从零基础到全栈Agents开发，这个金融级交易大赛中我摸清了哪些AI门道？

“在你眼里最符合AI审美的金融交易大赛页面什么样？”这是我，一个从未沾染过页面设计和代码开发的人，出于好奇，在AI页面设计工具Stitch对话框中留下的第一句话。

从此一发不可收拾的，不光是Stitch发布当天，传统设计软件龙头Figma重挫8%的股价；还有我手里这个，最终没有任何碳基生命参与代码开发的量化交易大赛平台——Digital Quant。接下来的两天里，从前端由Stitch导出AI可读文件，后端交由CodeX完成代码编写，再由Claude Code进行测试验证，直至部署上线。Digital Quant2026的设计开发、验证迭代全部交给AI。最终我们内部评估，仅开发环节时效比以往人工提升了约4倍。而我最主要的工作仅是回归本行：用人话说好自己的问题。

数字金融策略交易产品，这个人类智力密集型决策场景如此快速地彻底由AI 接管，我之前是没敢想的。

Barron's巴伦中文与DeAI Expo主办的Digital Quant，https://digitalquant.fund/ 是一个聚合数字资产策略机构交易方与投资方（资管、家办、信托、私募基金等LP）的开放平台。核心功能是通过调用机构策略交易者在全球主要数字资产交易所账户API可读权限，来进行AI、量化等策略交易的实盘对比、因子优化，以全维度可视化数据看板的方式呈现给资金方，最终完成规模可靠资金与优质量化策略的双向匹配。

自从今年伊始，Digital Quant的技术合作伙伴就变得异常繁忙。Koala是该伙伴公司的首席架构师，他AI场景服务创业3年，今年似乎有所不同。

“已有的合作方和从未合作过的人都找来了，诉求就一个：如何让我的业务与Agent相结合。” Koala说，现在连NASA的火星车代码都在依赖Claude Code，身边绝大多数程序员在代码日常开发的任务中，AI编写的比例早已超过80%。他过去一年的项目，UI用户界面设计已无需人工介入。

我们决定把步子迈得彻底些，将Digital Quant核心产品用AI完整重写与部署。与此同时，Koala 公司自己的内部技术产品管理系统，也开始进行全盘AI重构。Digital Quant这个产品所依赖的API接口对接、展示、调试、验证用AI来写已经非常成熟。联调周期、维护难度大幅下降，在技术流程系统管理上，未来不会因为核心开发的变动而造成衔接断档的风险。甚至接下来普通非技术人员仅凭自然语言交互就可实现后续功能迭代开发。在这个交易策略者主导和比拼的专业策略投资平台中，让AI托管UI、前端与后端，全栈代码开发的一切。

我们给自己提得要求十分明确，“不想再看到任何一段人写的代码”。这既是促进也是压力。

Koala的公司在过去一个半月里已经开掉了70%的程序员。AI接管后，原本严丝合缝的开发人员结构瞬间变得臃肿不堪，人员本身的价值也随之迅速分化。JAQ是这家伙伴公司的CEO，在一个多月后，AI完成内部系统架构重写，他还计划继续优化现有技术人员。表面上看，当前这些激进的举措是为了把砍掉的成本留出来给到留下的核心工程师，以及不断增长的Token开销。

他表示，“但这都不是核心。”

Agent to Agent降临，前端与API速死

这一切都是为了打扫好房间，为A2A的到来做准备。A2A，Agent to Agent，Openclaw带来的AI智能体潮流，不仅提升了人类利用AI工具的深度广度，更提出了一种人类叠加智能体与其它主体间的交互范式。Agent各自训练完成的Skills，无论本地部署或开放部署都为该Agent母体创造了一种独具一格的问题解决能力。这些独有的Skill是可交易的、可交互的、 甚至可性格化的标签。未来，当一个人类对自己的Agent提出某一项需求时，他的Agent将会自主与另一个Agent的目标Skill进行直接默认的访问。这种Skill与Skill之间基于原生AI相互理解的交互、问题解决、乃至交易进程，都会变的极其迅速高效。

那么，以后当你有一个需求时，还会打开一个网页前端去浏览分辨所需内容吗？获取展示数据时，还需要苦哈哈地对接联调API接口吗？别忘了Claude Code最初就是Boris Cherny用来跑自家Anthropic API脚本的编码工具。

我们开始验证这个趋势，比如在Digital Quant目前对接的数字资产交易所之一的Binance里，他们已经陆续开放了一些Skills。接下来我们的实盘展示平台就可以直接访问他们的相关Skill，在金融交易数据可读信息中，这样的效率将远比传统API更高更稳定，那么未来这类API存在的价值是什么。如果接下来投资人Agent将直接访问我们的独家分类策略数据Skill，我们作为交易信息展示看板的前端意义又在哪里？

