Bridgewater Associates

資料來源#

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

摘要#

這是一家約有 50 年歷史的系統化宏觀避險基金。它以專家使用者 AI 部署案例的身分納入這份維基，並具備一項少見的先決條件：代理程式所需的領域脈絡，早在任何人需要為代理程式準備之前數十年，就已經以機器可讀的形式記錄下來。

本文集裡有許多為代理程式建立脈絡的記述。Bridgewater 的案例是第一個從脈絡早已存在開始的案例；這些脈絡是公司一貫工作方式所產生的副產品。

1980 年的法律便箋紙，以及它為何是重點#

應用 AI 團隊負責人 Brendan McManus 一開始展示了一張照片，內容是公司 1980 年的債券系統，寫在黃色法律便箋紙上。這份紀錄展現的紀律很簡單：每當你想進行一筆交易，就寫下這筆交易合理的確切因果邏輯。直接的好處來自團隊互動——另一位投資人可以讀你寫的內容，找出你出錯的地方並加以改進；累積多年的好處則是形成一套持續修訂、而非推倒重來的規則庫（「你劃掉一條規則，再寫下一條新的」）。

經過五十年，這套做法被編纂成一套機器可讀、也供人閱讀的專家系統：每一種方法、每一條關於公司會做哪些交易以及為何如此的規則。McManus 直接說明了其結果：

「所有這些資料，正是讓我們能順利迎接 AI 時代的關鍵。我們不必回頭為代理程式把一切重新記錄下來。這些內容早已存在，可以供我們取用。」

這段話值得單獨提出，因為它指出了代理程式部署真正稀缺的投入究竟是什麼。演講隱含的論點是，PAT 之所以能打造出來，不是因為模型能力或代理程式 harness 有多精良，而是因為公司在建立領域代理程式所需的語料上，領先了五十年——以知識為核心的自我改進主張，這種資產才值得持續保存；它並非經過刻意設計，而是機構習慣意外累積的成果。這也為此案例的可移植性劃出底線：沒有那些法律便箋紙的公司，不可能只差一套代理程式 harness 就能打造出 PAT。

面對 AI 的兩種立場：投資人與實務工作者#

McManus 有意區分這兩者。

• 以投資人的身分，了解 AI 是基本門檻——包括供需失衡的樣貌、哪些因素推動建置，以及它如何影響市場；公司看待這些議題的方式，與看待 COVID 或近期石油供應衝擊相同。AI 在此是分析對象，演講中沒有進一步詳述。
• 以實務工作者的身分，AI 被應用於整個研究流程，明確的最終目標是打造一名人工投資人，能完成真人投資人每天所做的各類工作。

第二種立場的路線圖，圍繞著他們所稱的研究循環來規劃——也就是人類投資人運作的迴圈：觀察世界正在發生什麼、針對哪些事情為真以及可能遺漏了什麼提出問題、進行分析調查、綜合研究發現，並把學到的內容放回累積中的理解裡。McManus 特別指出最後這一步是關鍵，因為它讓共享記憶持續增長，而不只是被查閱。

打造策略依循循環的結構：為研究循環的每個環節配置專門的子代理程式，並共同運用五十年累積的理解。PAT 只涵蓋其中一個環節——調查；其他環節尚未建置或未加說明。這與以知識為核心的自我改進所描述的反轉在結構上相似：持續保存的對象是共享理解，環繞其運作的代理程式則各有專長，而且可以替換。

PAT（Pocket Analyst Tool）#

這是一名內部 AI 分析師，在 2026 年 7 月的演講前幾個月就已部署，每天有數百名投資人使用——並非原型。它的範圍刻意劃定得很明確：PAT「不是用來決定我們如何交易」，而是用於深入探索式研究，「讓投資人能著手探究過去因為沒有足夠時間而無法追查的問題」。據稱，它能把分析師耗費數小時或數天的工作壓縮到幾分鐘。

