桥水部署AI分析师PAT 编译器架构助时序检索准确率达90%

How Bridgewater Built an AI Analyst That Does Hours of Expert Research in Minutes — LangChain

LangChain

通过将Agent代码生成重构为具备确定性DAG规划与静态分析缓存的编译器工程,高资金规模量化对冲基金得以彻底消除LLM随意编码的隐患,实现数小时宏观分析向数分钟的压缩。

AI-assisted summary of How Bridgewater Built an AI Analyst That Does Hours of Expert Research in Minutes — original source. Check the original for full context.

Source published:

Key ideas

  • 桥水基金通过将 50 年积累的投资因果逻辑编码为专家系统,不仅为 AI 训练提供了天然数据池,更使其在构建 PAT 智能体时无需从零开始构建知识架构。 (0:00)
  • PAT 采用了“计划即分析”的研发方法,将复杂的投资研究拆解为由并行子智能体执行的任务链,显著降低了长流程研究的执行成本。 (20:01)
  • 通过引入“类人审查”机制(如校验数据频次、单位与历史分布),桥水将 AI 在时间序列检索中的准确率从 50% 提升至 90%。 (17:04)
  • PAT 的“Teach”按钮与自动生成 PR 的流水线,实现了从用户反馈到工程化测试及代码合入的自动化闭环,确保系统在全员层面持续进化。 (25:24)

Detailed notes

## Background 该视频由 LangChain 频道于 2026 年 7 月 24 日在 YouTube 发布。视频详细记录了桥水基金(Bridgewater Associates)应用 AI 团队如何研发并部署“掌上分析师工具”(PAT),该系统利用桥水 50 年积累的投资逻辑,帮助数百名投资者在几分钟内完成原本耗时数小时的专家级深度研究。

## TL;DR PAT 的核心价值在于将桥水深厚的投资智慧与现代 AI 智能体技术相结合,实现了从宏观研究规划到代码自动生成的闭环。该系统通过多原型团队协作,引入了“类人检查”的时间序列检索和“编译器”式的代码生成架构,确保了分析过程的严谨性与确定性。此外,PAT 具备强大的自进化机制,利用“Teach”按钮与自动生成 PR 的流水线,实现了在全员层面的持续复利提升。

## Atmosphere & style 视频基调严谨且极具技术启发性,仿佛置身于一家顶尖金融机构的内部科技展演,将沉稳的金融专业度与前沿的 AI 架构设计完美融合。发言者们在展示过程中心态从容,充满了对工程实现细节的自信与对解决真实商业难题的执着。整场演示叙事干练,既有对历史积淀的深情回溯,也有对如何将 AI 视为编译器工程的深刻洞见,给人一种逻辑缜密、切实可行的工程艺术美感。

## Bulletin - [00:00](https://www.youtube.com/watch?v=lXZb21CfeIY&t=0s) 桥水基金通过将 50 年积累的投资因果逻辑编码为专家系统,不仅为 AI 训练提供了天然数据池,更使其在构建 PAT 智能体时无需从零开始构建知识架构。 - [20:01](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1201s) PAT 采用了“计划即分析”的研发方法,将复杂的投资研究拆解为由并行子智能体执行的任务链,显著降低了长流程研究的执行成本。 - [17:04](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1024s) 通过引入“类人审查”机制(如校验数据频次、单位与历史分布),桥水将 AI 在时间序列检索中的准确率从 50% 提升至 90%。 - [25:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1524s) PAT 的“Teach”按钮与自动生成 PR 的流水线,实现了从用户反馈到工程化测试及代码合入的自动化闭环,确保系统在全员层面持续进化。

## Key takeaways - [05:11](https://www.youtube.com/watch?v=lXZb21CfeIY&t=311s) 桥水将 AI 视为投资工具而非简单的聊天助手,核心定位是处理深度探索性研究,解决人类分析师因精力瓶颈无法触及的课题。 - [11:49](https://www.youtube.com/watch?v=lXZb21CfeIY&t=709s) 投资与技术的深度融合通过“多原型团队”实现,即由投资者、技术工程师与科学家共同协作,打破传统金融机构的部门墙。 - [15:33](https://www.youtube.com/watch?v=lXZb21CfeIY&t=933s) 基于安全合规要求,PAT 采用每人专属实例的架构,确保不同层级的投资者仅能访问其权限范围内的数据,防止敏感 IP 泄漏。 - [17:04](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1024s) 利用 Bridgewater 数十年积累的数百万份非结构化研报与数千万条时序数据,为 AI 提供了具备极高护城河的知识上下文。 - [20:49](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1249s) “计划即分析”:将分析过程中的 DataFrame 依赖关系与 Schema 定义视为核心工作,使代码生成从不可控的生成式任务转化为可预测的工程化任务。 - [21:29](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1289s) 并行代码生成架构:由于分析任务被严格拆解为独立的 DAG(有向无环图),无论任务规模如何,代码生成的总体耗时趋于恒定。 - [23:47](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1427s) 计算资产的复利:PAT 的分析输出直接写回核心时序数据库,使得 AI 生成的成果能够无缝衔接后续研究,实现人类与机器的协作闭环。 - [23:47](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1427s) 自检机制:PAT 在输出结果前会执行自动化的逻辑审查,模拟资深分析师的行为,拦截不合理的数值与异常图表。 - [30:08](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1808s) 将智能体开发视作“编译器工程”:Santi Weight 强调应借鉴编译器的确定性与可靠性标准,而非盲目追求基于概率的“氛围编码”。 - [40:00](https://www.youtube.com/watch?v=lXZb21CfeIY&t=2400s) 静态分析缓存层:通过在该层级注入缓存注解,PAT 实现了针对重复迭代任务(如仅修改可视化样式)的近乎瞬时的重跑性能。 - [25:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1524s) 系统进化的反馈回路:通过后台自动识别异常交互并生成基准测试(Benchmark),系统能够自动修复 Bug 并通过 GitHub PR 更新模型能力。 - [42:09](https://www.youtube.com/watch?v=lXZb21CfeIY&t=2529s) 不要迷信通用代理,应针对高价值的窄业务工作流进行深度性能优化与专项基准测试。

## Detailed walkthrough ### [00:06](https://www.youtube.com/watch?v=lXZb21CfeIY&t=6s) 50年的投资逻辑沉淀:桥水迈入 AI 时代的独特优势

在演讲开场,桥水基金(Bridgewater Associates)应用 AI 团队负责人 Brendan McManus 介绍了自己与团队。作为一家系统化宏观对冲基金的资深成员,McManus 在桥水工作了近十年,职业轨迹从软件工程师转变为系统化投资研究员,并在过去几年里专注于弥合投资与技术之间的鸿沟。今天与他同台的还有项目的投资负责人 Michael Ran 以及技术负责人 Santi Weight。他们此行旨在展示桥水内部构建的一款名为 PAT(Pocket Analyst Tool,掌上分析师工具)的重量级工具。这款 AI 分析师已经部署给桥水内部的数百名投资者使用,能够将原本需要数小时甚至数天的专家级研究压缩到几分钟内完成,并且能从每一次交互中持续自我进化。

在进入产品细节之前,McManus 阐述了桥水探索 AI 的底层逻辑。过去半个世纪以来,桥水一直致力于将市场与宏观经济运作规律编码为具有复利效应的系统。屏幕上展示的是桥水 1980 年写在黄色横线便签本(yellow legal pad)上的债券交易系统。当时的理念极其朴素却极具颠覆性:每次想要进行一笔交易时,都必须写下认为该交易合理的精确规则与底层因果逻辑。一旦将逻辑具象化,另一位投资者便能审阅你的推导,协助找出逻辑漏洞并改进整个流程;每学到新知识,便划掉旧规则并记录新规则,从而构建起一个强大的闭环学习机制。几十年来,桥水不断积累并升级该流程,将数十年间沉淀的方法论与因果逻辑全部编码为机器与人类皆可读取的专家系统。进入现代 AI 时代,桥水猛然发现自己坐拥巨大的数据与逻辑宝藏,正如 McManus 所断言的那样:“We didn't have to go back and write down everything for agents. It was already there for us to draw upon.”(我们无需回头专门为智能体从头写下所有规则,它们早就沉淀在那里供我们调用了。)

[01:52](https://www.youtube.com/watch?v=lXZb21CfeIY&t=112s) 桥水的 AI 战略:投资者视角与实践者视角

桥水以两种截然不同但紧密相连的视角来看待当下的 AI 浪潮:一种是作为“投资者”,另一种是作为“实践者”。作为投资者,桥水必须深入理解重塑全球市场与经济的每一股核心动力;正如研究团队需要透彻理解当年的新冠疫情(COVID)或近期的石油供应冲击一样,理解 AI 也是投资决策的基石前提。他们必须测算 AI 算力与基础设施的供需错配程度、分析推动基础设施建设的核心驱动力,并量化这些要素对全球各大资产类别的连锁反应。