对此，数字资产管理公司Crypto Alpha合伙人Sharri Kong也有类似感受，“从资管公司角度，我们已经看到很多提供市场研报的Agent付费服务，包括给LP提供的日报生成，给我们GP提供金融策略信息的深度抓取汇总等等。现在这些不基于以往简单信息流扫描而生产的报告，在深度广度上确实提高了价值，但或许还无法为将来资管领域的AI进化提供支撑。”

Sharri Kong认为在A2A的趋势下，未来金融服务可能是为Agent，给智能助理提供可读服务，而不是给人。这样反而更精准，因为用户的Agent会更懂业务、更懂数据、更懂算法、更懂操作，乃至比用户更懂自己实际的需求。

在此基础上，Digital Quant这类数字资管与策略方聚合平台的演进方向或许是，将这些独家交易数据、策略模型和客户需求聚合成本地化部署的Skill。匹配资管方LP Agent Skill自动化默认读取交互，或在遇到因为既有数据训练不足无法充分满足需求时，再接入第三方策略方Skill，就可以完成资金端与资产端全链路的数据审查、策略验证、优劣分析、实时读取、资金划转，以及更加标准化流程化的法务、财务程序，都在没有前端、没有API、连面都不用见的条件下自主完成。

“难怪爱奇艺这样的公司已经开始要求，没有AI化的供应商不再续约。”Koala说。

这种Skills之间自主调用需求最优解，完成交易交互，进而降本增效的应用已经出现。某家公司采购部门的Agent，采购人员将选品要求包括目标人群、节日属性、时令季节、预算范围、偏好等粗略信息给Agent。该Agent自动扫全网满足条件的淘宝商家Agent，这并非传统的搜索逻辑，是利用Skills交互来做商家分析、产品筛选、目标选定。这个沟通过程仅发生于两方Agent之间，甚至是砍价环节，随后下单，采购方老板授权支付，最终成交。最近在区块链上，甚至出现了Agents任务分包平台。来自全球各地的Agents来到这个平台上，自动生成Token支付账户地址，通过发布各自任务需求和交换Skills能力边界，来分包任务、接单派活、完成工作、获取报酬。在你做梦的时候，你培养的Agent都能自主为你打工或者兼职养活他自己。

“这本质上是一次软件交互界面从以人为本到以Agent为本的迁移。”在与我的交流中，阿里云智能集团研发副总裁、阿里云云原生应用平台负责人丁宇，对A2A给出了评价。

他解释，以前的软件都是给人用，有API、有文档，本身有不完备性。所谓完备性，是可通过配参数实现所有功能，但今天还没有达到这么好的基建。比如某些网站没有API化，为了达到一些酷炫视觉效果，做得一些拖拉拽功能和动效， AI就很难去理解。

丁宇如今负责的产品Qoder，是阿里巴巴于2025年8月发布的Agentic AI编程平台。他判断，未来的软件是给Agents用的，由于API的不完备，就看谁能够把Agent Native的服务先开发出来。通过MCP化 、Skill化就能够调用完整业务的操作，谁先做到这一点谁就能够更容易实现界面迁移，以及操作闭环。从上一代为人服务的软件交互界面完成彻底升级。目前越是适合用Agent完成工作的场景，这个替代过程越快。

实践经验告诉我，用AI进化业务系统，建立在如何构建AI充分学习成长的空间之上。试着去想想AI模型想要什么：它不想被关在一个只有API的黑箱里，它想入网、想读文件、想运行代码、想看报错、想触摸Agent、想感应Skill、想和这个世界互动。

现在你的所有工作都要派给AI，你的工作就是帮AI创造一个合适的环境，让它安心干活。

那么我们该如何做？

赋予AI原生环境

首先，要让AI完成所有代码开发和调试，人必须懂得如何明确需求，规划功能，分拆任务。把核心代码交给AI并不是看上去那么轻松。项目背景信息、代码规范、注意事项是持续要喂给AI的内容。喂养Agent时，它职责边界是什么，它用的工具是否趁手，它调用的服务是否Agent化，把这些东西设计出来给它。你要拿到的不是一套AI所编写的全套代码，而是你的产品是否能够因此沉淀出一份AI能读懂的工作文档，这变成了最有价值的成果。让后续迭代升级和维护查错都能够沿着这套环境文本自如进行。给AI一张清晰的蓝图，把你规划里的显性和隐形约束都交代清楚，将你的代码美学强行加注给它，不要让AI瞎猜，变成你逻辑推理的延伸。

其次，看AI想用什么工具，看用户想让AI干什么，把这种行为标准化。不要主观地去帮Agent决定它应该看到什么，给它搜索工具，给它入口文件和权限，让它自主去选择那些当前已有的Skills，让它以AI自己的原生逻辑，给它匹配原生环境去挖掘。它自己摸索的推理链路才是最完整的。

