NVIDIA Developer Blog 在 2026 年 5 月 21 日發布一篇多代理系統案例，主題是金融 signal discovery。這篇文章的價值不只在量化金融，而是展示一種更成熟的 agent workflow：把假設生成、程式撰寫、回測評估和迭代修正拆給不同代理協作。
傳統量化研究需要研究員手動提出假設、寫 code、做 backtest，再根據結果調整。NVIDIA 指出，這個流程長期依賴人手，而且會在 data scientist、developer 和 analyst 之間來回移動。多代理系統的目標，是把其中部分循環自動化，縮短從想法到測試結果的時間。
文章示範的架構使用 NVIDIA Nemotron open models 和 NeMo Agent Toolkit。系統由三個專門代理組成：Signal agent 負責從市場資料中提出可能的 alpha signals；Code agent 把 signal 描述轉成可執行 Python code；Evaluation agent 執行回測、做邏輯評估，並把結果回饋給系統作下一輪修正。
這個設計最值得留意的是「連續循環」。NeMo Agent Toolkit 管理代理之間的 handoff，保留 signal definitions、backtest results 等上下文，讓系統可以在 creation、execution 和 refinement 之間持續運行。這比單一代理一次性回答更接近真實工作流程。
NVIDIA 亦強調結構化工具箱的重要性。Signal generator 不是自由幻想公式，而是使用一組預先定義的 mathematical operators，包括算術、rank、time series、momentum、delta 等不同類型。這種做法能限制模型只在可解釋、可執行的材料內組合訊號，減少產生無效或不合邏輯輸出的機會。
對金融以外的企業工作亦有啟示。很多 workflow 都可以拆成「提出方案、轉成可執行步驟、測試結果、再改進」：例如營銷內容測試、銷售名單排序、客戶支援分類、報價規則、庫存補貨和營運報表。真正有用的 agent 系統，通常不是一個大模型包辦所有事，而是多個角色清楚的代理，加上明確資料、工具和評估迴路。
這篇 NVIDIA 文章說明 agentic AI 的下一步，不只是讓 AI 回答或寫 code，而是把 AI 放進可測試、可優化、可審計的工作循環。當每一輪結果都能被評估並反饋，agent 才有機會由「幫手做一次」變成「持續改善流程」的基礎設施。
