第 1 章智能体概览与本书导读

🎧 本章配套播客

学习目标

理解智能体的定义及其四大核心能力（感知、推理、行动、学习）
描述从图灵测试到 ChatGPT 的 AI 发展历程中的关键里程碑
区分人与 AI 协作的三种模式（辅助、增强、自主）及适用场景
说明 AI 智能体在经济金融领域的六大应用场景
理解 Effective Vibe Coding 的核心循环：提示 → 生成 → 评估 → 优化

2022 年 11 月 30 日，OpenAI 发布 ChatGPT。五天内，用户突破 100 万——Instagram 达到这一里程碑用了 75 天；两个月后，月活用户达到 1 亿。这是消费级应用史上最快的增长记录。更重要的是，它让全世界第一次直观感受到：AI 真的能理解我们在说什么，并给出有意义的回应。

但 ChatGPT 只是开始。2023 年以来，AI 领域正经历一场更深刻的变革：从聊天机器人到智能体。今天的 AI 不仅能回答问题，还能使用工具、规划任务、自主执行复杂工作流。它们开始像有能力的同事一样工作，而不只是被动响应的工具。

这一章，我们将回答两个核心问题：什么是 AI 智能体？为什么经济金融专业的学生需要学习智能体设计？

1.1 智能体的由来与大语言模型的发展

什么是智能体

想象你是一名研究员，负责分析某个行业。你每天需要：阅读文献和资料（感知信息）、分析数据和现象（推理判断）、撰写研究报告（输出行动）、根据反馈改进方法（学习提升）。金融分析师、管理咨询师、市场研究员都是这样工作的。

AI 智能体做的事情和你一样。根据人工智能经典教材的定义，智能体（Agent）是通过传感器感知环境、通过执行器作用于环境的实体。用更直白的话说，智能体能够自主地感知、思考、行动和学习。

这四种能力构成了智能体的核心特征：

感知（Perception）：获取环境信息，比如阅读文档、接收用户指令
推理（Reasoning）：基于知识和目标进行思考判断
行动（Action）：执行操作改变环境，比如生成报告、调用工具
学习（Learning）：从经验中改进自身表现

理解这四个能力，是理解整本书的基础。

七十年演进：从图灵测试到 ChatGPT

智能体的概念并非凭空出现。它的发展历程，折射出人工智能七十年的探索与突破。

1950 年代：AI 的诞生

1950 年，英国数学家图灵发表论文《计算机器与智能》，提出了著名的图灵测试：如果人类无法区分对话者是人还是机器，就认为这台机器具有智能。这个思想实验将哲学层面的智能讨论转化为可操作的实验范式。

1956 年夏天，麦卡锡、明斯基等人在达特茅斯学院召开研讨会，正式提出人工智能这一术语。会议提出一个大胆的主张：智能的任何方面原则上都可以被精确描述，从而让机器模拟。这次会议标志着 AI 作为独立学科的诞生。

1970-1980 年代：专家系统的黄金时代

早期 AI 研究者相信，智能可以通过符号和规则来实现。他们开发了一系列专家系统（Expert System），试图将人类专家的知识编码进计算机。

最著名的例子是 MYCIN，一个医疗诊断系统。它用约 600 条规则构成知识库，能够诊断细菌感染并推荐抗生素治疗方案。在测试中，它的诊断准确率达到 65%，优于部分非专业医生。MYCIN 还开创了解释子系统——它能说明自己为什么做出某个诊断，这是可解释 AI 的早期形态。

但专家系统有致命弱点：知识获取困难，维护成本高昂，而且一旦超出预设知识范围，性能就急剧下降。到 1980 年代末，AI 研究陷入第二次寒冬。

1987 年：意图理论与 BDI 模型

就在 AI 研究低迷之际，哲学家 Bratman 提出了意图理论，后来被形式化为 BDI 模型（Belief-Desire-Intention，信念-愿望-意图）。这个模型描述了理性智能体如何做决策：

信念：智能体对世界状态的认知
愿望：智能体希望达成的目标
意图：智能体承诺执行的行动计划

用投资经理的工作来理解：他观察市场变化、更新对市场状态的判断（信念）；根据判断和投资目标，列出可能的方案（愿望）；权衡利弊后选择要执行的方案（意图）；然后制定操作步骤并执行。

这种观察-思考-决策-执行的循环，正是后来大语言模型智能体的思维原型。

2016 年：AlphaGo 的里程碑

2016 年 3 月，DeepMind 的 AlphaGo 以 4:1 击败围棋世界冠军李世石。这是 AI 发展史上的标志性事件。

围棋的可能局面数量超过宇宙中原子的总数，传统穷举搜索完全不可行。AlphaGo 结合了深度神经网络和强化学习：用策略网络学习人类棋手的落子模式，用价值网络评估棋局胜率，通过自我对弈不断提升。它证明了 AI 在极其复杂的决策任务中可以达到甚至超越人类顶尖水平。

2017 年：Transformer 架构的突破

2017 年，Google 研究团队发表论文《Attention Is All You Need》，提出 Transformer 架构。这项技术创新为后续所有大语言模型奠定了基础。

Transformer 的核心是自注意力机制（Self-Attention），允许模型在处理文本时同时关注所有位置的信息，而不是像传统方法那样逐字处理。这使得模型能够更好地理解语言中的长距离依赖关系。

2018-2022 年：大语言模型的崛起

基于 Transformer 架构，OpenAI 发布了 GPT 系列模型：

GPT-1（2018）：1.17 亿参数，首次展示预训练-微调范式
GPT-2（2019）：15 亿参数，展现令人惊讶的文本生成能力
GPT-3（2020）：拥有 1750 亿参数，首次展示上下文学习能力——不需要微调，只需要在提示中给几个例子，模型就能学会新任务

研究者发现了两个关键现象。规模法则：模型性能随参数量、数据量和计算量的增加呈幂律增长。涌现能力：当模型规模超过某个阈值时，会突然展现出小模型不具备的能力，比如逻辑推理、代码生成。

