前两天刷GitHub看到一个项目——ATLAS。核心理念一行字：提示词即权重，夏普比率为损失函数，不需要GPU。
一开始我觉得这不就是个噱头？仔细看完代码和文档后，想法变了。
先说它做了什么
General Intelligence Capital搞了一套AI交易系统。但玩法跟平常见到的不太一样：他们没训练模型，而是让25个AI代理每天讨论市场，然后根据实际盈亏情况改写这些代理的提示词。
打个比方：传统做法是数据喂进去，训练，更新权重，模型变强。ATLAS的玩法是——代理表现不好？那就改它的"思考方式"，改完跑几天看效果，好了就留着，不行就回滚。
这有点像带新人。你不会重新训练他的大脑，而是教他新的分析方法。有效就继续用，没效就换一套。
架构设计有点东西
ATLAS搞了四层代理，分工很明确：
宏观层10个人盯大局：央行、地缘政治、中国、美元、收益率曲线这些。每天早上给出市场环境的基调判断。
行业层7个人分赛道：半导体、能源、生物医药、消费、工业、金融。还有一个专门做关联分析的，类似Bloomberg那种关系映射。
超级投资者层4个人代表不同风格——Druckenmiller搞宏观动量，Aschenbrenner盯AI算力，Baker押深科技，Ackman找优质复利公司。这设计挺有意思，等于把不同流派的大佬请到一个群里。
决策层4个人收尾：CRO专门唱反调挑刺，Alpha发现找冷门机会，执行层转信号为交易，最后CIO综合拍板。
这25个代理每天会"吵架"，CIO做最终决定。不是让一个AI硬想，而是模拟投资委员会的决策流程。
真正有意思的是进化机制
ATLAS的核心是这套达尔文式的提示词优化。
系统追踪每个代理的滚动夏普比率。表现最差的那个，会被改提示词——可能是加一个新的考量维度，可能是换一种分析框架。
改完跑5个交易日。表现好了就commit，不好就reset回滚。
这不是瞎改，是用git管理版本。每次修改都是一个commit，失败就reset。这设计很工程化，也很有画面感。
还有个"达尔文权重"：每个代理权重在0.3到2.5之间。每天表现好的前25%权重+5%，差的-5%。时间久了，废物的声音会越来越小。
数据不会骗人
这套系统跑了18个月，结果：
54次提示词修改尝试，16次存活，37次回滚。存活率30%。
部署阶段173天，收益22%。最佳单票AVGO从152拿到涨128%。
70%的失败率看起来高？但市场本来就是不确定的。关键是系统知道自己会犯错，所以设计了回滚机制。
几个让我意外的点
代理能自己生。 系统会检测知识空白，然后创建新的专家代理。6个月里自己冒出来9个，3个被淘汰，6个活下来了。25个变31个，全程自动。
PRISM训练法。 不同市场环境下的代理独立进化。牛市的代理、熊市的代理、震荡市的代理，同样的起点，进化出完全不同的策略。像生物在隔离岛屿上分化。
成本低得离谱。 Azure虚拟机20刀一个月，完整18个月回测才花了50-80刀。主力模型是Claude Sonnet。不需要GPU，不需要训练，就是调API迭代提示词。
开源和闭源的边界
开源的是框架、方法论、架构设计、示例提示词。
闭源的是训练完的实际提示词——这才是真正的"模型权重"，是他们的核心资产。CIO的决策规则、实盘持仓、达尔文权重数据都没公开。
这个分寸拿捏得挺对。方法论可以共享，吃饭的家伙得留着。
写在后面
ATLAS已经在跑实盘了。真金白银在验证这套方法论。
最打动我的是它的工程思路：不是一味追求更复杂的模型，而是回归到"怎么让系统真正有效"这个问题上。git管理策略迭代、达尔文权重淘汰废物、回滚机制承认错误——这些都是很朴素的工程实践，但放在一起就形成了独特的系统。
把提示词当权重优化，这个视角的转换，可能比堆算力有意义得多。
代码结构很清晰，感兴趣的可以跑跑看。
