用 Agent Skills 构建可审计的交易研究系统
用 Agent Skills 构建可审计的交易研究系统：ORACLE_BREAKER 的一次实践
本文记录了我在构建 ORACLE_BREAKER 过程中，如何引入 Agent Skills 概念，将“想法 / 策略 / 叙事”转化为可审计、可组合、可否决的研究组件，而不是让 AI 直接给出“结论”或“交易建议”。
一、为什么我开始关注 Agent Skills？
在使用 LLM 辅助研究预测市场（如 Polymarket）的过程中，我遇到一个反复出现的问题：
AI 很容易给我“看起来合理”的答案，但很难给我“结构上可靠”的系统。
在早期的尝试中，我发现：
- 策略与观点的混淆：一个 Agent 提出的“策略”往往只是一个模糊的观点，缺乏严谨的入场/出场逻辑。
- 因果倒置的幻觉：自动化脚本在分析历史数据时，往往是在“事后解释结果”，而非“发现前瞻信号”。
- 能力的交叉污染：当一个 Agent 既负责搜集信息又负责决策时，它往往会为了证明自己的决策正确而选择性地搜集信息。
这时我意识到：问题不在于模型聪不聪明，而在于“能力的边界是否被明确约束”。
二、什么是 Agent Skills？
Agent Skills 并不是“更聪明的 Prompt”，而是一种 能力模块化（Capability Modularization） 的工程思想。
与其让一个 Agent 成为无所不能的“黑盒”，不如将其拆解为一系列受控的技能模块。一个合格的 Agent Skill 应当具备以下特征：
- 职责单一化：每个 Skill 只解决一个具体问题（如：解析链上数据、验证逻辑自洽性）。
- 强类型边界：明确的输入（Input Schema）和输出（Output Schema），确保模块间的可组合性。
- 可审计性：Skill 的执行过程必须透明，每一步推理都应有据可查。
- 可否决性：Skill 拥有“拒绝执行”的权力。如果输入不符合标准，它应该报错而非强行输出。
三、行业参考：官方与社区的定义
在设计 ORACLE_BREAKER 的过程中，我深度参考了以下资源：
- Anthropic 官方工程实践：Equipping agents for the real world with agent skills。他们强调了将工具调用（Tool Use）转化为结构化技能的重要性。
- Agent Skills 平台：提供了一套标准化的 Agent 能力定义框架。
- SkillsMP (Skills Management Protocol)：一个旨在让不同 Agent 框架间共享技能的协议。
四、ORACLE_BREAKER 中的 Skill 设计哲学
在交易研究系统中，引入 Skills 的核心目的不是为了“自动交易”，而是为了降低研究噪声。
我为系统设定了一个核心原则：
Skill 永远不负责“赚钱”，只负责“判断当前研究路径是否值得继续”。
这种“防御性编程”的思想，极大地减少了 AI 因为过度自信而产生的无效研究。
五、核心 Skill 实践：Strategy Maturity Reviewer
这是我为 ORACLE_BREAKER 设计的第一个核心 Skill，它的逻辑非常简单却极其有效。
1. 它的核心任务
它只回答一个问题：“这个想法，到底算不算一个成熟的策略？”
2. 审计清单 (Audit Checklist)
该 Skill 会强制检查以下维度：
- 数据源可靠性：信号是基于实时数据还是滞后指标？
- 逻辑闭环：是否定义了明确的止损和止盈逻辑？
- 反向验证：是否存在明显的幸存者偏差？
如果上述任何一项不达标，Skill 会直接触发 Veto（否决），终止后续的计算资源浪费。
六、为什么 Skill 比“更强的模型”更重要？
随着模型能力的提升，我们面临的挑战不再是“模型不会做”，而是“模型做得太像真的”。
- 模型会越来越强：但它们依然会产生幻觉。
- 幻觉会越来越隐蔽：高级模型生成的错误逻辑往往带有极强的迷惑性。
- 结构约束是唯一的防线：通过 Agent Skills 建立的物理隔离和逻辑约束，是确保系统在极端市场环境下不失控的唯一手段。
七、结语
Agent Skills 提供的不是“智能”的上限，而是“工程”的底线。通过将 AI 的能力拆解为可审计、可组合、可拒绝的模块，我们才能构建出真正生产可用的研究系统。
本文记录的是一次工程实践，而非投资建议。市场有风险，研究需谨慎。