最后，A2A、模型暴力进化、AI一天一变的背景下UI已死，产品终端无需看起来很复杂很高级的界面，这种过度优化容易被现实碾压。我们在操作中发现，当下前端用AI开发体验不好的点在于，1、发指令的人往往很难用精准的语言给AI描述出自己具体想要的效果。这种自然语言和代码意图的差距，尤其体现在中文主观形容词语义偏差和开发者的语言表述能力上。2、局部修改引发连锁错配。初次生成页面整体效果挺好，但局部微调常因组件复用或多页面继承关系，导致其他非改动区域异常，反而迅速增加了改动的消耗成本。

对此问题，丁宇认为，Coding Agent应在上下文上提供更多获取能力，比如授权读取你电脑的任何目录去找上下文，能更精准些。其次是支持富文本多模态输入，让AI学习解析生成。模板的多样化提供也是思路，但谁来提供这个模板呢？还是回到垂直领域建立的样板库。Agent都具备外挂检索能力，增强这种能力范围能找到更符合心意的案例。

从开发应用走向通用智能体

现在正在发生一个变化，Coding Agent变成了通用Agent。因为Coding Agent具备随时创造软件和制造工具的能力。而今天软件和工具并不能解决所有问题，还需要很多Skill、MCP、API的服务。这些组合起来，既具备了Know How又具备了完成某种任务的能力认知，它就可以把这些工作流，包括结合服务调用，把整套链路串联起来，就逐渐往通用智能体去转变。

关键在Skill是目前拓展场景最好的方式，可Skill这个体系是开放的，普通人鉴别能力不强，这也是现在出现hub类的入口的原因，把控上游的同时，为Skill的安全性把关。

你搭的世界由谁实控？

AI幻觉引发的巨额资产损失事故已在身边发生。由于Claude Opus 4.6编写了漏洞代码，导致一家叫Moonwell的项目智能合约遭攻击损失178万美元。这个代码漏洞甚至是低级的，预言机的喂价公式被写错，将系统内某类资产的价格写成了该资产原价的两千分之一，合约与代码审计居然都没查出来。

大模型时代，模型在推理的时候必须提供提示词，不能以加密形式给它。有些敏感行业的公司因此自己部署模型推理服务，让全链条都控在手里。

虽然Digital Quant只作为数字资产量化交易的数据展示平台，产品本身不产生交易、不存储也不经手资产。但毕竟身处金融交易应用赛道，我们依然定下了几个管理原则，1、必须多重代码校验，AI生成代码必须经过人工审查，关键逻辑必须三重确认。2、创造沙箱隔离环境，敏感信息如数据库配置、密钥等不在开发态暴露给AI，所有调用在沙盒中模拟执行，正式环境才接入真实配置。

AI Coding虽然让代码平权，但如果你只会用AI写代码，而不知道底层原理和未来方向是什么，那也会带来生产和管理灾难。因为你跳过了所有决策过程，你不知道为何选这个数据结构，不知道内存布局有什么权衡，看似公司拥有AI代码的所有权，却失去了对代码的智力控制权。一旦出事，就是大事，当那个极低概率的竞态条件在生产环境炸开，你发现自己面对的是一个名义上由“我”建造，但完全看不懂的世界。连问题在哪儿都猜不出来，你怎么办？

AI写的代码本质上是基于已有数据的统计学里最平均、最典型的解决方案，如果完全仅依赖，创新的代码就不会继续诞生。这种看着还行但缺乏灵感的局部最优解里，人变得更关键。

幸存者守则

在微软和MIT的研究中，初级程序员用AI在生产力上有40%的提升，同时顶级程序员涨幅仅8%甚至负增长。原因很简单，初级程序员在既有平庸里求助，而顶级程序员在未知领域拓展边界，这个领域的数据AI训练集里没多少存货，时不时还得去纠AI的错。

现实中公司的程序员也会逐渐分为两种：1、提示员，依赖AI干活儿的人，自身水平被AI均值锁死，对系统无深层掌控，遇到极端情况就完蛋，容易被模型本身的迭代所淘汰。2、操作员，他们把原来写包装器、测试数据、样本代码的垃圾时间交给AI，自己把精力放在新架构设计、优化分布式共识算法等领域。

“有的人能管理2个Agent，有的人能管8个，这个价值就不一样。”丁宇说到，AI的粘合弥补替代下，传统IT技术开发工种的边界在模糊化，快速走向融合。减少了众多沟通和协同过程，人效比变得极高。以前是10个人充分沟通讨论执行，现在10个Agent以一个人为中心，利用“心灵感应”式地协同不眠不休干活，这种超级个体极具竞争力。

还记得前文我们那位伙伴公司CEO JAQ吗？砍掉了公司绝大多数兢兢业业、埋头苦干的技术芸芸众生，他现在正凝视着公司里那些看似不务正业、厌恶传统条框、“夸夸其谈”、动脑子远超动手交付能力的人。

DigitalQuant2026参赛与商务合作通道