另一方面,作为实践者,桥水正致力于将 AI 全面渗透到投资研究流程的方方面面。终极目标是打造出一个“人工投资者”(Artificial Investor),使其能够完整胜任人类投资专家每天从事的全部复杂活动。为了拆解这一宏伟目标,桥水将人类专家的日常行为抽象为一个闭环的“研究圆环”(Research Circle): 1. **感知(Perceive):** 敏锐察觉外部世界正在发生的变化; 2. **提问(Formulate Questions):** 针对客观现实提出假设,探索自身认知盲区; 3. **分析调查(Perform Analytical Investigations):** 执行高维度的分析计算以回答这些核心问题; 4. **综合归纳(Synthesize Findings):** 提炼研究结论与核心洞察; 5. **回流沉淀(Compound Understanding):** 将所有新习得的规律注入全公司共享的记忆库与专家系统中。

```mermaid flowchart LR accTitle: The Research Circle accDescr: A cyclical workflow from perception and formulation to investigation, synthesis, and compounding.

subgraph Perception_Phase["认知与输入"] A["感知外部世界<br/>(Perceive)"] B["构思研究问题<br/>(Formulate Questions)"] end

subgraph Analysis_Phase["深入分析"] C["分析调查<br/>(Investigate / PAT)"] D["综合归纳成果<br/>(Synthesize)"] end

subgraph Memory_Phase["沉淀与进化"] E["回流共享系统<br/>(Compound Understanding)"] end

A --> B B --> C C --> D D --> E E --> A ```

针对研究圆环的各个环节,桥水正在构建离散的子智能体(sub-agents)。而本次演讲聚焦的正是负责“分析调查”核心环节的智能体——PAT。McManus 特别厘清了工具的定位与边界:“PAT is not about how we trade. It's really about performing deep exploratory research, enabling our investors to go after questions that they never would have had the bandwidth to pursue before.”(PAT 并不直接负责我们如何执行交易,它的核心定位是进行深入的探索性研究,让投资者能够去攻克那些过去受限于精力与带宽而无法涉破的研究课题。)

[05:01](https://www.youtube.com/watch?v=lXZb21CfeIY&t=301s) PAT 的五大核心能力规范与企业级飞轮

为了完美替代甚至超越人类分析师的工作水准,PAT 从立项第一天起就确立了极高标准的产品设计规范。它的核心能力涵盖以下五个关键支柱:

- **全域数据检索与理解:** 必须能统一检索与读取桥水内部的所有数据资产,包括结构化的历史多周期时间序列(例如横跨数十年的全球股票价格行情),以及非结构化内部研究备忘录和采买的券商研报(broker-dealer research)。 - **专业工具无缝集成:** 必须熟练调用人类分析师日常使用的全部内部专有工具,包括数据可视化套件、逻辑诊断工具以及用于评估交易指标理念质量的专业回测系统。 - **可完全诊断的分析链路(Fully Diagnosable):** 由于许多分析原本需要耗费人类分析师数小时甚至数天的时间,逻辑极其复杂,因此 PAT 生成的每一个分析步骤都必须具备完整的透明度,不仅供人类审查,还要支持后台的独立校验智能体实时解析链路日志(traces),确保每一步推导与计算完全无误。 - **融合50年的专有投资上下文:** PAT 拥有桥水半个世纪以来沉淀下来的完整投资框架、研究范式与具体流程,极其清楚规范的分析师应当以何种严密逻辑展开工作。 - **全员复利学习机制:** 工具必须具备强大的自我迭代能力,学习成果不能孤立于单个用户,而要跨越全公司所有投资者实现复利提升。

PAT 早已脱离实验阶段,并在数月前全面部署上线,每天承载着数百名投资者的真实研究需求。这直接引爆了一个飞轮效应:后台持续运行的智能体不断扫描分析交互日志,精准定位 PAT 出现的偏差与错误,自动生成经过人工审计的评测基准(benchmarks),继而持续优化上下文和安全控制框架(harnesses),使系统能够在全员层面上实现自我进化。

[07:09](https://www.youtube.com/watch?v=lXZb21CfeIY&t=429s) 50年对冲基金的内部变革与多原型团队协作

面对一家拥有50年历史的传统量化对冲基金如何成功研发出顶尖前沿 AI 系统的疑问,McManus 给出的答案是“勇于从内部打破旧机制”。打造 PAT 的团队本质上是一家在桥水内部孵化的“应用 AI 内部初创公司”(internal applied AI startup),它既具备初创企业极致的灵活性与迭代速度,又享有桥水全公司的顶级算力与数据资源。

研发团队采用了一种独特的“多原型团队”(Multi-archetype teams)运作模式,打破了职能壁垒: - **投资者(Investors):** 负责输入最为核心的领域专业知识、投资逻辑与实战场景上下文; - **技术工程师(Technologists):** 负责搭建高吞吐、可靠的底层系统架构与执行引擎; - **科学家(Scientists):** 为算法、评估验证机制注入坚实的学术严谨性。

正如 McManus 所总结的:“It's really these types of multi-archetype teams that are necessary if you're going to build AI systems for expert users.”(如果你想为真正的专家用户打造顶级 AI 系统,这类多原型团队是不可或缺的绝对前提。)此外,内部数百位挑剔的专家用户每天高频使用这些 AI 工具,源源不断地提供高质量的使用反馈与改进信号。

[08:32](https://www.youtube.com/watch?v=lXZb21CfeIY&t=512s) 实机演示拉开序幕:地缘政治与石油供应冲击分析

在全场掌声中,McManus 将舞台移交给了投资团队负责人 Michael Ran。Ran 拥有技术与投资的双重背景,在桥水工作的五年间,他由技术人员转型为投资者,如今的核心使命是将 AI 深度灌注到投资全流程中。

Ran 打开了背后的 PAT 产品主界面,展示了本次现场演示的宏观研究课题: “分析近期中东冲突爆发后全球市场的走势与反应,将当前的事态演变与历史上类似的冲突与石油冲击事件进行系统化对比;最后,生成专业图表,深度可视化对比当前情况与过往几次石油供应冲击的异同之处。”该课题直击系统化宏观分析的核心难点,既需要跨时间序列的数据深度挖掘,又依赖高复杂度的因果关系比对。

[09:21](https://www.youtube.com/watch?v=lXZb21CfeIY&t=561s) 每位投资者专属的 PAT:解决个性化安全权限问题

Michael Ran 开启了对 Bridgewater 内部自研 AI 分析师 PAT(Pocket Analyst Tool)的实时演示。这套工具在过去几个月里被 Bridgewater 的投资者们高频使用,用来解决现实世界中的深度宏观研究课题。但在正式提交提示词之前,Michael Ran 停顿了一下,特意揭示了团队在设计 PAT 的运行框架(harness)时所遭遇的一个极具挑战性的安全架构问题:要让 PAT 真正提供实质帮助,它必须能够访问人类投资者在研究时能够获取的所有内部与外部信息;然而在 Bridgewater,不同层级和团队的投资者所拥有的数据访问权限存在严格的物理隔离。

举例来说,某位资深投资人可能实时掌握 Bridgewater 在全球所有市场的持仓配置,因此该投资人专用的 PAT 必须获悉这些高度敏感的核心头寸;与此同时,普通分析师绝不能接触这类核心机密,系统必须百分之百确保不会向他们泄露敏感知识产权(IP)。这就决定了 PAT 无法采用类似于 Claude Code 那样所有人共享同一套系统提示词(System Prompt)和通用工具库的标准化架构。在 Bridgewater,系统会为每位员工动态生成专属的 PAT 实例,其定制化本质上体现为不同人员所能获取的上下文和工具集边界。正如 Michael Ran 所强调的那样:

> “So unlike a harness like Claude Code, where everyone is interfacing with the same system prompt and the same tools, each person at Bridgewater has a unique version of PAT tailored to what they can and cannot see.”

- **权限隔离逻辑**:每个 PAT 实例所具备的工具调用权限与知识检索上下文,完全由该投资者的真实合规权限动态决定。 - **防止 IP 泄露**:确保全市场实时持仓等核心机密绝对不流入未获授权的初级分析师工作流中。

---

[10:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=624s) 非结构化知识库与类人审查的时序搜索:准确率跃升至 90%

提示词提交后,PAT 启动了分析流程的第一步:同时检索互联网公开信息与 Bridgewater 庞大的非结构化数据金库,以此把当下的全球动态与宏观历史背景关联起来。在现代聊天机器人应用中,常规的联网搜索早已是“基本门槛”(table stakes),但 PAT 的真正护城河在于 Bridgewater 数十年来订阅和积累的海量全球非结构化数据。这一私有数据库汇集了来自世界各地的数百万份文档,涵盖券商深度研报、企业财报电话会纪要、甚至内部往来邮件等,且以接近实时的节奏运转,每天都有数千篇高价值材料注入。

在收集完文本上下文后,PAT 紧接着转向 Bridgewater 的时间序列数据库,搜寻本次研究所需的宏观与金融数据。该数据库包含公司在过去 50 年建模积累的数千万条时间序列,既有石油价格等外部现实指标,也包含团队内部推演的专有宏观概念(例如未来 12 个月的通胀预期)。在构建时序检索 Agent 时,团队虽然采用了检索增强生成(RAG)和二次重排(Re-ranking)等常规手段,但真正带来质的飞跃的,是引入了一层“类人检查”(human-like inspection)推理机制。人类研究员在找数据时绝不会只死板地匹配时序名称,而是会本能地审视采样频率、币种单位,以及序列中的数值走势是否与自身的先验假设(priors)相吻合。Michael Ran 指出,正是将这种专家先验推理赋予检索 Agent 后,系统的指标检索命中率发生了颠覆性转变:

> “So embedding this sort of reasoning into our search agent is something that got us up from roughly 50% accuracy all the way to 90%.”

- **非结构化数据库体量**:收录数百万份独家文档,包含券商研报、财报电话会速记和内部邮件,每天实时新增数千份。 - **时间序列数据库规模**:历经 50 年沉淀,包含数千万条公开市场数据与内部预测性宏观衍生序列。 - **类人检查三大要素**:不仅匹配名称,更深入审查数据更新频率、计价货币,以及历史数值区间是否符合宏观常理。

---

[12:01](https://www.youtube.com/watch?v=lXZb21CfeIY&t=721s) 计划即分析:澄清提问与高质量研究规划

在掌握了上下文背景与底层数据之后,PAT 并不会立刻编写代码,而是先返回给用户一组澄清性问题,并主动提出潜在的额外研究视角。在开发 PAT 的过程中,Bridgewater 团队提炼出了一条极为坚定的方法论信条:“计划本身就是分析”(the plan really is the analysis)。团队坚信,只要能构建出一份逻辑完备、细节极其详尽的研究规划,后续利用下游模型将其转化为可执行程序并产出理想分析结果,就成了一个高度可控且确定性极强的工程。

尽管当下各类聊天助手向用户提问已司空见惯,但 Bridgewater 将全部精力倾注在“提问的实质内涵”上。团队投入了巨额的时间与算力,精心打造了专门评估问题深度的基准测试,反复训练 PAT 辨别何为高水平的宏观研究构想、何为平庸浮于表面的提问。人类研究员在实际工作中往往存在“在前期规划阶段投入不足”的倾向,容易急躁地直接上手拉数据,而 PAT 的这轮来回推敲(back-and-forth),正是为了强行约束人类把整个研究框架打磨至极致。正如 Michael Ran 所总结:

> “During PAT's development, we came to the view that the plan really is the analysis.”

- **澄清阶段的价值**:弥补人类研究员轻视前期规划的弱点,通过深层次来回推敲完善方案。 - **实质性标准的定义**:利用 Bridgewater 50 年积累的投资逻辑对提问质量进行严格 Benchmark 调优。

---

[12:49](https://www.youtube.com/watch?v=lXZb21CfeIY&t=769s) 并行代码生成与成果复利:统一输入输出的数据体系

歧义消除后,PAT 正式步入计划制定与编译阶段。在此阶段,系统核心完成三件事:明确分析过程中所有需要生成的 DataFrame 结构、规定每一个 DataFrame 的具体 Schema(数据模式),以及最核心的——清晰勾勒出所有 DataFrame 之间的拓扑依赖关系。尽管这一规划阶段在时间开销上较为昂贵,但团队是有意承担这一代价的,因为严谨的依赖图谱为随后的代码执行带来了极为巨大的红利。

在执行层面,由于规划极其严密,PAT 可以派出多个独立的 Sub-agent(子 Agent)完全并行地生成代码。每个 Sub-agent 都精准知晓自己所依赖的上游 DataFrame 及其 Schema,同时也清楚自己必须交付的下游 DataFrame Schema。这使得分析任务的吞吐速度与规模几乎脱钩:无论一个研究只需产出 3 个 DataFrame,还是扩展到包含 30 个 DataFrame 的中大型研究,代码生成所需的总体耗时几乎完全相同。代码生成完毕后,系统将运行具体的 Python 函数,同时有专门的监护 Agent 全程盯防,捕获运行时错误(Runtime errors)或异常逻辑值。

尤为关键的一环在于数据生态的闭环:PAT 分析所产出的所有全新时序数据,会直接写回最初提取输入的同一个核心时间序列数据库。这意味着 PAT 的计算成果与人类投资家过去几十年手动上传的时序数据没有任何格式或逻辑上的隔阂,PAT 的任何分析输出都可以无缝作为下一个后续分析的底层输入,从而实现人类与 AI 之间的“研究复利”(compounding)。关于这种协作效应,Michael Ran 评价道:

> “So this creates an environment where humans and agents can very easily compound and leverage each other's work.”