2022 年 11 月，ChatGPT 发布。它基于 GPT-3.5，采用人类反馈强化学习（RLHF）优化，使模型更符合人类偏好。ChatGPT 的成功不仅在于技术，更在于产品形态——它让普通人第一次能够通过自然对话与强大的 AI 交互。

2022 年至今：从语言模型到智能体

ChatGPT 之后，AI 领域的焦点开始从单纯的对话转向智能体。

2022 年，Yao 等人提出 ReAct 框架（Reasoning + Acting），将推理和行动交织进行。模型在回答问题时，会先思考（Thought），然后执行行动（Action），观察结果（Observation），再继续思考。这种模式让 AI 能够调用外部工具获取信息，弥补自身知识的局限。

2023 年，AutoGPT 项目爆火，展示了 AI 自主设定子目标、执行任务链的可能性。虽然它还不够成熟，但让公众看到了自主智能体的潜力。

2024-2025 年，Anthropic 推出 Claude Code——一个在终端中运行的编码智能体。它能理解整个代码库的上下文，执行文件操作、运行命令，还能通过 MCP 协议调用外部工具。Claude Code 代表了 AI 智能体从研究走向实用的重要一步，也是本书的核心教学工具。

知识卡片

大语言模型（Large Language Model，LLM）是一类基于 Transformer 架构、经过大规模文本训练的神经网络模型。它们能够理解和生成自然语言，是当代 AI 智能体的认知核心。代表模型包括 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列、Google 的 Gemini 系列。

为什么 LLM 改变了一切

大语言模型之所以能成为智能体的核心，是因为它带来了几项关键能力：

通用知识：通过海量文本的预训练，LLM 获得了广泛的世界知识。它懂金融、懂经济学、懂历史、懂编程，虽然不是每个领域都精通，但基础知识面极广。

自然语言接口：你不需要学习编程语言，用日常的话就能与 AI 交流。这大大降低了使用门槛。

上下文学习：在对话中给 AI 几个例子，它就能学会新任务的模式。不需要重新训练模型。

推理能力：通过链式思考（Chain-of-Thought）等技术，LLM 能够分步骤推理复杂问题。

传统软件是确定性的：同样的输入必然产生同样的输出。LLM 驱动的智能体则完全不同——它们具有概率性和灵活性，能理解模糊的需求，在没有明确规则的情况下做出判断。这正是经济金融领域许多任务所需要的能力——分析师的工作充满不确定性，需要判断而非机械执行。

特征	传统软件系统	LLM 智能体系统
执行方式	确定性规则	概率性推理
输入形式	结构化数据	自然语言
任务适应	需要重新编程	通过提示词调整
知识来源	显式编码	预训练 + 检索增强
适用场景	规则明确的任务	需要判断的任务

1.2 从工具到同事：人与 AI 智能体的新关系

三阶段演进

人类与 AI 的关系正在经历深刻转变。我们可以用三个阶段来描述这种演进：

工具阶段：AI 作为被动执行器。你输入指令，它返回结果，没有任何主动性。传统的计算器、搜索引擎、电子表格都是这种模式。每次交互都是独立的，系统不记得你之前做过什么。

助手阶段：AI 具备上下文理解能力。ChatGPT 就是典型代表。它能理解你说的话，保持对话上下文，提供建议和解释。但本质上，它仍然是被动响应式的——等着你发起每一次交互。

同事阶段：AI 具备自主性与判断力。它不仅能响应请求，还能主动规划、执行多步骤任务、使用工具，在必要时寻求人类指导。

当代 AI 智能体正处于从助手向同事过渡的阶段。我们在本书中学习的 Claude Code 等工具，已经展现出部分同事式的能力，但仍需要人类的指导和监督。

这种转变改变了我们使用 AI 的方式：

从指令到目标：不再给出每一步的具体指令，而是设定高层目标，让 AI 自主规划实现路径
从执行到协商：AI 可以提出建议、表达不确定性、请求澄清，而非机械执行
从同步到异步：AI 可以独立工作一段时间，人类不需要实时监督每一个动作
从完美期待到容错设计：承认 AI 会犯错，设计系统使其能够检测和恢复错误

三种协作模式

在实际工作中，人与 AI 的协作可以采用不同模式，取决于任务特点和风险等级：

辅助模式（Assist）：人类主导，AI 提供建议。人类做所有决策，AI 提供数据、分析、选项供参考。人类可以完全忽略 AI 的建议。适用于高风险决策，比如医疗诊断、法律判决、重大投资决策。

金融场景示例：AI 分析市场数据并提供投资建议，人类投资经理做最终决策；AI 标记可疑交易，人类分析师确认是否为欺诈。

增强模式（Augment）：人类规划，AI 执行。人类设定目标和制定计划，AI 负责执行具体步骤，人类在关键节点审核和调整。AI 在预设范围内有一定自主权。

金融场景示例：人类设定投资策略规则，AI 自动执行交易；人类定义报告模板和要求，AI 生成报告内容。

自主模式（Autonomous）：人类设定目标，AI 自主完成。人类只定义最终目标和约束条件，AI 自主规划、执行、评估、调整。人类只在例外情况或完成时介入。

金融场景示例：高频交易系统在预设参数内自动运行；自动化合规检查系统。

协作模式	人类角色	AI 角色	适用场景
辅助模式	主导执行	提供建议	高风险、需专业判断
增强模式	规划决策	执行细节	中等复杂度、可分解
自主模式	设定目标	自主完成	低风险、高频率、规则明确

选择哪种模式，需要考虑风险等级、任务频率、是否需要专业判断、时间压力、AI 可靠性等因素。一个原则是：风险越高，人类参与度应越高。

指挥者心态

与 AI 高效协作，需要一种新的心态。我们称之为指挥者心态（Commander Mindset）。

一个有用的比喻是：把自己定位为老板，把 AI 当作一个强大的执行团队。老板不需要知道每件事怎么做，而是思考和设置宏观流程、指挥团队收集信息、让团队深度思考和制定计划、把控方向并验收结果。

