桥水 PAT 投研架构

投资数据分析中的可复现与权限失控问题

在投资研究场景中，分析问题往往涉及复杂的数据处理与多步转换。如果直接让大模型生成并执行 Python 代码，不仅容易引入幻觉数据，还存在权限失控的风险：模型可能会私自调用网络、打开本地文件，甚至将研究结论直接转化为交易指令。此外，缺乏严格的 schema 和血缘校验，使得分析结果难以审计和复现。该技能基于公开的 Bridgewater PAT 演讲架构，旨在通过确定性的工程管线解决上述问题。

双 Agent 闭环与确定性执行管线

该技能将交互与执行严格分离。Chat Agent 负责澄清分析意图（如目标变量、时间范围、频率等），而 Coding Agent 仅接收编译后的单一任务，使用 Python/Pandas 实现声明好的转换。整个工作流在严格的状态机中推进（如 CLARIFYING 到 RESEARCH_READY）：

• 计划即代码规范：分析计划（analysis-plan.v1）要求详细定义 DataFrame 的粒度、主键、字段语义及校验规则，确保推理过程在代码生成前即可被审查。
• Fail-Closed 权限编译：编译器会对计划进行拓扑排序和能力摘要（Capability Digest）校验。任何未声明的字段、依赖或越权资源都会导致编译失败，绝不暴露被拒绝的资源。
• 不可篡改的验证：生成的转换代码仅能操作注入的数据，禁止访问外部网络或文件。执行后必须通过严格的 schema、频率、货币和缺失值检查，失败则触发 REPAIR_REQUIRED，绝不静默修改数据单位或频率。

适用边界与研究免责声明

这是一个独立且非官方的实现，Bridgewater 和 PAT 仅代表灵感来源，不代表任何官方背书。该技能被严格限制在研究范围内：

• 拒绝交易：绝不构建投资组合、生成订单、访问经纪商接口或输出任何交易指令，最终交付物强制声明 research_only: true。
• AI 风险提示：需保留 Bridgewater AI 风险披露中的注意事项，即 AI 输出可能存在实质性错误或漏洞。
• 人工审查：在处理反馈和回归测试时，技能仅生成 PR 提案，绝不自动合并或修改生产系统。