```mermaid flowchart TD accTitle: PAT 分析与执行生命周期架构图 accDescr: 展示 PAT 从接收提示词、检索丰富数据、与用户打磨规划,到并行编译代码并最终把成果回写至核心时序数据库的闭环流程。

subgraph ContextStage["1. 上下文与检索阶段"] A["用户研究提示词"] --> B["安全过滤与专属 Harness"] B --> C["非结构化研报与邮件检索"] B --> D["时序数据库检索 (类人审查)"] end

subgraph PlanStage["2. 计划与对齐阶段"] C & D --> E["向用户发起深度澄清提问"] E --> F["定义 DataFrame Schema 及依赖 DAG"] end

subgraph ExecStage["3. 并行执行与代码生成"] F --> G1["Sub-agent 1: DataFrame A 代码"] F --> G2["Sub-agent 2: DataFrame B 代码"] F --> G3["Sub-agent n: DataFrame N 代码"] G1 & G2 & G3 --> H["Python 沙箱执行与异常监控"] end

subgraph LoopStage["4. 自检与成果复利"] H --> I["初级分析师式结果自检与诊断"] I --> J["交互式专业图表呈现"] I --> K[("回写至 50 年核心时序库")] K -.->|"作为下一轮研究的底层输入"| D end ```

- **并行生成优势**:由于 DataFrame 间依赖与 Schema 明确切分,生成 3 个与生成 30 个 DataFrame 的代码耗时基本一致。 - **架构级复利**:分析结果沉淀为标准时间序列入库,实现了机器与人类研究资产在同一基础设施上的迭代累加。

---

[14:27](https://www.youtube.com/watch?v=lXZb21CfeIY&t=867s) 像初级分析师一样自检:生成交互式专业图表

当 Python 代码执行完毕后,PAT 绝不会直接把原始计算表格扔给用户,而是引入了一道“自检”(self-correction)机制。就像合格的初级分析师在向资深投资经理汇报前必须先核对一遍自己的测算一样,PAT 会审阅已计算出的数值与初步生成的图表,评估数字在宏观上是否合理、图表走势是否平滑干净。一旦察觉结果存在异常或不合逻辑的飞线,PAT 会主动后退一步,自主定位诊断问题、修正计算逻辑,直至对最终产出充分满意,才会将其呈现给人类研究员。

最终展示给用户的是一份高度交互式的专业报告。在图表视觉和呈现细节上,PAT 深度复用了 Bridgewater 内部开发了数十年的私有绘图库与底层前端技术栈,使得 AI 产出的图表与人类资深投资者日常制作的高管层研报保持高度一致。在报告界面中,用户不仅能够流畅地自由缩放(zoom in / zoom out)时间区间,还可以随时把选中的序列一键推送至内部的交互式看盘和作图工具,在浏览器中进行即时的二次微调与对比分析。正如 Michael Ran 用团队内部对初级员工的标准打比方道:

> “Now, after execution completes, just like you'd want your junior analyst to double-check their work before coming back to you, we want PAT to do the same.”

- **自动纠错流程**:若发现离群坏值或图表绘制破损,PAT 自动拦截结果,重新追溯排查逻辑后再行输出。 - **无缝衔接专有工具链**:沿用 Bridgewater 自研数十年的专业图表资产库,支持毫秒级缩放与内部工作流流转。

---

[15:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=924s) “Teach” 按钮:自主构建基准测试与自动化代码 PR

在把麦克风交给技术主管之前,Michael Ran 详细演示了 PAT 如何在日常使用中变得越来越聪明。PAT 具备两条并行的进化路径:第一种是全自动的被动机制,后台常驻的 Agent 会全天候审查所有已完成的用户对话,从中提取潜在的改进点;第二种则是显式的“Teach”(教导)机制,允许用户在具体的研报上下文里对 PAT 进行针对性指导。

演示现场展示了一个典型场景:用户对分析结果大体满意,但追加提示词索要了一组不同维度的可视化图表以提供更切题的洞察。虽然用户并未指出 PAT 存在技术 Bug,但如果研究员认为“PAT 本该在第一轮就主动推荐这组视角”,他们就可以直接点击界面上的“Teach”按钮。该操作会立刻在后台唤醒一个专门的反思 Agent,通篇梳理整段对话,精准定位 PAT 出现的行为偏差、上下文盲区或是那些本可提前预判的人类偏好。随后,用户可以微调总结或直接提交;一旦确认提交,后台评估 Agent 会首先自动合成一个预期必然会失败的 Benchmark(基准测试),以程序化方式复现 PAT 的这一欠佳表现;接着,自动化系统开始调整上下文库或 Harness 架构,直到该基准测试通过,并在回归测试集上跑通以确认没有破坏现有功能;最终,开发团队的 Slack 频道会收到一条包含完整代码修改建议的 GitHub Pull Request(PR)。Michael Ran 解释了这个闭环带来的实际效果:

> “And the thing this does is that the next time a human comes to PAT with a similar question, we expect them to get the better version of PAT right out of the box.”

- **Teach 按钮触发逻辑**:捕获人类的主观调优意图,将对话上下文中的隐式纠偏转化为显式的工程优化。 - **自动闭环四步走**: 1. 生成必然失败的回归测试用例(证明成功复现问题); 2. 迭代系统上下文或代码 Harness 直至测试通过; 3. 运行全量测试套件以防能力退化; 4. 自动向 Slack 推送附带解决方案的 GitHub PR。

---

[16:48](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1008s) Santi Weight:将编程 Agent 视作编译器工程

现场掌声响起,PAT 的技术负责人(Technical Lead)Santi Weight 登台,开始深入拆解系统的底层工程设计。Santi 首先道出了所有致力于构建代码生成 Agent 的从业者的共同苦衷:代码 Agent 是极其善变且难以捉摸的,不仅频繁写出隐蔽 Bug,在最糟糕的情况下,甚至会失去控制、彻底误删甚至摧毁业务数据库。想要做一个让用户觉得新奇的 Demo 或许不难,但要让一个工具深嵌进专业人员的日常高价值工作流中,技术难度不可同日而语。对于像 Bridgewater 这样每天管理并交易数百亿美元资金的全球顶尖对冲基金来说,投资决策的底层支撑绝不能建立在靠运气拼凑的“氛围编码”(vibe-coded)之上。

Santi 分享道,他个人的学术与工程背景是编译原理(compiler theory)与程序语言设计(programming language design)。而现代工业级编译器在严苛性上的要求,与机构级金融系统有着高度一致的投影:它们必须是完全确定性的、百分之百正确的,且具备极强的可信赖性——就像飞机的飞控软件绝不允许出现单字节偏移的数组越界(off-by-one error)一样。编译器将高级用户代码精确编译降解为底层的机器指令或 JavaScript,而代码 Agent 的工作本质,也是在将用户的自然语言提示词或结构化规划严格编译为可执行的 Python 脚本。Santi 将这套理念确立为 PAT 最底层的工程指导思想,正如他以极具分量的话语所总结的:

> “At a hedge fund, we're trying to trade billions of dollars, and so we can't have just vibe-coded analysis be the underpinning of how these analyses go.”