具体来说，指挥者的职责包括：

战略层面：定义任务目标和成功标准；设计宏观工作流程；做关键决策和方向判断；分配资源和确定优先级。

执行层面：审核 AI 制定的计划；在关键检查点验收结果；提供反馈和修正指导；处理 AI 无法解决的例外情况。

一个重要原则是先探索后执行：

信息收集阶段：让 AI 先搜索、阅读相关资料
规划阶段：让 AI 制定执行计划并呈报
审核阶段：人类审核计划，提出修改意见
执行阶段：批准后让 AI 执行
验收阶段：检查结果，提供反馈

这种方法避免了 AI 在信息不足时盲目行动，减少返工，保持人类对流程的掌控。

Effective Vibe Coding 简介

Vibe Coding 由前 OpenAI 研究员、特斯拉 AI 负责人 Andrej Karpathy 在 2025 年初的技术分享中提出，描述了一种新的人机协作范式：用 AI 完成工作，而你只是把握感觉（vibe）。

但这不意味着人类完全放手。人类的角色从亲自执行转变为：描述意图和需求、审核生成的内容、测试和验证结果、指导迭代优化。

有效的 Vibe Coding 遵循一个核心循环：提示 → 生成 → 评估 → 优化

提示（Prompt）：清晰描述需求和上下文
生成（Generate）：AI 产出代码或内容
评估（Evaluate）：人类评估输出质量
优化（Optimize）：基于反馈迭代改进

这个循环可能重复多次，直到达到满意的结果。

本章只是简要介绍这一理念。第 2 章将详细展开 Effective Vibe Coding 的完整方法论和操作流程。

知识卡片

人在回路（Human-in-the-Loop，HITL）是一种设计模式，在 AI 决策的关键环节引入人类审核。它不是用人类替代 AI，而是创建一个协同生态系统：AI 处理计算密集型任务，人类提供判断和伦理推理，双方协作达成单方无法实现的结果。

1.3 AI 智能体在经济金融领域的应用概览

为什么金融领域特别适合智能体

经济金融领域有几个特点，使其成为 AI 智能体应用的沃土：

信息密集：金融分析需要处理海量数据——财报、新闻、研报、公告、社交媒体。人工阅读和整合的效率有限，AI 能大幅提升信息处理能力。

决策复杂：投资决策涉及多维度因素，需要综合基本面、技术面、情绪面等分析。AI 的多步推理能力可以辅助人类做出更全面的判断。

时效性强：金融市场瞬息万变，快速获取和处理信息至关重要。AI 能实现 7×24 小时监控和即时响应。

规则与判断并存：金融工作既有明确规则（如合规检查），也需要灵活判断（如估值分析）。AI 智能体能很好地处理这种混合场景。

六大应用场景

场景一：金融舆情分析

实时监控社交媒体、财经新闻、官方公告，分析市场情绪和事件影响。

蚂蚁集团的智能风控体系是一个成功案例。它日均处理 2 亿笔交易，欺诈识别准确率达 99.98%。系统不仅被动检测，还主动出击——通过 AI 叫醒热线主动致电潜在被骗用户，止付率提升 80%。根据蚂蚁集团 2024 年公开披露，该系统当年帮助减少资损超过 80 亿元。

场景二：交易信号分析

综合基本面、技术面、情绪面数据，生成交易信号和投资建议。

现代 AI 交易系统往往采用多智能体架构。以 TradingAgents 开源项目为例，它模拟真实交易公司的决策流程，包含基本面分析师、技术分析师、情绪分析师、风险经理、交易员、基金经理等多个 AI 角色协同工作。还有多空辩论机制：牛市研究员和熊市研究员分别提出论点，通过结构化辩论形成最终观点。

场景三：投资研究报告生成

自动收集信息、分析数据、生成结构化研报。

这类系统通常采用 Plan-and-Solve 架构：规划智能体将研究主题分解为子问题；研究智能体从多源检索信息并评估质量；写作智能体按专业格式撰写内容；审核智能体进行事实核查和逻辑检验。

场景四：风险评估与合规自动化

自动化反洗钱检测、信贷审批、合规审查等流程。

一个典型设计是信贷审批的双审反思机制：初审智能体检查数据完整性和基本资质；风控评估智能体进行信用评分和欺诈检测；反思智能体评估决策置信度，检查逻辑一致性；根据置信度高低，自动审批、二级审核或转人工深度调查。

场景五：智能投顾与客户服务

提供个性化投资建议，实现客户服务自动化。

招商银行的 AI 小招是一个代表案例。它采用三层分流模式：第一层由 AI 处理日常咨询；复杂问题升级到第二层远程人工服务；特殊需求再升级到专属客户经理。根据招商银行 2024 年年报，招行在信息科技上投入 133.5 亿元，AI 大模型落地 120 余项产品。

场景六：学术研究辅助

协助文献综述、数据分析、论文写作等学术工作。

这也是本书后三章的重点。我们将学习如何用 AI 智能体辅助论文润色、自动化文献综述、甚至进行多智能体社会科学实验。

本书案例体系

本书的应用篇（第 11-16 章）提供了六个完整的项目案例：

章节	项目	核心模式	复杂度
第 11 章	金融舆情分析系统	路由、并行化、工具使用	★★☆
第 12 章	交易信号分析系统	多智能体、反思、规划	★★★
第 13 章	金融研报生成系统	RAG、规划、提示链	★★★
第 14 章	论文润色提升系统	反思、人在回路	★★☆
第 15 章	文献综述智能体系统	RAG、多智能体	★★☆
第 16 章	多智能体社会科学实验	记忆、多智能体协作	★★★

每个项目都会综合运用原理篇学到的设计模式，让你在实践中掌握智能体系统设计。

风险与边界

在热情拥抱 AI 智能体的同时，我们必须清醒认识其风险和边界。

AI 会出错。大语言模型可能产生幻觉——自信地编造不存在的信息。在金融领域，错误信息可能导致严重后果。任何重要决策都需要人类审核和验证。

历史教训。2012 年，Knight Capital 因一个软件部署错误，在 45 分钟内损失 4.4 亿美元。2010 年美股闪崩，36 分钟内道琼斯指数暴跌 998 点，近 1 万亿美元市值蒸发。这些事件提醒我们：自动化系统需要严格的风险控制和熔断机制。

