量化交易对AI“并不陌生”。机器学习用于因子挖掘、深度学习用于非线性特征提取，这些实践已持续多年。但“量化Agent”所指向的变化，在性质上与“用某个模型做预测”不同。传统AI工具在量化研究中的角色是被动的分析引擎：研究者定义特征、设定目标、选择模型，工具在给定框架内完成计算。
Agent则被设计为目标驱动的自主研究单元：它接收一个高层目标——例如在控制换手和交易成本的前提下改善风险调整后收益——然后自行提出假设、生成候选因子、编写代码、执行回测，并根据反馈调整下一轮方向。这种转变的实质，是把量化研究中原本由人承担的“研究循环”部分地交给系统来执行。
一、Agent在量化研究中实际能做什么
当前量化Agent展现出的能力集中在几个可验证的环节。研究广度的扩展是最直接的一项。传统因子研发受限于研究员的时间和经验，假设生成、编码、回测、分析构成一条较长的链条；Agent可以并行探索大量方向，将研究者从重复性的实验操作中释放出来。
有公开的研究框架将量化流程拆分为研究阶段和开发阶段：前者动态设定目标、基于领域先验提出假设并映射为具体任务，后者由代码生成组件实现代码并在真实市场数据上回测，两者通过反馈环节连接，并引入自适应调度机制来选择后续探索方向。
其实验结果显示，在因子数量减少约70%的条件下，年化收益可达经典因子库的约2倍，并在真实市场上优于若干深度时序模型。
迭代效率的提升是另一项可见的能力。有研究框架将每一次完整的因子挖掘运行视为一条“轨迹”，通过轨迹层面的变异和交叉来复用有效的探索路径，并在生成过程中约束因子表达式的复杂度和冗余度以缓解拥挤。
但这些结果需要与另一组观察放在一起理解。有公开的实证测试显示，在单次运行30轮的设置下，新增因子后IC和RankIC多数高于基准，但年化收益、信息比率和最大回撤的波动仍然较大，仅少数轮次真正更新了最优结果；汇总多个独立运行后得到的上百个可用因子中，仍存在信息相近的因子簇，跨运行的去重机制有待改进。其结论是：增加迭代轮数并不必然带来组合表现的持续改善，AI Agent现阶段更适合用于拓宽研究广度和提高实验效率，候选因子的最终入库仍需研究员把关。
二、“不懂Agent能行吗”：需要分层的回答
这个问题需要区分“懂”的含义，因为不同层次的门槛并不相同。
如果“懂”指的是理解Agent在量化研究链条中扮演什么角色、能产出什么、不能产出什么，那么这种程度的认知正在变得具有实际必要性。当越来越多的研究流程引入自动化环节，一个对Agent工作机制缺乏基本理解的从业者，将难以判断系统输出中哪些是值得跟进的方向、哪些是搜索空间本身带来的统计噪声。这不是要求每个人都去搭建多智能体系统，而是要求对“自动化研究的生产方式”有基本的判断力。
如果“懂”指的是亲手构建和调优Agent框架，那么对多数参与者而言并非前置条件。量化研究的分工本来就是多层次的。更值得关注的是角色重心的迁移方向：AI对量化投研的渗透正在将研究员的工作从“体力化研究”推向“认知化研究和系统化治理”，人更像是研究系统的设计者、输出的评审者和投资逻辑的最终把关者。Agent可以在较短时间内生成大量候选因子，但它不承担“这个因子为什么应该有效”的解释责任，也不对样本外失效的后果负责。当自动化把研究吞吐量推高之后，筛选和判断的负担反而向人集中。
因此，量化进入Agent阶段，并没有取消人的专业性，而是把专业性的重心从“生产候选”向“定义目标”和“审阅候选”迁移。在这个意义上，“不懂Agent”的风险，主要不在于不会使用某个工具，而在于不理解自动化研究已经改变了质量控制的分布方式。理解这一迁移的方向，比争论“要不要懂Agent”更有助于在工具快速演化的环境中保持判断力。