- **核心工程痛点**:防止 LLM 随性的随机性(vibe coding)渗透进数百亿美元资金的交易与宏观研究当中。 - **编译器映射思想**:把 Prompt / Plan 视作源代码,把 Python 视作目标机器码,将 Agent 的调度运行视为一个追求完全确定性、可静态验证的编译管道。

### [17:59](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1079s) 聊天代理与“代码即实现细节”的哲学 Santi Weight 解释了 Bridgewater 如何通过分层架构管理投资分析过程。核心理念是将“聊天代理”(Chat Agent)与“编码代理”(Coding Agent)完全分离。聊天代理使用 LangGraph 构建,主要负责维持会话的持久化状态,并让用户和 AI 能够就研究目标达成共识。由于 Bridgewater 的投资者并非专业的程序员,他们希望聊天界面完全专注于投资内容,而将代码生成视为一种纯粹的“实现细节”。

Santi 强调了这种架构带来的“意外之喜”:由于每个代理职责明确,它们能够并行改进;此外,通过向聊天代理灌输高质量的领域知识(如投资术语),使得 AI 的对话方式与 Bridgewater 内部的专业人士如出一辙。

* **架构逻辑:** 聊天代理收集需求 -> 生成分析计划 -> 调用编码代理 -> 生成 Python-Pandas 代码。 * **核心准则:** “Your user is better at writing context than you are, most likely. And so having low ego about it and letting them contribute directly is a good way to win.” —— Santi Weight。

### [20:04](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1204s) 编码代理:编译器式的代码生成逻辑 Santi 详细介绍了编码代理的内部架构,并指出这实际上是由常规 Python 代码驱动的,而非依赖传统的“代理编排”。当聊天代理生成分析计划后,这些任务会被分解为多个细小的 Python 函数逻辑。为了确保可预测性,他们要求每个任务都能通过大模型(LLM)“确定性地编译”为代码。

与市面上常见的通用编码工具(如 Claude Code)不同,Bridgewater 将其分析计划视为“自然语言 Python 项目”。通过任务并行化处理,无论是一个 3 任务的简单查询,还是 20 任务的复杂分析,整体执行时间基本保持一致。

