当 AI 已经能快速阅读、总结、建模、写报告、甚至生成交易建议之后，真正的 AI 买方系统能力差距将在更靠后的位置加速拉开，概率判断、仓位边界、风险约束、决策记忆和净值归因后进化，这些才是专属买方机构的独家优势。

去年下半年以来，AI trading agent、OpenBB、Claude CIO、Vibe-Trading 这类高 star 开源项目开始频繁出现在各种金融科技圈子里。Anthropic 在 5 月发布金融服务 agents 和十款即用型代理模板，让我们直观看到，AI 已经可以被嵌入投研、合规、客户服务、交易辅助等金融工作流。

事实上今年以来，越来越多的机构开始将 AI 能力嵌入进投研交易流程的各个环节，真实金融机构已经开始把 AI 放进生产日常。Walleye Capital CEO/CIO 在参与播客节目“AI & I”的时候提到，Walleye 这家管理着 100 亿美元资产的对冲基金，使用人工智能已成为强制性要求，400 位员工每天都在使用 Claude Code，这个证据说明 AI 已经不再是少数人的玩具，而是在金融机构工作流里加速普及。

我们曾以为，只要让 AI 学会分析市场，投资问题就解决了一半。今天，这件事的门槛正在快速降低。OpenClaw 这类 runtime 让构建一个自动化的 agent 变得容易，各种数据源接入也日渐标准化。配齐各种 skill 之后 agent 能解读公告、拆解研报、抓取新闻、调用行情量价数据、生成分析总结甚至初步交易建议，看起来已经很像一个能干活的研究助手。会写报告、会下单这些基础能力现在已经存在而且不再稀缺。

对于投资生产环境的机构来说，这一切做了一个很好的开局，但仅是一个开始。接下来触及到的真正买方问题才是 AI 进入真实生产环境的准入门槛：AI 能不能从研究助手走向决策系统，有能力完成指向 PnL 的决策。

但是目前市场上有一个很大的误会：Agent 看起来已经很聪明、安装上各种 skill 之后功能又很齐全，为什么进入实际的投资生产环境还是有点不太好用？

只能说，指望安装部署后原地就做到指哪打哪，想法很美好。

AI-native invest 的正解事实上是持续记录判断、修正假设、追踪利润传导和仓位变化。

模拟一个年轻研究员晋升基金经理后，会怎么重新要求 AI 系统，投资场景下的 AI 也需要一套决策 Harness，研究员时期解决的是哪些方向值得关注，而基金经理更关注在什么位置用多少仓位承担多少波动。

研究员时期，一个人的核心任务是发现线索、覆盖标的、跟踪变化、建立假设。他要知道哪些公司值得看，哪些产业链正在变化，哪些数据开始转向，哪些事件可能成为催化。

这是非常重要的能力。很多基金经理真正的底层功夫，也是在 senior analyst 阶段长期磨出来的。

正是在这样长期覆盖和跟踪里，逐渐建立出一种近似自我进化的能力：他知道一家公司过去怎么兑现，市场在某个阶段何种叙事代表了什么，管理层什么时候爱讲故事，产业链利润怎么分配，估值在不同周期里怎么收缩和扩张，市场在什么阶段愿意给它定价。

投研基本功，没办法跳过，而 AI-native 投资系统的起点，也不应该跳过这一层。它需要通过帮助研究员完成更高密度的覆盖、跟踪和假设更新来建立基本的框架和数据。

只不过，仅到这一步还不够。

分析只能回答我怎么看，但没办法解决我接下来基于当前的各种约束接下来怎么通过一套连续的动作实现利益最大化，也就是怎么赢。前者偏向解释世界，后者指向改变账户结果所需要的一系列动作，进入概率、赔率、仓位、风险和时间的复合约束里，接受市场连续反馈保留下值得沉淀的经验，并对失败不断纠偏。

正是因为真实投资里每一个判断都不是孤立存在，而是基于资金规模、回撤容忍度、持仓结构、流动性、市场情绪和对手盘行为共同挤压下形成的动态选择。

因此同样一句看多，在不同账户里可能对应完全不同的动作。

每个人手里的初始牌都不同，AI 的增强可以用在把烂牌打好，把好牌打到极致，也可以用来避免在一手看似漂亮的好牌上中途折戟。这才是买方系统的真实难度：它不是在真空里寻找最优答案，而是在不完整信息、不稳定情绪、不确定赔率和有限资本之间，持续寻找相对更优的行动路径。

买方系统真正的后半场，从信息到 PnL，中间隔着一条很长的链路：

信息 → 假设 → 证据 → 动作 → 仓位 → 结果 → 记忆。

前三步市场不缺，但只有把后四步纳入系统才算是真正的 AI-Native 主动管理。

Lunartulip 要做的，是把这条链路系统化，让 AI-native 主动管理更靠近净值曲线。