伦理与合规。AI 系统可能产生算法歧视。Apple Card 曾因女性用户系统性获得更低信用额度而受到指控。监管机构对 AI 在金融领域的应用有明确要求，包括模型可解释性、公平性、可审计性。

能力边界。当前的 AI 智能体擅长信息整合、模式识别、内容生成，但在需要深度因果推理、处理罕见情况、做出伦理判断时仍有局限。了解这些边界，才能正确使用 AI。

学习本书的目标不是盲目信任 AI，而是学会如何设计、监督和评估 AI 智能体系统，让它们安全、有效地服务于经济金融工作。

1.4 本书导读

四大部分的设计逻辑

本书共 16 章，分为四个部分：

基础篇（第 1-3 章） 为后续学习做认知和工具准备。第 1 章建立对智能体的整体认知；第 2 章讲解 Effective Vibe Coding 方法论；第 3 章完成 Claude Code 的安装与配置。

原理篇（第 4-10 章） 系统讲解智能体设计的核心模式。从提示词工程开始，逐步深入智能增强、记忆管理、工具使用、检索增强生成（RAG）、多智能体协作，最后学习如何评估和优化智能体系统。

业界应用篇（第 11-13 章） 聚焦金融行业实战项目。通过舆情分析、交易信号、研报生成三个完整项目，将原理篇的知识应用于真实场景。

科研应用篇（第 14-16 章） 面向学术研究场景。帮助你用 AI 智能体提升论文写作、文献研究和实验设计的效率。

学习路径建议

标准路径：按章节顺序学习。每周 4-6 学时，大约 14 周完成。适合希望系统掌握的学习者。

快速入门：第 1-4 章 → 第 11 章。一周内可以完成第一个项目，建立直观认识后再回头补充原理。适合时间有限或希望快速上手的学习者。

研究导向：第 1-5 章 → 第 8 章（RAG）→ 第 14-15 章。重点掌握文献检索和论文写作相关内容。适合准备毕业论文的学生。

章节依赖关系：基础篇是所有后续章节的前置；原理篇各章之间有一定依赖，建议顺序学习；应用篇可以根据兴趣选择性学习，但建议至少完成一个完整项目。

给经济金融学生的建议

不要害怕技术。本书不需要编程基础。与 AI 对话就是编程。你要学的是设计思维，不是写代码。

带着问题学习。想想你工作或学习中的哪些任务可以让 AI 帮忙？每学一个概念，思考它在你熟悉的场景中如何应用。

多动手实践。每章的案例都要亲自完成。遇到问题是正常的，解决问题是学习的一部分。

建立批判性思维。AI 不是万能的。学会验证 AI 的输出，理解人类监督的重要性。信任要基于验证，而非盲从。

本章小结

本章为全书奠定认知基础，核心要点如下：

智能体是能够自主感知、推理、行动和学习的 AI 系统，以大语言模型为认知核心的智能体代表了 AI 发展的新阶段
从图灵测试到 ChatGPT，AI 经历了七十年演进，当前正从聊天机器人向智能体范式转变
人与 AI 的关系从工具到助手再到同事，指挥者心态和 Effective Vibe Coding 是高效协作的关键
经济金融领域的信息密集性、决策复杂性和时效性要求，使其成为 AI 智能体应用的理想场景
学习智能体设计的目标是掌握如何设计、监督和评估 AI 系统，而非盲目信任

接下来，我们将深入 Effective Vibe Coding 方法论，学习与 AI 高效协作的完整工作流。

实验 1：智能体初体验

实验目标

直观感受 LLM 驱动的智能体能力
体验提示 → 生成 → 评估 → 优化的 Vibe Coding 循环
理解智能体与普通聊天机器人的区别

实验准备

已安装 Claude Code（如未安装，可先阅读第 3 章后返回完成本实验）
稳定的网络连接
预计时长：30-45 分钟

实验步骤

第一部分：认识智能体（10 分钟）

启动 Claude Code，进行简单对话，感受 AI 的响应方式
询问 AI 它能做什么、有什么局限，了解能力边界

第二部分：信息获取任务（10 分钟）

尝试让 AI 整理一家上市公司的基本信息
改进你的提示词，观察回答质量的变化
体会提示词设计对结果的影响

第三部分：情感分析任务（10 分钟）

给 AI 一段财经新闻，让它分析情感倾向
与 AI 讨论你对分析结果的不同看法
体验人机协作中人类判断的价值

第四部分：生成任务（10 分钟）

让 AI 生成一份简短的投资备忘录
提出修改意见，让 AI 迭代优化
让 AI 将结果保存到文件，观察人在回路机制

思考题

智能体与普通聊天机器人的本质区别是什么？
在你熟悉的经济金融场景中，哪些任务适合智能体化？
什么情况下你会信任 AI 的判断？什么情况下需要自己核实？

--- title: "第 1 章智能体概览与本书导读" --- ::: {.callout-tip} ## 🎧 本章配套播客 <audio controls style="width: 100%;" src="podcast.mp3"></audio> ::: ::: {.callout-important} ## 学习目标 1. **理解** 智能体的定义及其四大核心能力（感知、推理、行动、学习） 2. **描述** 从图灵测试到 ChatGPT 的 AI 发展历程中的关键里程碑 3. **区分** 人与 AI 协作的三种模式（辅助、增强、自主）及适用场景 4. **说明** AI 智能体在经济金融领域的六大应用场景 5. **理解** Effective Vibe Coding 的核心循环：提示 → 生成 → 评估 → 优化 ::: ![封面图](images/cover.png) 2022 年 11 月 30 日，OpenAI 发布 ChatGPT。五天内，用户突破 100 万——Instagram 达到这一里程碑用了 75 天；两个月后，月活用户达到 1 亿。这是消费级应用史上最快的增长记录。更重要的是，它让全世界第一次直观感受到：AI 真的能理解我们在说什么，并给出有意义的回应。但 ChatGPT 只是开始。2023 年以来，AI 领域正经历一场更深刻的变革：从聊天机器人到智能体。今天的 AI 不仅能回答问题，还能使用工具、规划任务、自主执行复杂工作流。它们开始像有能力的同事一样工作，而不只是被动响应的工具。这一章，我们将回答两个核心问题：什么是 AI 智能体？为什么经济金融专业的学生需要学习智能体设计？ ## 1.1 智能体的由来与大语言模型的发展 ### 什么是智能体想象你是一名研究员，负责分析某个行业。你每天需要：阅读文献和资料（感知信息）、分析数据和现象（推理判断）、撰写研究报告（输出行动）、根据反馈改进方法（学习提升）。金融分析师、管理咨询师、市场研究员都是这样工作的。 AI 智能体做的事情和你一样。根据人工智能经典教材的定义，智能体（Agent）是通过传感器感知环境、通过执行器作用于环境的实体。用更直白的话说，智能体能够自主地感知、思考、行动和学习。  这四种能力构成了智能体的核心特征： - **感知（Perception）**：获取环境信息，比如阅读文档、接收用户指令 - **推理（Reasoning）**：基于知识和目标进行思考判断 - **行动（Action）**：执行操作改变环境，比如生成报告、调用工具 - **学习（Learning）**：从经验中改进自身表现理解这四个能力，是理解整本书的基础。 ### 七十年演进：从图灵测试到 ChatGPT ![AI 发展七十年里程碑](images/img_02_ai_timeline.png) 智能体的概念并非凭空出现。它的发展历程，折射出人工智能七十年的探索与突破。 **1950 年代：AI 的诞生** 1950 年，英国数学家图灵发表论文《计算机器与智能》，提出了著名的图灵测试：如果人类无法区分对话者是人还是机器，就认为这台机器具有智能。这个思想实验将哲学层面的智能讨论转化为可操作的实验范式。 1956 年夏天，麦卡锡、明斯基等人在达特茅斯学院召开研讨会，正式提出人工智能这一术语。会议提出一个大胆的主张：智能的任何方面原则上都可以被精确描述，从而让机器模拟。这次会议标志着 AI 作为独立学科的诞生。 **1970-1980 年代：专家系统的黄金时代** 早期 AI 研究者相信，智能可以通过符号和规则来实现。他们开发了一系列专家系统（Expert System），试图将人类专家的知识编码进计算机。最著名的例子是 MYCIN，一个医疗诊断系统。它用约 600 条规则构成知识库，能够诊断细菌感染并推荐抗生素治疗方案。在测试中，它的诊断准确率达到 65%，优于部分非专业医生。MYCIN 还开创了解释子系统——它能说明自己为什么做出某个诊断，这是可解释 AI 的早期形态。但专家系统有致命弱点：知识获取困难，维护成本高昂，而且一旦超出预设知识范围，性能就急剧下降。到 1980 年代末，AI 研究陷入第二次寒冬。 **1987 年：意图理论与 BDI 模型** 就在 AI 研究低迷之际，哲学家 Bratman 提出了意图理论，后来被形式化为 BDI 模型（Belief-Desire-Intention，信念-愿望-意图）。这个模型描述了理性智能体如何做决策： - **信念**：智能体对世界状态的认知 - **愿望**：智能体希望达成的目标 - **意图**：智能体承诺执行的行动计划用投资经理的工作来理解：他观察市场变化、更新对市场状态的判断（信念）；根据判断和投资目标，列出可能的方案（愿望）；权衡利弊后选择要执行的方案（意图）；然后制定操作步骤并执行。这种观察-思考-决策-执行的循环，正是后来大语言模型智能体的思维原型。 **2016 年：AlphaGo 的里程碑** 2016 年 3 月，DeepMind 的 AlphaGo 以 4:1 击败围棋世界冠军李世石。这是 AI 发展史上的标志性事件。围棋的可能局面数量超过宇宙中原子的总数，传统穷举搜索完全不可行。