* **核心特性:** * **确定性生成:** 在相同条件下,不同 LLM 对同一任务生成的代码在语义上必须完全等价。 * **架构强制性:** 系统在架构层面强制进行验证,无需担心代理“忘记”检查代码正确性。 * **性能对比:** 在相同上下文和计划下,其代码生成速度比标准 Claude Code 快约 4 倍。

```mermaid flowchart LR subgraph Planning A["聊天代理计划"] --> B["任务分解"] end subgraph Generation B --> C["并行 LLM 代码生成"] end subgraph Execution C --> D["静态分析与 DAG 优化"] D --> E["并行验证代理"] end accTitle: 编码代理工作流 accDescr: 展示了从任务分解到代码生成,最后通过验证代理进行并行检查的流程。 ```

### [23:10](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1390s) 执行层优化与“近乎瞬间”的迭代 在执行阶段,团队放弃了让 LLM 直接调用工具的方式,转而采用一种定制化的执行框架。他们通过静态分析管道向 Python 代码注入缓存标注,从而避免了重复加载数据或重复执行中间任务。这种方式在处理第二次迭代(如仅修改图表名称)时,表现出极高的响应速度。

Santi 将这种思路总结为“将代理编码问题视为编译器问题”,而非传统的代理编排问题。他鼓励开发者利用编译器领域数十年的成熟技术来实现代码生成。

* **核心观点:** “Think of agentic coding as a compiler problem, not an agentic problem.” —— Santi Weight。 * **迭代优势:** 这种架构让投资者能够以极低的开销快速调整分析逻辑。 * **最终总结:** 1. **专项代理:** 不要迷信通用代理,应针对窄工作流进行深度基准测试与性能优化。 2. **基准驱动:** 通过高频基准测试进行“爬坡”(hill climbing),不断迭代。 3. **编译器思维:** 借鉴编译器技术提升代码生成的可靠性、正确性和确定性。

## Notable quotes > [23:40](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1420s) Think of agentic coding as a compiler problem, not an agentic problem. — Santi Weight

> [17:59](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1079s) At a hedge fund, we're trying to trade billions of dollars, and so we can't have just vibe-coded analysis be the underpinning of how these analyses go. — Santi Weight

> [15:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=924s) Now, after execution completes, just like you'd want your junior analyst to double-check their work before coming back to you, we want PAT to do the same. — Michael Ran

> [20:04](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1204s) Your user is better at writing context than you are, most likely. And so having low ego about it and letting them contribute directly is a good way to win. — Santi Weight

> [12:09](https://www.youtube.com/watch?v=lXZb21CfeIY&t=729s) During PAT's development, we came to the view that the plan really is the analysis. — Michael Ran

> [09:21](https://www.youtube.com/watch?v=lXZb21CfeIY&t=561s) So unlike a harness like Claude Code, where everyone is interfacing with the same system prompt and the same tools, each person at Bridgewater has a unique version of PAT tailored to what they can and cannot see. — Michael Ran

## Mentioned Bridgewater Associates, PAT, Brendan McManus, Michael Ran, Santi Weight, LangChain, LangGraph, LangSmith, Claude Code, Python, Pandas, GitHub, Slack

## Video description Brendan McManus, Michael Ran, and Santi Weight from Bridgewater Associates' applied AI team walk through PAT, the Pocket Analyst Tool — an internal AI analyst deployed to hundreds of investors that performs hours of deep exploratory research in minutes. Brendan explains how 50 years of written-down investment logic gave Bridgewater a unique advantage entering the AI era. Michael demos PAT live — covering time series search with human-like inspection (jumping from 50% to 90% accuracy), per-user security harnesses, and a Teach button that autonomously generates benchmarks and PRs to fix its own mistakes. Santi then goes deep on the architecture: treating agentic code generation as a compiler problem, parallel LLM code gen from a structured plan, DAG-based validation agents, and a static analysis caching layer that makes iterative re-runs nearly instantaneous.

Chapters: 0:00 Introduction: 50 years of written-down investment logic as an AI advantage 1:52 Bridgewater's approach to AI: as investors and as practitioners 3:11 The research circle and the artificial investor roadmap 4:30 PAT: what it is and what it's not 5:01 What PAT had to do: data, tools, diagnosable analyses, context, and learning 6:24 How a 50-year-old hedge fund actually builds this 7:09 Multi-archetype teams: investors, technologists, and scientists side by side 8:32 Demo: PAT live — oil supply shocks and the Middle East conflict 9:33 The per-user security problem: every investor gets their own PAT 10:24 Time series search with human-like inspection: 50% to 90% accuracy 11:14 The plan is the analysis: clarifying questions and high-quality research plans 12:49 Parallel code generation: 3-task and 20-task plans take the same time 14:27 Self-correction: PAT checks its own work before returning results 15:24 The Teach button: autonomous benchmark creation and PR generation 18:08 Santi Weight: treating coding agents as a compiler problem 19:44 Chat agent architecture in LangGraph and why coding is a pure implementation detail 21:13 The natural language Python project: deterministic tasks and parallel LLM gen 22:37 Validation agents in parallel: enforcing correctness in the architecture 24:00 Execution layer: static analysis, caching annotations, and near-instant re-runs 25:29 Three takeaways: specialize agents, benchmark narrow workflows, think compiler

Resources: → LangGraph: https://www.langchain.com/langgraph → LangSmith: https://www.langchain.com/langsmith → LangChain Academy: https://academy.langchain.com

Bridgewater Disclaimer: The AI tools and capabilities discussed herein are for informational purposes only. There is no guarantee that any discussed capabilities or anticipated benefits will be achieved. See Important Disclosures and Other Information: https://www.bridgewater.com/important-disclosures-and-other-information Risks Associated with the Use of AI Tools: https://www.bridgewater.com/risks-associated-with-use-of-ai-tools

[Source](https://www.youtube.com/watch?v=lXZb21CfeIY)

中文简报

桥水基金如何打造数分钟内完成数小时专家级投研的AI分析师 桥水基金(Bridgewater Associates)展示了其内部智能体AI系统PAT(Pocket Analyst Tool,便携分析师工具),该系统旨在自动化完成复杂的宏观经济探索性研究。PAT以五十年系统化沉淀的投资原则与专有时序数据为基石,通过基于LangGraph的对话界面与确定性Python代码执行引擎之间的严格解耦来运行。PAT并未依赖开放式代码生成,而是将投研计划视作编译器源代码,借助并行LLM代码生成、由有向无环图(DAG)驱动的验证层以及静态分析缓存机制,使实际耗时与分析复杂度实现解耦。该平台还整合了名为“Teach”(教学)按钮的自主自我修复飞轮,能将投资人员的反馈转化为失败的回归基准测试,并自动提交GitHub拉取请求(PR)。 桥水基金依托50年积累的代码化、机器可读的经济学逻辑构建了便携分析师工具(PAT),使模型无需事后补写上下文,即可直接调用深度的领域知识框架。 (0:06) 将类人的核验启发式规则(如频率、货币、经济学先验假设)融入时序数据检索后,在数千万条时序数据中的检索准确率从约50%提升至90%。 (10:24) 通过将自然语言投研计划视为严格的模式契约(schema contracts),PAT能够并行生成离散DataFrame任务的代码,解耦了生成耗时,使得包含20个任务的计划与仅含3个任务的计划在实际耗时上基本相同。 (13:15) 自动化的“Teach”按钮允许投资人员标记遗漏或偏差问题,系统会自主创建未通过的基准测试、迭代内部上下文、对照全局回归测试套件进行验证,并自动提交拉取请求。 (15:24) 像设计优化编译器一样构建智能体代码生成系统——利用DAG验证层和静态分析缓存——既可避免冗余查询,又使下游的迭代修改几乎能够即时完成。 (18:08)

精炼阅读摘要

桥水基金(Bridgewater Associates)应用AI团队研发了内部分析工具“掌上分析师”(Pocket Analyst Tool,简称 PAT),旨在将其五十年积累的系统化宏观投资逻辑与生成式AI结合,在数分钟内完成原本耗时数小时的深度研报工作。 五十年系统化遗产与人工投资者蓝图 (0:06) PAT的建立依托于桥水基金自1980年起以黄色拍纸簿记录交易因果逻辑的制度传承。团队负责人 Brendan McManus 指出,桥水五十年来要求投资者在交易前明确记录决策规则并接受同行审计,这种长期积累使机构内形成了庞大的人机可读专家系统,因此团队无需为大语言模型从头编写底层业务背景。在整体战略上,桥水将自身定位为宏观观察者与技术实践者的双重角色,既分析全市场AI资本开支的影响,又在内部推进涵盖“观察世界、提出问题、深度分析、综合结论、存入共享记忆”这一研究闭环的“人工投资者”(artificial investor)路线图。PAT专注于其中耗时最长的深度分析环节,作为探索性研究伙伴运作,明确不承担自动化交易执行或订单路由功能。 动态权限隔离与人类启发式数据检索 (9:21) 为了在严格风控的对冲基金内部部署AI,投资负责人 Michael Ran 解释称,PAT放弃了类似 Claude Code 那样所有人共享系统提示词与工具的通用单框架模式,转而为每位投资者动态实例化独有框架(harness)。该设计严格映射用户的实际职权,防止高级投资组合机密或特定资产类别策略在机构内部跨权限泄漏。在数据接入层面,PAT对接了每日吸纳数千份券商研报、财报电话会议纪要及内部邮件的非结构化数据库,以及包含数千万条序列的自研时间序列库。团队发现,传统的检索增强生成(RAG)结合语义重排的准确率仅约50%;而通过为搜索智能体植入人类研究员常用的审查启发式逻辑——主动核实数据发布频率、计价货币以及是否符合底层宏观经济常识,数据检索准确率大幅提升至约90%。 编译器架构与基于模式的并行代码生成 (16:48) 技术负责人 Santi Weight 认为,对冲基金管理巨额资金的性质决定了系统不能依赖不可控的“凭感觉编程”(vibe-coded)。PAT将代码生成重构为经典的编译器工程问题,将自然语言需求与分析计划视为高级源代码,再确定性地编译为可执行的 Python 代码。整个工作流由基于 LangGraph 的对话智能体发起,在厘清投资者意图后输出严格的分析计划,把分析拆解为离散任务。每个任务都硬性规定了输入输出的数据结构规范(schema),使得各任务函数能够通过独立的子智能体完全并行生成,代码生成速度较基准提升约4倍,且耗时不再随任务复杂度线性增加。随后,系统通过静态分析构建有向无环图(DAG),沿拓扑分层执行并实施严格的结构和语义验证;如果生成的代码不符合前置契约,验证智能体会在局部自动修正重试,无需人类介入。 静态依赖分析与企业级自愈学习闭环 (15:24) 在执行层面,PAT绕开了脆弱的终端工具调用,自研了 Python 执行引擎。引擎借助静态分析为代码注入缓存注解,不仅杜绝了重复抓取庞大宏观时间序列的资源浪费,还能在用户微调下游图表标题等属性时仅重跑下游节点,实现近乎瞬时的分析迭代。计算得出的新时间序列会直接写回桥水中心数据库,与人类研究员生成的数据拥有相同格式,供后续研究复用。此外,系统通过被动挖掘会话缺陷与主动“教导”(Teach)按钮形成双轨自愈循环。当用户触发教导时,后台智能体会定位认知偏差,自动生成复现缺陷的测试用例并修改上下文仓库,在通过全量回归测试后直接向工程师发送包含自动化 GitHub PR 的 Slack 通知,使单点失败即刻转化为全员共享的能力升级。 桥水团队总结强调,企业级AI落地应优先打造高度专业化、具备严密基准测试的垂直智能体,而非依赖难以可靠落地的通用大模型,并倡导借鉴编译器工程中确定性契约、DAG调度和静态缓存等技术来解决代码智能体的稳定性难题。

