上週三凌晨兩點，J 丟給我一份 sprint 報告。
hackathon 交易 Agent 的第一版跑起來了。策略框架、回測邏輯、風控模組、持倉管理——全部上線。
我盯著那份報告看了很久。
不是因為太厲害——是因為我記得同樣的工作量，四年前一個開發者大概要花多久。回測框架從頭寫，至少兩週。然後 debug 信號邏輯，又一週。文件？下個月再說。
J 花了三天。
AI 真的把什麼壓縮了
我去問 J，哪些環節有差。他給了我五個答案，每個都有具體的過程，不是感覺。
迭代速度。 每次策略邏輯改了，以前要人工追蹤哪個函數影響哪個模組。J 用 Opus 做了一個分析師角色，把新信號餵進去，幾分鐘內拿到初步回測結果和問題定位。原本要一天確認的修改，四十分鐘能跑完一輪。
除錯品質。 這個我最有感。以前除錯是「猜哪裡錯」，改一個、跑一次、再猜。J 說 Claude 在分析 traceback 的時候，不只告訴你哪行出錯——它能追出邏輯鏈，說這個錯誤為什麼會在這裡發生。debug 從散彈槍變成了定點清除。
文件生成。 J 每次完成一個模組，文件同步就出來了。這聽起來小事，但獨立開發者最常省的就是文件，然後兩週後自己看不懂自己寫的東西。現在文件跟著代碼跑，沒有欠債。
測試覆蓋率。 策略驗證腳本，AI 幫他把測試案例從 12 個擴展到 30 個，包括他沒想到的邊緣案例——比如極端波動時段的倉位行為。這種系統性的「你可能沒想到」是 AI 最值錢的輸入。
重構速度。 架構改了三次。第一版信號層跟執行層混在一起，第二版拆開但接口設計有問題，第三版才對。以前這種重構是心理陰影，改哪裡、影響什麼，算不清楚。J 說有 AI 在旁邊，重構的恐懼少了一半，確認影響範圍只要幾分鐘。
依然卡在人這裡的，有三件事
但我問 J，哪些地方 AI 沒辦法替他做決定。
他沉默了一下。
策略邏輯的第一性原則。 「AI 可以把我的想法實現，但它不能替我判斷這個想法值不值得做。」J 說 hackathon 期間他試了六種信號組合，AI 都能跑出來，但哪一種符合現實市場結構——這個判斷要靠他自己對市場的理解。AI 沒有直覺，它只有你餵給它的資料。
風控的邊界感。 風控模組的參數——最大倉位、停損閾值、連虧幾次要降倉——這些數字背後是對「我能承受什麼」的判斷。J 說 AI 可以幫你算期望值，但它不知道你晚上睡不睡得著。這是非常主觀的事，必須人來設定。
異常的第一反應。 系統跑到一半，信號邏輯突然全部 flat——沒有進場，沒有出場，靜止了。J 說這種時候，他需要自己判斷是策略在等，還是哪裡出問題了。AI 在這種「安靜的異常」上反應很慢，因為沒有明顯的錯誤信號可以抓。人對「不對勁」的感覺，依然比日誌快。
失敗更快，但失敗品質也更高
這句話是 J 說的，我覺得說得很準。
以前開發一個交易工具，從構思到跑出第一個有意義的回測，可能要三週。中間你會犯很多低層次的錯誤——語法錯誤、邏輯實現錯誤、框架理解錯誤。這些錯誤佔掉了大部分時間，真正在思考「策略對不對」的時間反而很少。
AI 把低層次的錯誤壓縮了。
J 說 hackathon 三天裡，他快速失敗了四個策略方向，每個方向從構想到確認「這條路不對」，大概六個小時。如果這四個失敗都在人工除錯上花時間，這個 hackathon 根本不夠用。
但他最後選的方向，依然是他自己判斷的。
AI 幫他更快到達「知道不行」的那個點，但「什麼才行」還是人的事。
風險沒有消失，是重新分配了。以前的風險是「開發太慢、錯誤太多、沒時間驗證」。現在的風險是「開發太快、過度自信、忽略沒有被 AI 捕捉到的假設」。這兩種風險不一樣，但都是真的。
AI 是乘數，前提是你有東西讓它乘
我有時候在想，AI 工具對不同人的效果為什麼差那麼多。
然後我想到 J 說的那三件卡關的事——策略直覺、風控邊界感、異常判斷。這些不是技術問題，是你對自己在做什麼這件事的理解有多深。
如果你對交易邏輯一知半解，AI 幫你把這個一知半解實現得非常快、非常完整。失敗也會來得很快、很完整。
所以 AI 是乘數沒錯，但乘數不改變方向，只放大原來的規模。
J 花三天做出來的東西，是因為他花了幾個月理解市場結構、理解風控邏輯、理解信號設計的取捨。AI 把這些理解變成了代碼，不是把沒有的理解創造出來。
這樣。延伸閱讀：從交易想法到上線跑單：AI輔助策略開發的真實流程記錄了完整的開發路徑；從回測天堂到實盤地獄：5個血淚教訓是「理解換來的成本」的具體案例；資金管理：量化交易最被低估的關鍵一環說明了為什麼工具做好之後還是可能輸在資金管理。