McManus 表示，第一天的規格就有五項要求，且與本文集慣常討論的失效面向清楚對應：

1. 所有資料——搜尋並讀取結構化時間序列（內部建模的數千萬筆序列，涵蓋 50 年資料；既有油價等外部資料，也有公司自行推導的概念，例如公司對未來 12 個月通膨的看法）以及非結構化內容（數百萬份文件，包括券商報告、財報電話會議逐字稿、內部備忘錄與電子郵件；每天都有數千份文件近乎即時地抵達）。
2. 人類分析師擁有的所有工具——專有的視覺化、診斷，以及指標品質評估工具。
3. 可診斷的分析——由於這類工作複雜到人類要花數小時，因此每項分析都必須能供人檢視，「不只是讓人檢視，也要讓在背景執行、讀取追蹤紀錄的代理程式檢視」，並驗證每項計算。
4. 所有脈絡——投資流程與架構，也就是承襲自法律便箋紙的內容。
5. 學習——讓成果不只由一位投資人累積，而是讓公司的每位投資人都能受益。

這項部署有兩項架構特性，其他文章有深入討論：其編譯器式程式碼流程見將代理程式程式碼生成視為編譯，按使用者權限範圍運作的代理程式 harness 則見能力閘控不等於授權。

有一項設計細節值得在此提出，因為它同時是組織決策與技術決策：PAT 的輸出會存入與其輸入相同的時間序列資料庫。Ran 點出兩項結果——PAT 的輸出「與我們多年來持續產生、由人類上傳的任何序列都無法區分」，而任何 PAT 輸出都能成為後續分析的輸入。如此一來，人類與代理程式可以在同一個基礎平台上累積彼此的工作成果，而不是把代理程式隔離在必須另行收割成果的沙盒裡。尚未探討的一面是來源追蹤：演講沒有說明使用者能否辨識某個序列是否由機器產生，而這項特性將決定錯誤分析是否可能在不被察覺的情況下持續傳播。

一家有 50 年歷史的公司如何推出這項產品#

McManus 回答了他說自己最常被問到的問題，而答案完全關乎組織安排：

• 內部應用 AI 新創團隊，在公司內部孵化，既能迅速行動，也能運用母公司的資源。
• 多種專業背景組成的團隊——投資人、技術人員與科學家並肩工作。他對分工的說法是：投資人帶來領域脈絡，技術人員帶來架構能力，科學家帶來嚴謹性。他表示，對於為專家使用者打造 AI 系統而言，這是必要條件，而非可有可無的優點。
• 數百名公司內部專家使用者使用公司的各種 AI 工具，每天提供改善方向的訊號——也是以生產使用資料為基礎的評估學習迴圈的輸入。
• 持續累積的生態系——五十年來共享的資料、工具與方法論，原本為人類分析師打造，如今也供代理程式重複使用。

代理程式程式設計中的專業知識回報一文的觀點很直接：這項部署的效益來自能分辨優質分析與看似可信分析的專家使用者，而組織設計的目的，就是讓這些專家留在建置迴圈中，而非等到流程下游才接觸他們。從技術面來看，Santi Weight 的說法更直白——「使用者很可能比你更擅長撰寫脈絡」，他以此主張應讓投資人直接提供脈絡，「就像開發者在程式碼庫中貢獻一樣」，也要以開放的態度接受這種參與。

延伸連結#

• 將代理程式程式碼生成視為編譯——PAT 程式碼代理程式所採用的架構，也是這家公司對本文集最值得移植的技術貢獻
• 以生產使用資料為基礎的評估——PAT 的學習迴圈，包含自主形式（背景代理程式挖掘已完成的對話）與使用者觸發形式（Teach 按鈕）；這是從真實使用情況建立基準的一個實際案例
• Agent-Authored Harness Optimization——學習迴圈的後半段：代理程式會編輯 PAT 自己的脈絡儲存庫與代理程式 harness，直到生成的基準測試通過，然後開啟一個 pull request
• 代理程式程式設計中的專業知識回報——這項部署的核心前提是擴大專家能力，而不是取代專家，並且採用相應的組織架構
• 以知識為核心的自我改進——公司的五十年專家系統意外成為該論點的實例：值得持續保存的對象是經過整理的知識庫，而非代理程式

資料來源#

• How Bridgewater Built an AI Analyst That Does Hours of Expert Research in Minutes — McManus、Ran 與 Weight，LangChain 頻道，2026-07-24，25:44 演講，case-study。內容始終來自第一手資料：由打造產品的團隊在與供應商相關的研討會上發表，沒有外部資料驗證部署規模（「數百名投資人」）、時間壓縮效果或任何效能數據。影片附帶的公司免責聲明指出，對於所討論的能力或預期效益，並不保證一定能實現。逐字稿未包含投影片視覺內容，包括 1980 年的法律便箋紙、研究循環圖，以及現場示範