Detailed notes — zh

## Background 该视频由 LangChain 频道于 2026 年 7 月 24 日在 YouTube 发布。视频详细记录了桥水基金(Bridgewater Associates)应用 AI 团队如何研发并部署“掌上分析师工具”(PAT),该系统利用桥水 50 年积累的投资逻辑,帮助数百名投资者在几分钟内完成原本耗时数小时的专家级深度研究。 ## TL;DR PAT 的核心价值在于将桥水深厚的投资智慧与现代 AI 智能体技术相结合,实现了从宏观研究规划到代码自动生成的闭环。该系统通过多原型团队协作,引入了“类人检查”的时间序列检索和“编译器”式的代码生成架构,确保了分析过程的严谨性与确定性。此外,PAT 具备强大的自进化机制,利用“Teach”按钮与自动生成 PR 的流水线,实现了在全员层面的持续复利提升。 ## Atmosphere & style 视频基调严谨且极具技术启发性,仿佛置身于一家顶尖金融机构的内部科技展演,将沉稳的金融专业度与前沿的 AI 架构设计完美融合。发言者们在展示过程中心态从容,充满了对工程实现细节的自信与对解决真实商业难题的执着。整场演示叙事干练,既有对历史积淀的深情回溯,也有对如何将 AI 视为编译器工程的深刻洞见,给人一种逻辑缜密、切实可行的工程艺术美感。 ## Bulletin - [00:00](https://www.youtube.com/watch?v=lXZb21CfeIY&t=0s) 桥水基金通过将 50 年积累的投资因果逻辑编码为专家系统,不仅为 AI 训练提供了天然数据池,更使其在构建 PAT 智能体时无需从零开始构建知识架构。 - [20:01](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1201s) PAT 采用了“计划即分析”的研发方法,将复杂的投资研究拆解为由并行子智能体执行的任务链,显著降低了长流程研究的执行成本。 - [17:04](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1024s) 通过引入“类人审查”机制(如校验数据频次、单位与历史分布),桥水将 AI 在时间序列检索中的准确率从 50% 提升至 90%。 - [25:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1524s) PAT 的“Teach”按钮与自动生成 PR 的流水线,实现了从用户反馈到工程化测试及代码合入的自动化闭环,确保系统在全员层面持续进化。 ## Key takeaways - [05:11](https://www.youtube.com/watch?v=lXZb21CfeIY&t=311s) 桥水将 AI 视为投资工具而非简单的聊天助手,核心定位是处理深度探索性研究,解决人类分析师因精力瓶颈无法触及的课题。 - [11:49](https://www.youtube.com/watch?v=lXZb21CfeIY&t=709s) 投资与技术的深度融合通过“多原型团队”实现,即由投资者、技术工程师与科学家共同协作,打破传统金融机构的部门墙。 - [15:33](https://www.youtube.com/watch?v=lXZb21CfeIY&t=933s) 基于安全合规要求,PAT 采用每人专属实例的架构,确保不同层级的投资者仅能访问其权限范围内的数据,防止敏感 IP 泄漏。 - [17:04](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1024s) 利用 Bridgewater 数十年积累的数百万份非结构化研报与数千万条时序数据,为 AI 提供了具备极高护城河的知识上下文。 - [20:49](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1249s) “计划即分析”:将分析过程中的 DataFrame 依赖关系与 Schema 定义视为核心工作,使代码生成从不可控的生成式任务转化为可预测的工程化任务。 - [21:29](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1289s) 并行代码生成架构:由于分析任务被严格拆解为独立的 DAG(有向无环图),无论任务规模如何,代码生成的总体耗时趋于恒定。 - [23:47](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1427s) 计算资产的复利:PAT 的分析输出直接写回核心时序数据库,使得 AI 生成的成果能够无缝衔接后续研究,实现人类与机器的协作闭环。 - [23:47](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1427s) 自检机制:PAT 在输出结果前会执行自动化的逻辑审查,模拟资深分析师的行为,拦截不合理的数值与异常图表。 - [30:08](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1808s) 将智能体开发视作“编译器工程”:Santi Weight 强调应借鉴编译器的确定性与可靠性标准,而非盲目追求基于概率的“氛围编码”。 - [40:00](https://www.youtube.com/watch?v=lXZb21CfeIY&t=2400s) 静态分析缓存层:通过在该层级注入缓存注解,PAT 实现了针对重复迭代任务(如仅修改可视化样式)的近乎瞬时的重跑性能。 - [25:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1524s) 系统进化的反馈回路:通过后台自动识别异常交互并生成基准测试(Benchmark),系统能够自动修复 Bug 并通过 GitHub PR 更新模型能力。 - [42:09](https://www.youtube.com/watch?v=lXZb21CfeIY&t=2529s) 不要迷信通用代理,应针对高价值的窄业务工作流进行深度性能优化与专项基准测试。 ## Detailed walkthrough ### [00:06](https://www.youtube.com/watch?v=lXZb21CfeIY&t=6s) 50年的投资逻辑沉淀:桥水迈入 AI 时代的独特优势 在演讲开场,桥水基金(Bridgewater Associates)应用 AI 团队负责人 Brendan McManus 介绍了自己与团队。作为一家系统化宏观对冲基金的资深成员,McManus 在桥水工作了近十年,职业轨迹从软件工程师转变为系统化投资研究员,并在过去几年里专注于弥合投资与技术之间的鸿沟。今天与他同台的还有项目的投资负责人 Michael Ran 以及技术负责人 Santi Weight。他们此行旨在展示桥水内部构建的一款名为 PAT(Pocket Analyst Tool,掌上分析师工具)的重量级工具。这款 AI 分析师已经部署给桥水内部的数百名投资者使用,能够将原本需要数小时甚至数天的专家级研究压缩到几分钟内完成,并且能从每一次交互中持续自我进化。 在进入产品细节之前,McManus 阐述了桥水探索 AI 的底层逻辑。过去半个世纪以来,桥水一直致力于将市场与宏观经济运作规律编码为具有复利效应的系统。屏幕上展示的是桥水 1980 年写在黄色横线便签本(yellow legal pad)上的债券交易系统。当时的理念极其朴素却极具颠覆性:每次想要进行一笔交易时,都必须写下认为该交易合理的精确规则与底层因果逻辑。一旦将逻辑具象化,另一位投资者便能审阅你的推导,协助找出逻辑漏洞并改进整个流程;每学到新知识,便划掉旧规则并记录新规则,从而构建起一个强大的闭环学习机制。几十年来,桥水不断积累并升级该流程,将数十年间沉淀的方法论与因果逻辑全部编码为机器与人类皆可读取的专家系统。进入现代 AI 时代,桥水猛然发现自己坐拥巨大的数据与逻辑宝藏,正如 McManus 所断言的那样:“We didn't have to go back and write down everything for agents. It was already there for us to draw upon.”(我们无需回头专门为智能体从头写下所有规则,它们早就沉淀在那里供我们调用了。) ### [01:52](https://www.youtube.com/watch?v=lXZb21CfeIY&t=112s) 桥水的 AI 战略:投资者视角与实践者视角 桥水以两种截然不同但紧密相连的视角来看待当下的 AI 浪潮:一种是作为“投资者”,另一种是作为“实践者”。作为投资者,桥水必须深入理解重塑全球市场与经济的每一股核心动力;正如研究团队需要透彻理解当年的新冠疫情(COVID)或近期的石油供应冲击一样,理解 AI 也是投资决策的基石前提。他们必须测算 AI 算力与基础设施的供需错配程度、分析推动基础设施建设的核心驱动力,并量化这些要素对全球各大资产类别的连锁反应。 另一方面,作为实践者,桥水正致力于将 AI 全面渗透到投资研究流程的方方面面。终极目标是打造出一个“人工投资者”(Artificial Investor),使其能够完整胜任人类投资专家每天从事的全部复杂活动。为了拆解这一宏伟目标,桥水将人类专家的日常行为抽象为一个闭环的“研究圆环”(Research Circle): 1. **感知(Perceive):** 敏锐察觉外部世界正在发生的变化; 2. **提问(Formulate Questions):** 针对客观现实提出假设,探索自身认知盲区; 3. **分析调查(Perform Analytical Investigations):** 执行高维度的分析计算以回答这些核心问题; 4. **综合归纳(Synthesize Findings):** 提炼研究结论与核心洞察; 5. **回流沉淀(Compound Understanding):** 将所有新习得的规律注入全公司共享的记忆库与专家系统中。 ```mermaid flowchart LR accTitle: The Research Circle accDescr: A cyclical workflow from perception and formulation to investigation, synthesis, and compounding. subgraph Perception_Phase["认知与输入"] A["感知外部世界<br/>(Perceive)"] B["构思研究问题<br/>(Formulate Questions)"] end subgraph Analysis_Phase["深入分析"] C["分析调查<br/>(Investigate / PAT)"] D["综合归纳成果<br/>(Synthesize)"] end subgraph Memory_Phase["沉淀与进化"] E["回流共享系统<br/>(Compound Understanding)"] end A --> B B --> C C --> D D --> E E --> A ``` 针对研究圆环的各个环节,桥水正在构建离散的子智能体(sub-agents)。而本次演讲聚焦的正是负责“分析调查”核心环节的智能体——PAT。McManus 特别厘清了工具的定位与边界:“PAT is not about how we trade. It's really about performing deep exploratory research, enabling our investors to go after questions that they never would have had the bandwidth to pursue before.”(PAT 并不直接负责我们如何执行交易,它的核心定位是进行深入的探索性研究,让投资者能够去攻克那些过去受限于精力与带宽而无法涉破的研究课题。) ### [05:01](https://www.youtube.com/watch?v=lXZb21CfeIY&t=301s) PAT 的五大核心能力规范与企业级飞轮 为了完美替代甚至超越人类分析师的工作水准,PAT 从立项第一天起就确立了极高标准的产品设计规范。它的核心能力涵盖以下五个关键支柱: - **全域数据检索与理解:** 必须能统一检索与读取桥水内部的所有数据资产,包括结构化的历史多周期时间序列(例如横跨数十年的全球股票价格行情),以及非结构化内部研究备忘录和采买的券商研报(broker-dealer research)。 - **专业工具无缝集成:** 必须熟练调用人类分析师日常使用的全部内部专有工具,包括数据可视化套件、逻辑诊断工具以及用于评估交易指标理念质量的专业回测系统。 - **可完全诊断的分析链路(Fully Diagnosable):** 由于许多分析原本需要耗费人类分析师数小时甚至数天的时间,逻辑极其复杂,因此 PAT 生成的每一个分析步骤都必须具备完整的透明度,不仅供人类审查,还要支持后台的独立校验智能体实时解析链路日志(traces),确保每一步推导与计算完全无误。 - **融合50年的专有投资上下文:** PAT 拥有桥水半个世纪以来沉淀下来的完整投资框架、研究范式与具体流程,极其清楚规范的分析师应当以何种严密逻辑展开工作。 - **全员复利学习机制:** 工具必须具备强大的自我迭代能力,学习成果不能孤立于单个用户,而要跨越全公司所有投资者实现复利提升。 PAT 早已脱离实验阶段,并在数月前全面部署上线,每天承载着数百名投资者的真实研究需求。这直接引爆了一个飞轮效应:后台持续运行的智能体不断扫描分析交互日志,精准定位 PAT 出现的偏差与错误,自动生成经过人工审计的评测基准(benchmarks),继而持续优化上下文和安全控制框架(harnesses),使系统能够在全员层面上实现自我进化。 ### [07:09](https://www.youtube.com/watch?v=lXZb21CfeIY&t=429s) 50年对冲基金的内部变革与多原型团队协作 面对一家拥有50年历史的传统量化对冲基金如何成功研发出顶尖前沿 AI 系统的疑问,McManus 给出的答案是“勇于从内部打破旧机制”。打造 PAT 的团队本质上是一家在桥水内部孵化的“应用 AI 内部初创公司”(internal applied AI startup),它既具备初创企业极致的灵活性与迭代速度,又享有桥水全公司的顶级算力与数据资源。 研发团队采用了一种独特的“多原型团队”(Multi-archetype teams)运作模式,打破了职能壁垒: - **投资者(Investors):** 负责输入最为核心的领域专业知识、投资逻辑与实战场景上下文; - **技术工程师(Technologists):** 负责搭建高吞吐、可靠的底层系统架构与执行引擎; - **科学家(Scientists):** 为算法、评估验证机制注入坚实的学术严谨性。 正如 McManus 所总结的:“It's really these types of multi-archetype teams that are necessary if you're going to build AI systems for expert users.”(如果你想为真正的专家用户打造顶级 AI 系统,这类多原型团队是不可或缺的绝对前提。)此外,内部数百位挑剔的专家用户每天高频使用这些 AI 工具,源源不断地提供高质量的使用反馈与改进信号。 ### [08:32](https://www.youtube.com/watch?v=lXZb21CfeIY&t=512s) 实机演示拉开序幕:地缘政治与石油供应冲击分析 在全场掌声中,McManus 将舞台移交给了投资团队负责人 Michael Ran。Ran 拥有技术与投资的双重背景,在桥水工作的五年间,他由技术人员转型为投资者,如今的核心使命是将 AI 深度灌注到投资全流程中。 Ran 打开了背后的 PAT 产品主界面,展示了本次现场演示的宏观研究课题: “分析近期中东冲突爆发后全球市场的走势与反应,将当前的事态演变与历史上类似的冲突与石油冲击事件进行系统化对比;最后,生成专业图表,深度可视化对比当前情况与过往几次石油供应冲击的异同之处。”