekv4.1flash200例如，假期期间在它的帮助下，我们成功搭建了一套低成本但接近企业级标准的存储体系。AgentGBAISkillSkill并且更前瞻性的考虑是，AI帮我把整个网盘变成了索引，并且所有的工作都按照这个SkillAI图1.本地热端与云端冷存的分工投证券证券研究所，本机实践归纳（概念示意）这个案例说明，边界清晰、验收条件明确的任务，AI已经能够完成得很好。在这类复杂项目的实践过程当中，我们越来越发现制约应用落地的已经不是大模型，而是我们本地的上下文质量。Anthropic在20251AI第一种：没有提供充分的信息AIPPTSkill。这些都可能是非常具体的问题：提纲可能尚未写出，语言风格要从过去的稿件中辨认，模板则在已有文件里。任何一项要求未说明，结果都可能偏离预期。图2.模型能力与应用落地之间的上下文缺口投证券证券研究所，本机实践归纳（定性示意）1《EffectivecontextengineeringforAIagents》Anthropic第二种：信息在那里，但取不到第二种更常见，也更难解决。当我们研究一个市场现象，会发现它需要的信息散见在各处。AIAI就会卡住，它API第三类是我们自己已经做了哪些工作。这些内容散落在自己的电脑里，甚至不同的电脑里，导致有的事情在办公电脑上做得很好，在家里就不行。图3.两类信息问题与各自的修复方向投证券证券研究所，本机实践归纳（定性示意）AI投研应用图4.信息来源与取用障碍投证券证券研究所，本机实践归纳（概念示意）框架变得前所未有重要制约在本机，所以框架重要前面说了，上下文的优化无法靠AI解决，那能靠人来解决吗？没有框架，只能依靠随机的尝试大模型基于概率原理，输出本身就具有随机性，对同一问题可能提供不同方案，每个方案都是部分解决问题。这个背后的根源还是上下文有限，由于上下文的不完整、不精确是当前技术条件下的现实，剩下的部分大模型只能靠猜。图5.无框架时的重复尝试与有框架时的经验沉淀投证券证券研究所，本机实践归纳（概念示意）框架把试错变成有益的上下文框架的作用，是让试错变成有益的上下文。所谓有益，是说这一次做过的事，下一次能够用上。重复任务中的有效做法可以整理成操作说明；反复出现的判断原则则可以写进高频可见的记忆。框架不是立刻解决问题，它不能让原本取不到的信息自动出现，也不能保证每次任务一次做对。但它能改变的是整个体系的走向，只要框架调对了，让一部分尝试结果成为下一次可用的上下文，那体系就进入了正向循环，进入了正向自我迭代。图6.框架的三层与双向作用投证券证券研究所，本机实践归纳（概念示意）框架的简洁构成DeepseekHarnessAgent顶层原则，是每一轮对话都要坚持的原则，写在全局记忆里，进一步就是harness。它管的是方向和底线，回答的是什么事能做、什么事不能做、做之前先看什么。中间的skill底层的对话层，是整个上下文的核心来源。它是每天真正在发生的事，既是我们把信息交给它的地方，也是新经验产生的地方。三层框架其实是个有机整理，构成整个上下文管理的金字塔。原则约束图7.任务完成后经验的两处去向投证券证券研究所，本机实践归纳（概念示意）现在就起步搭建框架顶层原则顶层原则这一层，是写在AI每次开对话都会读到的记忆里的几条总规矩，作用是不用每次重新交代。它最大的价值在于省事：一条规矩写一次，后面所有对话都受它约束。Skill下面是一些有益的原则提供参考：唯一权威框架先于动作可回退的自主先定去处这五条可以迁移到研究、运营和工程工作中。它们是否有效，可以在实践当中检验，看看同类问题是否还在发生。是有必要的，定期需要回顾下，另外一些不具备普适性的原则，其实更适合的位置应该是Skill图8.从反复教训到少数原则投证券证券研究所，本机实践归纳（概念示意）Skill层Skill把一件事怎么做、按什么规矩做写清楚，交给AIAISkillSkill。Skill2.0Skill，可以像Skill；3.0SkillSkill。实际上，这些方法论都还在技巧层面，帮助我们如何更快的搭建Skill。Skill搭建，以及打通个人微信、多台电脑的信息屏障，这些都是在解决提供越来越好的输入。加工就是通过存储和索引整理信息和数据，使其能够留存并被找到。输出则转成研究写作、报告或PPT等成品。SkillSkill在加工端，依靠索引（记忆训练Skill）改善检索，通过回测框架更充分的利用数据，将想法变成复盘、将复盘变成回测，数据可以转换成历史胜率和未来概率。在输出端，报告和PPT可以通过流程和模板的训练来提升稳定性，但写作风格的训练还是未解决的难题。PPT图9.Skill的输入、加工与输出投证券证券研究所，本机实践归纳（概念示意）对话层对话层才是最容易落地的，就是我们日常的使用，这里也有一些实践经验可供参考。多纳入更多本地信息及时沉淀到skillSkill，AI图10.对话经验的沉淀循环投证券证券研究所，本机实践归纳（概念示意）风险提示模型能力风险数据定义风险：存储规模和模型生成速度来自特定环境的记录，不能直接外推到其他设备