AlphaGo 结合了深度神经网络和强化学习：用策略网络学习人类棋手的落子模式，用价值网络评估棋局胜率，通过自我对弈不断提升。它证明了 AI 在极其复杂的决策任务中可以达到甚至超越人类顶尖水平。 **2017 年：Transformer 架构的突破** 2017 年，Google 研究团队发表论文《Attention Is All You Need》，提出 Transformer 架构。这项技术创新为后续所有大语言模型奠定了基础。 Transformer 的核心是自注意力机制（Self-Attention），允许模型在处理文本时同时关注所有位置的信息，而不是像传统方法那样逐字处理。这使得模型能够更好地理解语言中的长距离依赖关系。 **2018-2022 年：大语言模型的崛起** 基于 Transformer 架构，OpenAI 发布了 GPT 系列模型： - **GPT-1（2018）**：1.17 亿参数，首次展示预训练-微调范式 - **GPT-2（2019）**：15 亿参数，展现令人惊讶的文本生成能力 - **GPT-3（2020）**：拥有 1750 亿参数，首次展示上下文学习能力——不需要微调，只需要在提示中给几个例子，模型就能学会新任务研究者发现了两个关键现象。**规模法则**：模型性能随参数量、数据量和计算量的增加呈幂律增长。**涌现能力**：当模型规模超过某个阈值时，会突然展现出小模型不具备的能力，比如逻辑推理、代码生成。 2022 年 11 月，ChatGPT 发布。它基于 GPT-3.5，采用人类反馈强化学习（RLHF）优化，使模型更符合人类偏好。ChatGPT 的成功不仅在于技术，更在于产品形态——它让普通人第一次能够通过自然对话与强大的 AI 交互。 **2022 年至今：从语言模型到智能体** ChatGPT 之后，AI 领域的焦点开始从单纯的对话转向智能体。 2022 年，Yao 等人提出 ReAct 框架（Reasoning + Acting），将推理和行动交织进行。模型在回答问题时，会先思考（Thought），然后执行行动（Action），观察结果（Observation），再继续思考。这种模式让 AI 能够调用外部工具获取信息，弥补自身知识的局限。 2023 年，AutoGPT 项目爆火，展示了 AI 自主设定子目标、执行任务链的可能性。虽然它还不够成熟，但让公众看到了自主智能体的潜力。 2024-2025 年，Anthropic 推出 Claude Code——一个在终端中运行的编码智能体。它能理解整个代码库的上下文，执行文件操作、运行命令，还能通过 MCP 协议调用外部工具。Claude Code 代表了 AI 智能体从研究走向实用的重要一步，也是本书的核心教学工具。 ::: {.callout-note} ## 知识卡片大语言模型（Large Language Model，LLM）是一类基于 Transformer 架构、经过大规模文本训练的神经网络模型。它们能够理解和生成自然语言，是当代 AI 智能体的认知核心。代表模型包括 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列、Google 的 Gemini 系列。 ::: ### 为什么 LLM 改变了一切大语言模型之所以能成为智能体的核心，是因为它带来了几项关键能力： **通用知识**：通过海量文本的预训练，LLM 获得了广泛的世界知识。它懂金融、懂经济学、懂历史、懂编程，虽然不是每个领域都精通，但基础知识面极广。 **自然语言接口**：你不需要学习编程语言，用日常的话就能与 AI 交流。这大大降低了使用门槛。 **上下文学习**：在对话中给 AI 几个例子，它就能学会新任务的模式。不需要重新训练模型。 **推理能力**：通过链式思考（Chain-of-Thought）等技术，LLM 能够分步骤推理复杂问题。传统软件是确定性的：同样的输入必然产生同样的输出。LLM 驱动的智能体则完全不同——它们具有概率性和灵活性，能理解模糊的需求，在没有明确规则的情况下做出判断。这正是经济金融领域许多任务所需要的能力——分析师的工作充满不确定性，需要判断而非机械执行。 | 特征 | 传统软件系统 | LLM 智能体系统 | |------|------------|--------------| | 执行方式 | 确定性规则 | 概率性推理 | | 输入形式 | 结构化数据 | 自然语言 | | 任务适应 | 需要重新编程 | 通过提示词调整 | | 知识来源 | 显式编码 | 预训练 + 检索增强 | | 适用场景 | 规则明确的任务 | 需要判断的任务 | ## 1.2 从工具到同事：人与 AI 智能体的新关系 ### 三阶段演进 ![人机关系三阶段演进](images/img_03_human_ai_evolution.png) 人类与 AI 的关系正在经历深刻转变。我们可以用三个阶段来描述这种演进： **工具阶段**：AI 作为被动执行器。你输入指令，它返回结果，没有任何主动性。传统的计算器、搜索引擎、电子表格都是这种模式。每次交互都是独立的，系统不记得你之前做过什么。 **助手阶段**：AI 具备上下文理解能力。ChatGPT 就是典型代表。它能理解你说的话，保持对话上下文，提供建议和解释。但本质上，它仍然是被动响应式的——等着你发起每一次交互。 **同事阶段**：AI 具备自主性与判断力。它不仅能响应请求，还能主动规划、执行多步骤任务、使用工具，在必要时寻求人类指导。当代 AI 智能体正处于从助手向同事过渡的阶段。我们在本书中学习的 Claude Code 等工具，已经展现出部分同事式的能力，但仍需要人类的指导和监督。这种转变改变了我们使用 AI 的方式： - 从**指令**到**目标**：不再给出每一步的具体指令，而是设定高层目标，让 AI 自主规划实现路径 - 从**执行**到**协商**：AI 可以提出建议、表达不确定性、请求澄清，而非机械执行 - 从**同步**到**异步**：AI 可以独立工作一段时间，人类不需要实时监督每一个动作 - 从**完美期待**到**容错设计**：承认 AI 会犯错，设计系统使其能够检测和恢复错误 ### 三种协作模式在实际工作中，人与 AI 的协作可以采用不同模式，取决于任务特点和风险等级： **辅助模式（Assist）**：人类主导，AI 提供建议。人类做所有决策，AI 提供数据、分析、选项供参考。人类可以完全忽略 AI 的建议。适用于高风险决策，比如医疗诊断、法律判决、重大投资决策。金融场景示例：AI 分析市场数据并提供投资建议，人类投资经理做最终决策；AI 标记可疑交易，人类分析师确认是否为欺诈。 **增强模式（Augment）**：人类规划，AI 执行。人类设定目标和制定计划，AI 负责执行具体步骤，人类在关键节点审核和调整。AI 在预设范围内有一定自主权。金融场景示例：人类设定投资策略规则，AI 自动执行交易；人类定义报告模板和要求，AI 生成报告内容。 **自主模式（Autonomous）**：人类设定目标，AI 自主完成。人类只定义最终目标和约束条件，AI 自主规划、执行、评估、调整。人类只在例外情况或完成时介入。金融场景示例：高频交易系统在预设参数内自动运行；自动化合规检查系统。 | 协作模式 | 人类角色 | AI 角色 | 适用场景 | |----------|----------|---------|----------| | 辅助模式 | 主导执行 | 提供建议 | 高风险、需专业判断 | | 增强模式 | 规划决策 | 执行细节 | 中等复杂度、可分解 | | 自主模式 | 设定目标 | 自主完成 | 低风险、高频率、规则明确 | 选择哪种模式，需要考虑风险等级、任务频率、是否需要专业判断、时间压力、AI 可靠性等因素。一个原则是：风险越高，人类参与度应越高。 ### 指挥者心态与 AI 高效协作，需要一种新的心态。我们称之为指挥者心态（Commander Mindset）。一个有用的比喻是：把自己定位为老板，把 AI 当作一个强大的执行团队。老板不需要知道每件事怎么做，而是思考和设置宏观流程、指挥团队收集信息、让团队深度思考和制定计划、把控方向并验收结果。具体来说，指挥者的职责包括： **战略层面**：定义任务目标和成功标准；设计宏观工作流程；做关键决策和方向判断；分配资源和确定优先级。 **执行层面**：审核 AI 制定的计划；在关键检查点验收结果；提供反馈和修正指导；处理 AI 无法解决的例外情况。一个重要原则是先探索后执行： 1. 信息收集阶段：让 AI 先搜索、阅读相关资料 2. 规划阶段：让 AI 制定执行计划并呈报 3. 审核阶段：人类审核计划，提出修改意见 4. 执行阶段：批准后让 AI 执行 5. 验收阶段：检查结果，提供反馈这种方法避免了 AI 在信息不足时盲目行动，减少返工，保持人类对流程的掌控。 ### Effective Vibe Coding 简介 Vibe Coding 由前 OpenAI 研究员、特斯拉 AI 负责人 Andrej Karpathy 在 2025 年初的技术分享中提出，描述了一种新的人机协作范式：用 AI 完成工作，而你只是把握感觉（vibe）。但这不意味着人类完全放手。人类的角色从亲自执行转变为：描述意图和需求、审核生成的内容、测试和验证结果、指导迭代优化。 ![Vibe Coding 核心循环](images/img_04_vibe_coding_cycle.png) 有效的 Vibe Coding 遵循一个核心循环：**提示 → 生成 → 评估 → 优化** 1. **提示（Prompt）**：清晰描述需求和上下文 2. **生成（Generate）**：AI 产出代码或内容 3. **评估（Evaluate）**：人类评估输出质量 4. **优化（Optimize）**：基于反馈迭代改进这个循环可能重复多次，直到达到满意的结果。本章只是简要介绍这一理念。第 2 章将详细展开 Effective Vibe Coding 的完整方法论和操作流程。 ::: {.callout-note} ## 知识卡片人在回路（Human-in-the-Loop，HITL）是一种设计模式，在 AI 决策的关键环节引入人类审核。它不是用人类替代 AI，而是创建一个协同生态系统：AI 处理计算密集型任务，人类提供判断和伦理推理，双方协作达成单方无法实现的结果。 ::: ## 1.3 AI 智能体在经济金融领域的应用概览 ### 为什么金融领域特别适合智能体经济金融领域有几个特点，使其成为 AI 智能体应用的沃土： **信息密集**：金融分析需要处理海量数据——财报、新闻、研报、公告、社交媒体。人工阅读和整合的效率有限，AI 能大幅提升信息处理能力。 **决策复杂**：投资决策涉及多维度因素，需要综合基本面、技术面、情绪面等分析。AI 的多步推理能力可以辅助人类做出更全面的判断。 **时效性强**：金融市场瞬息万变，快速获取和处理信息至关重要。AI 能实现 7×24 小时监控和即时响应。 **规则与判断并存**：金融工作既有明确规则（如合规检查），也需要灵活判断（如估值分析）。AI 智能体能很好地处理这种混合场景。 ### 六大应用场景 ![金融领域六大应用场景](images/img_05_finance_applications.png) **场景一：金融舆情分析** 实时监控社交媒体、财经新闻、官方公告，分析市场情绪和事件影响。蚂蚁集团的智能风控体系是一个成功案例。它日均处理 2 亿笔交易，欺诈识别准确率达 99.98%。系统不仅被动检测，还主动出击——通过 AI 叫醒热线主动致电潜在被骗用户，止付率提升 80%。根据蚂蚁集团 2024 年公开披露，该系统当年帮助减少资损超过 80 亿元。 **场景二：交易信号分析** 综合基本面、技术面、情绪面数据，生成交易信号和投资建议。现代 AI 交易系统往往采用多智能体架构。以 TradingAgents 开源项目为例，它模拟真实交易公司的决策流程，包含基本面分析师、技术分析师、情绪分析师、风险经理、交易员、基金经理等多个 AI 角色协同工作。还有多空辩论机制：牛市研究员和熊市研究员分别提出论点，通过结构化辩论形成最终观点。 **场景三：投资研究报告生成** 自动收集信息、分析数据、生成结构化研报。这类系统通常采用 Plan-and-Solve 架构：规划智能体将研究主题分解为子问题；研究智能体从多源检索信息并评估质量；写作智能体按专业格式撰写内容；审核智能体进行事实核查和逻辑检验。 **场景四：风险评估与合规自动化** 自动化反洗钱检测、信贷审批、合规审查等流程。一个典型设计是信贷审批的双审反思机制：初审智能体检查数据完整性和基本资质；风控评估智能体进行信用评分和欺诈检测；反思智能体评估决策置信度，检查逻辑一致性；根据置信度高低，自动审批、二级审核或转人工深度调查。 **场景五：智能投顾与客户服务** 提供个性化投资建议，实现客户服务自动化。招商银行的 AI 小招是一个代表案例。它采用三层分流模式：第一层由 AI 处理日常咨询；复杂问题升级到第二层远程人工服务；特殊需求再升级到专属客户经理。根据招商银行 2024 年年报，招行在信息科技上投入 133.5 亿元，AI 大模型落地 120 余项产品。 **场景六：学术研究辅助** 协助文献综述、数据分析、论文写作等学术工作。这也是本书后三章的重点。我们将学习如何用 AI 智能体辅助论文润色、自动化文献综述、甚至进行多智能体社会科学实验。 ### 本书案例体系本书的应用篇（第 11-16 章）提供了六个完整的项目案例： | 章节 | 项目 | 核心模式 | 复杂度 | |------|------|----------|--------| | 第 11 章 | 金融舆情分析系统 | 路由、并行化、工具使用 | ★★☆ | | 第 12 章 | 交易信号分析系统 | 多智能体、反思、规划 | ★★★ | | 第 13 章 | 金融研报生成系统 | RAG、规划、提示链 | ★★★ | | 第 14 章 | 论文润色提升系统 | 反思、人在回路 | ★★☆ | | 第 15 章 | 文献综述智能体系统 | RAG、多智能体 | ★★☆ | | 第 16 章 | 多智能体社会科学实验 | 记忆、多智能体协作 | ★★★ | 每个项目都会综合运用原理篇学到的设计模式，让你在实践中掌握智能体系统设计。 ### 风险与边界在热情拥抱 AI 智能体的同时，我们必须清醒认识其风险和边界。 **AI 会出错**。大语言模型可能产生幻觉——自信地编造不存在的信息。在金融领域，错误信息可能导致严重后果。任何重要决策都需要人类审核和验证。 **历史教训**。2012 年，Knight Capital 因一个软件部署错误，在 45 分钟内损失 4.4 亿美元。2010 年美股闪崩，36 分钟内道琼斯指数暴跌 998 点，近 1 万亿美元市值蒸发。这些事件提醒我们：自动化系统需要严格的风险控制和熔断机制。 **伦理与合规**。AI 系统可能产生算法歧视。Apple Card 曾因女性用户系统性获得更低信用额度而受到指控。监管机构对 AI 在金融领域的应用有明确要求，包括模型可解释性、公平性、可审计性。 **能力边界**。当前的 AI 智能体擅长信息整合、模式识别、内容生成，但在需要深度因果推理、处理罕见情况、做出伦理判断时仍有局限。了解这些边界，才能正确使用 AI。学习本书的目标不是盲目信任 AI，而是学会如何设计、监督和评估 AI 智能体系统，让它们安全、有效地服务于经济金融工作。 ## 1.4 本书导读 ### 四大部分的设计逻辑本书共 16 章，分为四个部分： **基础篇（第 1-3 章）** 为后续学习做认知和工具准备。第 1 章建立对智能体的整体认知；第 2 章讲解 Effective Vibe Coding 方法论；第 3 章完成 Claude Code 的安装与配置。 **原理篇（第 4-10 章）** 系统讲解智能体设计的核心模式。从提示词工程开始，逐步深入智能增强、记忆管理、工具使用、检索增强生成（RAG）、多智能体协作，最后学习如何评估和优化智能体系统。 **业界应用篇（第 11-13 章）** 聚焦金融行业实战项目。通过舆情分析、交易信号、研报生成三个完整项目，将原理篇的知识应用于真实场景。 **科研应用篇（第 14-16 章）** 面向学术研究场景。帮助你用 AI 智能体提升论文写作、文献研究和实验设计的效率。 ### 学习路径建议 **标准路径**：按章节顺序学习。每周 4-6 学时，大约 14 周完成。适合希望系统掌握的学习者。 **快速入门**：第 1-4 章 → 第 11 章。一周内可以完成第一个项目，建立直观认识后再回头补充原理。适合时间有限或希望快速上手的学习者。 **研究导向**：第 1-5 章 → 第 8 章（RAG）→ 第 14-15 章。重点掌握文献检索和论文写作相关内容。适合准备毕业论文的学生。 **章节依赖关系**：基础篇是所有后续章节的前置；原理篇各章之间有一定依赖，建议顺序学习；应用篇可以根据兴趣选择性学习，但建议至少完成一个完整项目。 ### 给经济金融学生的建议 **不要害怕技术**。本书不需要编程基础。与 AI 对话就是编程。你要学的是设计思维，不是写代码。 **带着问题学习**。想想你工作或学习中的哪些任务可以让 AI 帮忙？每学一个概念，思考它在你熟悉的场景中如何应用。 **多动手实践**。每章的案例都要亲自完成。遇到问题是正常的，解决问题是学习的一部分。 **建立批判性思维**。AI 不是万能的。学会验证 AI 的输出，理解人类监督的重要性。信任要基于验证，而非盲从。 ## 本章小结本章为全书奠定认知基础，核心要点如下： - **智能体**是能够自主感知、推理、行动和学习的 AI 系统，以大语言模型为认知核心的智能体代表了 AI 发展的新阶段 - 从图灵测试到 ChatGPT，AI 经历了七十年演进，当前正从聊天机器人向**智能体**范式转变 - 人与 AI 的关系从工具到助手再到同事，**指挥者心态**和 **Effective Vibe Coding** 是高效协作的关键 - 经济金融领域的信息密集性、决策复杂性和时效性要求，使其成为 AI 智能体应用的理想场景 - 学习智能体设计的目标是掌握如何**设计、监督和评估** AI 系统，而非盲目信任接下来，我们将深入 Effective Vibe Coding 方法论，学习与 AI 高效协作的完整工作流。 --- ## 实验 1：智能体初体验 ### 实验目标 - 直观感受 LLM 驱动的智能体能力 - 体验提示 → 生成 → 评估 → 优化的 Vibe Coding 循环 - 理解智能体与普通聊天机器人的区别 ### 实验准备 - 已安装 Claude Code（如未安装，可先阅读第 3 章后返回完成本实验） - 稳定的网络连接 - 预计时长：30-45 分钟 ### 实验步骤 **第一部分：认识智能体（10 分钟）** 1. 启动 Claude Code，进行简单对话，感受 AI 的响应方式 2. 询问 AI 它能做什么、有什么局限，了解能力边界 **第二部分：信息获取任务（10 分钟）** 1. 尝试让 AI 整理一家上市公司的基本信息 2. 改进你的提示词，观察回答质量的变化 3. 体会提示词设计对结果的影响 **第三部分：情感分析任务（10 分钟）** 1. 给 AI 一段财经新闻，让它分析情感倾向 2. 与 AI 讨论你对分析结果的不同看法 3. 体验人机协作中人类判断的价值 **第四部分：生成任务（10 分钟）** 1. 让 AI 生成一份简短的投资备忘录 2. 提出修改意见，让 AI 迭代优化 3. 让 AI 将结果保存到文件，观察人在回路机制 ### 思考题 1. 智能体与普通聊天机器人的本质区别是什么？ 2. 在你熟悉的经济金融场景中，哪些任务适合智能体化？ 3. 什么情况下你会信任 AI 的判断？什么情况下需要自己核实？