该课题直击系统化宏观分析的核心难点,既需要跨时间序列的数据深度挖掘,又依赖高复杂度的因果关系比对。 ### [09:21](https://www.youtube.com/watch?v=lXZb21CfeIY&t=561s) 每位投资者专属的 PAT:解决个性化安全权限问题 Michael Ran 开启了对 Bridgewater 内部自研 AI 分析师 PAT(Pocket Analyst Tool)的实时演示。这套工具在过去几个月里被 Bridgewater 的投资者们高频使用,用来解决现实世界中的深度宏观研究课题。但在正式提交提示词之前,Michael Ran 停顿了一下,特意揭示了团队在设计 PAT 的运行框架(harness)时所遭遇的一个极具挑战性的安全架构问题:要让 PAT 真正提供实质帮助,它必须能够访问人类投资者在研究时能够获取的所有内部与外部信息;然而在 Bridgewater,不同层级和团队的投资者所拥有的数据访问权限存在严格的物理隔离。 举例来说,某位资深投资人可能实时掌握 Bridgewater 在全球所有市场的持仓配置,因此该投资人专用的 PAT 必须获悉这些高度敏感的核心头寸;与此同时,普通分析师绝不能接触这类核心机密,系统必须百分之百确保不会向他们泄露敏感知识产权(IP)。这就决定了 PAT 无法采用类似于 Claude Code 那样所有人共享同一套系统提示词(System Prompt)和通用工具库的标准化架构。在 Bridgewater,系统会为每位员工动态生成专属的 PAT 实例,其定制化本质上体现为不同人员所能获取的上下文和工具集边界。正如 Michael Ran 所强调的那样: > “So unlike a harness like Claude Code, where everyone is interfacing with the same system prompt and the same tools, each person at Bridgewater has a unique version of PAT tailored to what they can and cannot see.” - **权限隔离逻辑**:每个 PAT 实例所具备的工具调用权限与知识检索上下文,完全由该投资者的真实合规权限动态决定。 - **防止 IP 泄露**:确保全市场实时持仓等核心机密绝对不流入未获授权的初级分析师工作流中。 --- ### [10:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=624s) 非结构化知识库与类人审查的时序搜索:准确率跃升至 90% 提示词提交后,PAT 启动了分析流程的第一步:同时检索互联网公开信息与 Bridgewater 庞大的非结构化数据金库,以此把当下的全球动态与宏观历史背景关联起来。在现代聊天机器人应用中,常规的联网搜索早已是“基本门槛”(table stakes),但 PAT 的真正护城河在于 Bridgewater 数十年来订阅和积累的海量全球非结构化数据。这一私有数据库汇集了来自世界各地的数百万份文档,涵盖券商深度研报、企业财报电话会纪要、甚至内部往来邮件等,且以接近实时的节奏运转,每天都有数千篇高价值材料注入。 在收集完文本上下文后,PAT 紧接着转向 Bridgewater 的时间序列数据库,搜寻本次研究所需的宏观与金融数据。该数据库包含公司在过去 50 年建模积累的数千万条时间序列,既有石油价格等外部现实指标,也包含团队内部推演的专有宏观概念(例如未来 12 个月的通胀预期)。在构建时序检索 Agent 时,团队虽然采用了检索增强生成(RAG)和二次重排(Re-ranking)等常规手段,但真正带来质的飞跃的,是引入了一层“类人检查”(human-like inspection)推理机制。人类研究员在找数据时绝不会只死板地匹配时序名称,而是会本能地审视采样频率、币种单位,以及序列中的数值走势是否与自身的先验假设(priors)相吻合。Michael Ran 指出,正是将这种专家先验推理赋予检索 Agent 后,系统的指标检索命中率发生了颠覆性转变: > “So embedding this sort of reasoning into our search agent is something that got us up from roughly 50% accuracy all the way to 90%.” - **非结构化数据库体量**:收录数百万份独家文档,包含券商研报、财报电话会速记和内部邮件,每天实时新增数千份。 - **时间序列数据库规模**:历经 50 年沉淀,包含数千万条公开市场数据与内部预测性宏观衍生序列。 - **类人检查三大要素**:不仅匹配名称,更深入审查数据更新频率、计价货币,以及历史数值区间是否符合宏观常理。 --- ### [12:01](https://www.youtube.com/watch?v=lXZb21CfeIY&t=721s) 计划即分析:澄清提问与高质量研究规划 在掌握了上下文背景与底层数据之后,PAT 并不会立刻编写代码,而是先返回给用户一组澄清性问题,并主动提出潜在的额外研究视角。在开发 PAT 的过程中,Bridgewater 团队提炼出了一条极为坚定的方法论信条:“计划本身就是分析”(the plan really is the analysis)。团队坚信,只要能构建出一份逻辑完备、细节极其详尽的研究规划,后续利用下游模型将其转化为可执行程序并产出理想分析结果,就成了一个高度可控且确定性极强的工程。 尽管当下各类聊天助手向用户提问已司空见惯,但 Bridgewater 将全部精力倾注在“提问的实质内涵”上。团队投入了巨额的时间与算力,精心打造了专门评估问题深度的基准测试,反复训练 PAT 辨别何为高水平的宏观研究构想、何为平庸浮于表面的提问。人类研究员在实际工作中往往存在“在前期规划阶段投入不足”的倾向,容易急躁地直接上手拉数据,而 PAT 的这轮来回推敲(back-and-forth),正是为了强行约束人类把整个研究框架打磨至极致。正如 Michael Ran 所总结: > “During PAT's development, we came to the view that the plan really is the analysis.” - **澄清阶段的价值**:弥补人类研究员轻视前期规划的弱点,通过深层次来回推敲完善方案。 - **实质性标准的定义**:利用 Bridgewater 50 年积累的投资逻辑对提问质量进行严格 Benchmark 调优。 --- ### [12:49](https://www.youtube.com/watch?v=lXZb21CfeIY&t=769s) 并行代码生成与成果复利:统一输入输出的数据体系 歧义消除后,PAT 正式步入计划制定与编译阶段。在此阶段,系统核心完成三件事:明确分析过程中所有需要生成的 DataFrame 结构、规定每一个 DataFrame 的具体 Schema(数据模式),以及最核心的——清晰勾勒出所有 DataFrame 之间的拓扑依赖关系。尽管这一规划阶段在时间开销上较为昂贵,但团队是有意承担这一代价的,因为严谨的依赖图谱为随后的代码执行带来了极为巨大的红利。 在执行层面,由于规划极其严密,PAT 可以派出多个独立的 Sub-agent(子 Agent)完全并行地生成代码。每个 Sub-agent 都精准知晓自己所依赖的上游 DataFrame 及其 Schema,同时也清楚自己必须交付的下游 DataFrame Schema。这使得分析任务的吞吐速度与规模几乎脱钩:无论一个研究只需产出 3 个 DataFrame,还是扩展到包含 30 个 DataFrame 的中大型研究,代码生成所需的总体耗时几乎完全相同。代码生成完毕后,系统将运行具体的 Python 函数,同时有专门的监护 Agent 全程盯防,捕获运行时错误(Runtime errors)或异常逻辑值。 尤为关键的一环在于数据生态的闭环:PAT 分析所产出的所有全新时序数据,会直接写回最初提取输入的同一个核心时间序列数据库。这意味着 PAT 的计算成果与人类投资家过去几十年手动上传的时序数据没有任何格式或逻辑上的隔阂,PAT 的任何分析输出都可以无缝作为下一个后续分析的底层输入,从而实现人类与 AI 之间的“研究复利”(compounding)。关于这种协作效应,Michael Ran 评价道: > “So this creates an environment where humans and agents can very easily compound and leverage each other's work.” ```mermaid flowchart TD accTitle: PAT 分析与执行生命周期架构图 accDescr: 展示 PAT 从接收提示词、检索丰富数据、与用户打磨规划,到并行编译代码并最终把成果回写至核心时序数据库的闭环流程。 subgraph ContextStage["1. 上下文与检索阶段"] A["用户研究提示词"] --> B["安全过滤与专属 Harness"] B --> C["非结构化研报与邮件检索"] B --> D["时序数据库检索 (类人审查)"] end subgraph PlanStage["2. 计划与对齐阶段"] C & D --> E["向用户发起深度澄清提问"] E --> F["定义 DataFrame Schema 及依赖 DAG"] end subgraph ExecStage["3. 并行执行与代码生成"] F --> G1["Sub-agent 1: DataFrame A 代码"] F --> G2["Sub-agent 2: DataFrame B 代码"] F --> G3["Sub-agent n: DataFrame N 代码"] G1 & G2 & G3 --> H["Python 沙箱执行与异常监控"] end subgraph LoopStage["4. 自检与成果复利"] H --> I["初级分析师式结果自检与诊断"] I --> J["交互式专业图表呈现"] I --> K[("回写至 50 年核心时序库")] K -.->|"作为下一轮研究的底层输入"| D end ``` - **并行生成优势**:由于 DataFrame 间依赖与 Schema 明确切分,生成 3 个与生成 30 个 DataFrame 的代码耗时基本一致。 - **架构级复利**:分析结果沉淀为标准时间序列入库,实现了机器与人类研究资产在同一基础设施上的迭代累加。 --- ### [14:27](https://www.youtube.com/watch?v=lXZb21CfeIY&t=867s) 像初级分析师一样自检:生成交互式专业图表 当 Python 代码执行完毕后,PAT 绝不会直接把原始计算表格扔给用户,而是引入了一道“自检”(self-correction)机制。就像合格的初级分析师在向资深投资经理汇报前必须先核对一遍自己的测算一样,PAT 会审阅已计算出的数值与初步生成的图表,评估数字在宏观上是否合理、图表走势是否平滑干净。一旦察觉结果存在异常或不合逻辑的飞线,PAT 会主动后退一步,自主定位诊断问题、修正计算逻辑,直至对最终产出充分满意,才会将其呈现给人类研究员。 最终展示给用户的是一份高度交互式的专业报告。在图表视觉和呈现细节上,PAT 深度复用了 Bridgewater 内部开发了数十年的私有绘图库与底层前端技术栈,使得 AI 产出的图表与人类资深投资者日常制作的高管层研报保持高度一致。在报告界面中,用户不仅能够流畅地自由缩放(zoom in / zoom out)时间区间,还可以随时把选中的序列一键推送至内部的交互式看盘和作图工具,在浏览器中进行即时的二次微调与对比分析。正如 Michael Ran 用团队内部对初级员工的标准打比方道: > “Now, after execution completes, just like you'd want your junior analyst to double-check their work before coming back to you, we want PAT to do the same.” - **自动纠错流程**:若发现离群坏值或图表绘制破损,PAT 自动拦截结果,重新追溯排查逻辑后再行输出。 - **无缝衔接专有工具链**:沿用 Bridgewater 自研数十年的专业图表资产库,支持毫秒级缩放与内部工作流流转。 --- ### [15:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=924s) “Teach” 按钮:自主构建基准测试与自动化代码 PR 在把麦克风交给技术主管之前,Michael Ran 详细演示了 PAT 如何在日常使用中变得越来越聪明。PAT 具备两条并行的进化路径:第一种是全自动的被动机制,后台常驻的 Agent 会全天候审查所有已完成的用户对话,从中提取潜在的改进点;第二种则是显式的“Teach”(教导)机制,允许用户在具体的研报上下文里对 PAT 进行针对性指导。 演示现场展示了一个典型场景:用户对分析结果大体满意,但追加提示词索要了一组不同维度的可视化图表以提供更切题的洞察。虽然用户并未指出 PAT 存在技术 Bug,但如果研究员认为“PAT 本该在第一轮就主动推荐这组视角”,他们就可以直接点击界面上的“Teach”按钮。该操作会立刻在后台唤醒一个专门的反思 Agent,通篇梳理整段对话,精准定位 PAT 出现的行为偏差、上下文盲区或是那些本可提前预判的人类偏好。随后,用户可以微调总结或直接提交;一旦确认提交,后台评估 Agent 会首先自动合成一个预期必然会失败的 Benchmark(基准测试),以程序化方式复现 PAT 的这一欠佳表现;接着,自动化系统开始调整上下文库或 Harness 架构,直到该基准测试通过,并在回归测试集上跑通以确认没有破坏现有功能;最终,开发团队的 Slack 频道会收到一条包含完整代码修改建议的 GitHub Pull Request(PR)。Michael Ran 解释了这个闭环带来的实际效果: > “And the thing this does is that the next time a human comes to PAT with a similar question, we expect them to get the better version of PAT right out of the box.” - **Teach 按钮触发逻辑**:捕获人类的主观调优意图,将对话上下文中的隐式纠偏转化为显式的工程优化。 - **自动闭环四步走**: 1. 生成必然失败的回归测试用例(证明成功复现问题); 2. 迭代系统上下文或代码 Harness 直至测试通过; 3. 运行全量测试套件以防能力退化; 4. 自动向 Slack 推送附带解决方案的 GitHub PR。 --- ### [16:48](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1008s) Santi Weight:将编程 Agent 视作编译器工程 现场掌声响起,PAT 的技术负责人(Technical Lead)Santi Weight 登台,开始深入拆解系统的底层工程设计。Santi 首先道出了所有致力于构建代码生成 Agent 的从业者的共同苦衷:代码 Agent 是极其善变且难以捉摸的,不仅频繁写出隐蔽 Bug,在最糟糕的情况下,甚至会失去控制、彻底误删甚至摧毁业务数据库。想要做一个让用户觉得新奇的 Demo 或许不难,但要让一个工具深嵌进专业人员的日常高价值工作流中,技术难度不可同日而语。对于像 Bridgewater 这样每天管理并交易数百亿美元资金的全球顶尖对冲基金来说,投资决策的底层支撑绝不能建立在靠运气拼凑的“氛围编码”(vibe-coded)之上。 Santi 分享道,他个人的学术与工程背景是编译原理(compiler theory)与程序语言设计(programming language design)。而现代工业级编译器在严苛性上的要求,与机构级金融系统有着高度一致的投影:它们必须是完全确定性的、百分之百正确的,且具备极强的可信赖性——就像飞机的飞控软件绝不允许出现单字节偏移的数组越界(off-by-one error)一样。编译器将高级用户代码精确编译降解为底层的机器指令或 JavaScript,而代码 Agent 的工作本质,也是在将用户的自然语言提示词或结构化规划严格编译为可执行的 Python 脚本。Santi 将这套理念确立为 PAT 最底层的工程指导思想,正如他以极具分量的话语所总结的: > “At a hedge fund, we're trying to trade billions of dollars, and so we can't have just vibe-coded analysis be the underpinning of how these analyses go.” - **核心工程痛点**:防止 LLM 随性的随机性(vibe coding)渗透进数百亿美元资金的交易与宏观研究当中。 - **编译器映射思想**:把 Prompt / Plan 视作源代码,把 Python 视作目标机器码,将 Agent 的调度运行视为一个追求完全确定性、可静态验证的编译管道。 ### [17:59](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1079s) 聊天代理与“代码即实现细节”的哲学 Santi Weight 解释了 Bridgewater 如何通过分层架构管理投资分析过程。核心理念是将“聊天代理”(Chat Agent)与“编码代理”(Coding Agent)完全分离。聊天代理使用 LangGraph 构建,主要负责维持会话的持久化状态,并让用户和 AI 能够就研究目标达成共识。由于 Bridgewater 的投资者并非专业的程序员,他们希望聊天界面完全专注于投资内容,而将代码生成视为一种纯粹的“实现细节”。 Santi 强调了这种架构带来的“意外之喜”:由于每个代理职责明确,它们能够并行改进;此外,通过向聊天代理灌输高质量的领域知识(如投资术语),使得 AI 的对话方式与 Bridgewater 内部的专业人士如出一辙。 * **架构逻辑:** 聊天代理收集需求 -> 生成分析计划 -> 调用编码代理 -> 生成 Python-Pandas 代码。 * **核心准则:** “Your user is better at writing context than you are, most likely. And so having low ego about it and letting them contribute directly is a good way to win.” —— Santi Weight。 ### [20:04](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1204s) 编码代理:编译器式的代码生成逻辑 Santi 详细介绍了编码代理的内部架构,并指出这实际上是由常规 Python 代码驱动的,而非依赖传统的“代理编排”。当聊天代理生成分析计划后,这些任务会被分解为多个细小的 Python 函数逻辑。为了确保可预测性,他们要求每个任务都能通过大模型(LLM)“确定性地编译”为代码。 与市面上常见的通用编码工具(如 Claude Code)不同,Bridgewater 将其分析计划视为“自然语言 Python 项目”。通过任务并行化处理,无论是一个 3 任务的简单查询,还是 20 任务的复杂分析,整体执行时间基本保持一致。 * **核心特性:** * **确定性生成:** 在相同条件下,不同 LLM 对同一任务生成的代码在语义上必须完全等价。 * **架构强制性:** 系统在架构层面强制进行验证,无需担心代理“忘记”检查代码正确性。 * **性能对比:** 在相同上下文和计划下,其代码生成速度比标准 Claude Code 快约 4 倍。 ```mermaid flowchart LR subgraph Planning A["聊天代理计划"] --> B["任务分解"] end subgraph Generation B --> C["并行 LLM 代码生成"] end subgraph Execution C --> D["静态分析与 DAG 优化"] D --> E["并行验证代理"] end accTitle: 编码代理工作流 accDescr: 展示了从任务分解到代码生成,最后通过验证代理进行并行检查的流程。 ``` ### [23:10](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1390s) 执行层优化与“近乎瞬间”的迭代 在执行阶段,团队放弃了让 LLM 直接调用工具的方式,转而采用一种定制化的执行框架。他们通过静态分析管道向 Python 代码注入缓存标注,从而避免了重复加载数据或重复执行中间任务。这种方式在处理第二次迭代(如仅修改图表名称)时,表现出极高的响应速度。 Santi 将这种思路总结为“将代理编码问题视为编译器问题”,而非传统的代理编排问题。他鼓励开发者利用编译器领域数十年的成熟技术来实现代码生成。 * **核心观点:** “Think of agentic coding as a compiler problem, not an agentic problem.” —— Santi Weight。 * **迭代优势:** 这种架构让投资者能够以极低的开销快速调整分析逻辑。 * **最终总结:** 1. **专项代理:** 不要迷信通用代理,应针对窄工作流进行深度基准测试与性能优化。 2. **基准驱动:** 通过高频基准测试进行“爬坡”(hill climbing),不断迭代。 3. **编译器思维:** 借鉴编译器技术提升代码生成的可靠性、正确性和确定性。 ## Notable quotes > [23:40](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1420s) Think of agentic coding as a compiler problem, not an agentic problem. — Santi Weight > [17:59](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1079s) At a hedge fund, we're trying to trade billions of dollars, and so we can't have just vibe-coded analysis be the underpinning of how these analyses go. — Santi Weight > [15:24](https://www.youtube.com/watch?v=lXZb21CfeIY&t=924s) Now, after execution completes, just like you'd want your junior analyst to double-check their work before coming back to you, we want PAT to do the same. — Michael Ran > [20:04](https://www.youtube.com/watch?v=lXZb21CfeIY&t=1204s) Your user is better at writing context than you are, most likely. And so having low ego about it and letting them contribute directly is a good way to win. — Santi Weight > [12:09](https://www.youtube.com/watch?v=lXZb21CfeIY&t=729s) During PAT's development, we came to the view that the plan really is the analysis. — Michael Ran > [09:21](https://www.youtube.com/watch?v=lXZb21CfeIY&t=561s) So unlike a harness like Claude Code, where everyone is interfacing with the same system prompt and the same tools, each person at Bridgewater has a unique version of PAT tailored to what they can and cannot see. — Michael Ran ## Mentioned Bridgewater Associates, PAT, Brendan McManus, Michael Ran, Santi Weight, LangChain, LangGraph, LangSmith, Claude Code, Python, Pandas, GitHub, Slack ## Video description Brendan McManus, Michael Ran, and Santi Weight from Bridgewater Associates' applied AI team walk through PAT, the Pocket Analyst Tool — an internal AI analyst deployed to hundreds of investors that performs hours of deep exploratory research in minutes. Brendan explains how 50 years of written-down investment logic gave Bridgewater a unique advantage entering the AI era. Michael demos PAT live — covering time series search with human-like inspection (jumping from 50% to 90% accuracy), per-user security harnesses, and a Teach button that autonomously generates benchmarks and PRs to fix its own mistakes. Santi then goes deep on the architecture: treating agentic code generation as a compiler problem, parallel LLM code gen from a structured plan, DAG-based validation agents, and a static analysis caching layer that makes iterative re-runs nearly instantaneous. Chapters: 0:00 Introduction: 50 years of written-down investment logic as an AI advantage 1:52 Bridgewater's approach to AI: as investors and as practitioners 3:11 The research circle and the artificial investor roadmap 4:30 PAT: what it is and what it's not 5:01 What PAT had to do: data, tools, diagnosable analyses, context, and learning 6:24 How a 50-year-old hedge fund actually builds this 7:09 Multi-archetype teams: investors, technologists, and scientists side by side 8:32 Demo: PAT live — oil supply shocks and the Middle East conflict 9:33 The per-user security problem: every investor gets their own PAT 10:24 Time series search with human-like inspection: 50% to 90% accuracy 11:14 The plan is the analysis: clarifying questions and high-quality research plans 12:49 Parallel code generation: 3-task and 20-task plans take the same time 14:27 Self-correction: PAT checks its own work before returning results 15:24 The Teach button: autonomous benchmark creation and PR generation 18:08 Santi Weight: treating coding agents as a compiler problem 19:44 Chat agent architecture in LangGraph and why coding is a pure implementation detail 21:13 The natural language Python project: deterministic tasks and parallel LLM gen 22:37 Validation agents in parallel: enforcing correctness in the architecture 24:00 Execution layer: static analysis, caching annotations, and near-instant re-runs 25:29 Three takeaways: specialize agents, benchmark narrow workflows, think compiler Resources: → LangGraph: https://www.langchain.com/langgraph → LangSmith: https://www.langchain.com/langsmith → LangChain Academy: https://academy.langchain.com Bridgewater Disclaimer: The AI tools and capabilities discussed herein are for informational purposes only. There is no guarantee that any discussed capabilities or anticipated benefits will be achieved. See Important Disclosures and Other Information: https://www.bridgewater.com/important-disclosures-and-other-information Risks Associated with the Use of AI Tools: https://www.bridgewater.com/risks-associated-with-use-of-ai-tools [Source](https://www.youtube.com/watch?v=lXZb21CfeIY)

Source quotes

[23:40] Santi Weight: Think of agentic coding as a compiler problem, not an agentic problem. [17:59] Santi Weight: At a hedge fund, we're trying to trade billions of dollars, and so we can't have just vibe-coded analysis be the underpinning of how these analyses go. [15:24] Michael Ran: Now, after execution completes, just like you'd want your junior analyst to double-check their work before coming back to you, we want PAT to do the same. [20:04] Santi Weight: Your user is better at writing context than you are, most likely. And so having low ego about it and letting them contribute directly is a good way to win. [12:09] Michael Ran: During PAT's development, we came to the view that the plan really is the analysis. [9:21] Michael Ran: So unlike a harness like Claude Code, where everyone is interfacing with the same system prompt and the same tools, each person at Bridgewater has a unique version of PAT tailored to what they can and cannot see.