"模型进步是上涨的潮水。我们希望产品是那条船，而不是固定在海床上的柱子。" — 季逸超，Manus
Research cycle time 决定了 alpha 的捕获能力。 Maven Securities 基于美股和欧股 15 年数据的研究显示，alpha 衰减的年化成本在美国市场平均为 5.6%，在欧洲市场高达 9.9%——足以让许多 alpha 策略变得不可用。更关键的是，这个成本还在加速恶化：美股每年增加 36 个基点，欧股每年增加 16 个基点。当一个 alpha 变得"拥挤"时，最先行动的交易者拿走了大部分利润，后来者几乎没有任何优势可言。一个深度因子验证仍然需要 1-2 周。等你验证完，信号可能已经消失了。
与此同时，Atlassian 2025 年对 3,500 名开发者的调查显示，开发者实际花在编码上的时间仅占 16%，而 50% 的开发者每周因组织低效损失超过 10 小时。没有理由相信量化研究的工作流会更好。
机会不是"用 AI 做量化研究"，而是把迭代周期从天压缩到小时。
2024-2025 年，成功的 agent 产品出现了明显的架构收敛。Claude Code 达到 $1B ARR。Meta 以超过 $2B 收购 Manus。尽管领域不尽相同，它们的架构共享三个特性：
Claude Code 用约 12 个 tools。Manus 用不到 20 个。两者都拒绝了 "multi-agent swarm" 模式。
MAST Framework（2025）分析了 1,600+ 条 agent traces，识别出 multi-agent 系统的 14 种失败模式。关键发现："在多个案例中，单 agent 配置的表现优于 multi-agent 版本。" Agent 之间的通信开销导致信息丢失——"电话游戏（Telephone）"效应。
Multi-agent 解决的是人类的问题（认知限制、专业分工），不是 LLM 的问题。单个模型已经是 "full-stack"。
Multi-agent 什么时候有意义？ Context isolation 用于并行任务——而不是角色扮演"分析师团队"。
# 正确：Sub-agents 用于 context isolation
async def parallel_factor_analysis(factors: List[str]) -> Summary:
"""每个因子在独立 context 中分析，只返回 summary。"""
results = await asyncio.gather(*[
analyze_in_subagent(f) for f in factors # 并行，隔离
])
return aggregate(results) # 压缩后的 summary 进入主 context
# 错误：Multi-agent "委员会"
def investment_committee(stock: str) -> str:
"""角色扮演浪费 tokens；信息在每一跳都退化。"""
bull = agent_bull.analyze(stock) # 2000 tokens
bear = agent_bear.analyze(stock) # 2000 tokens
risk = agent_risk.evaluate(bull, bear) # 信息已经退化
return agent_chair.decide(...) # 电话游戏完成
Browser Use 的教训印证了这一点。他们最初的 agent 有数千行抽象层——"They worked - until we tried to change anything. Every experiment fought the framework."
重构后的核心认知："Agent frameworks fail not because models are weak, but because their action spaces are incomplete." 不要预定义 actions，而是给模型最大自由度，然后 restrict。
https://x.com/gregpr07/status/2012052139384979773
https://x.com/gregpr07/status/2012052139384979773
Anthropic 的定义："Context engineering 是精心选择在每一步放入 context window 的信息的艺术和科学。"
https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents