原創(chuàng)內(nèi)容第680篇，專(zhuān)注量化投資、個(gè)人成長(zhǎng)與財(cái)富自由。

用戶判斷星球會(huì)員后，會(huì)獲得10個(gè)積分：

當(dāng)其他用戶發(fā)布策略，設(shè)置為下載需要積分時(shí)：

下載策略會(huì)扣除相應(yīng)的積分，扣除的積分屬于策略所有者。

策略運(yùn)行結(jié)果支持把名稱顯示出來(lái)：

策略列表支持顯示作者名稱：

支持按類(lèi)型篩選ETF：

后續(xù)會(huì)持續(xù)補(bǔ)充因子、規(guī)則和策略。

也支持大家低代碼開(kāi)發(fā)與發(fā)布策略，特別合適沒(méi)有代碼基礎(chǔ)，或者不想安裝python環(huán)境的同學(xué)們使用。

大模型相關(guān)

第一性原理，看大模型周邊框架。

兩個(gè)比較大的框架：langchain和llamaindex。

且對(duì)國(guó)內(nèi)生態(tài)不友好。

最關(guān)鍵的問(wèn)題是，它們到底做了什么呢？封裝了不少東西，新手看得云里霧里，還以為是LLM就應(yīng)該這么復(fù)雜呢。

其實(shí)，大模型api，尤其是openai兼容的api，本身調(diào)用是非常簡(jiǎn)潔且易用理解的，但被包裝一層就更顯復(fù)雜。

封裝如果有用，或者帶來(lái)很多便利當(dāng)然好。

但事實(shí)上沒(méi)有，大模型周邊，有幾件事：

1、所謂“記憶”，就是query的歷史。需要的話，每一次帶上就好了。然后是什么？

2、RAG，也就是第三方庫(kù)查詢一些片段，帶到你的query里作為背景信息。

3、調(diào)用函數(shù)。全天候風(fēng)險(xiǎn)平價(jià)策略下載 | Quantlab AI v0.2：OpenAI的Swarm適配國(guó)內(nèi)大模型（附python代碼下載）swarm這種輕量的封裝是有價(jià)值的，代碼量也很小。

多智能體協(xié)作，目前還是概念，智能體之間協(xié)作，主要還是靠人工拆解來(lái)完成。

主要還是與大模型的交互上，也就是prompts。而prompts本身，也取決于大模型自身的能力。就是模型本身厲害的話，你怎么寫(xiě)也響應(yīng)得還可以，如果本身模型不夠，你如何tuning你的prompts也是沒(méi)有用的。

大模型厲害的地方，在于，它能直接接受你的自然語(yǔ)言問(wèn)答，意圖識(shí)別與多輪對(duì)話，這在傳統(tǒng)nlp領(lǐng)域里很難的命題。

進(jìn)攻是最好的防守。

與其無(wú)端地?fù)?dān)心這或那，這種事情是應(yīng)接不暇的。

“順其自然，為所當(dāng)為”是基礎(chǔ)原則。

在堅(jiān)持和等待中積蓄力量。

讀劉邦和故事，與朱元璋竟然有很大的相似。

好在咱們這個(gè)時(shí)代，人生是曠野而不是軌道。

不必一條道走到黑。

作者：AI量化實(shí)驗(yàn)室（專(zhuān)注量化投資、個(gè)人成長(zhǎng)與財(cái)富自由）