NVIDIA Developer Blog 在 2026 年 5 月 21 日发布一篇多代理系统案例，主题是金融 signal discovery。这篇文章的价值不只在量化金融，而是展示一种更成熟的 agent workflow：把假设生成、代码撰写、回测评估和迭代修正拆给不同代理协作。
传统量化研究需要研究员手动提出假设、写 code、做 backtest，再根据结果调整。NVIDIA 指出，这个流程长期依赖人工，而且会在 data scientist、developer 和 analyst 之间来回移动。多代理系统的目标，是把其中部分循环自动化，缩短从想法到测试结果的时间。
文章示范的架构使用 NVIDIA Nemotron open models 和 NeMo Agent Toolkit。系统由三个专门代理组成：Signal agent 负责从市场资料中提出可能的 alpha signals；Code agent 把 signal 描述转成可执行 Python code；Evaluation agent 执行回测、做逻辑评估，并把结果回馈给系统作下一轮修正。
这个设计最值得留意的是「连续循环」。NeMo Agent Toolkit 管理代理之间的 handoff，保留 signal definitions、backtest results 等上下文，让系统可以在 creation、execution 和 refinement 之间持续运行。这比单一代理一次性回答更接近真实工作流程。
NVIDIA 亦强调结构化工具箱的重要性。Signal generator 不是自由幻想公式，而是使用一组预先定义的 mathematical operators，包括算术、rank、time series、momentum、delta 等不同类型。这种做法能限制模型只在可解释、可执行的材料内组合信号，减少产生无效或不合逻辑输出的机会。
对金融以外的企业工作亦有启示。很多 workflow 都可以拆成「提出方案、转成可执行步骤、测试结果、再改进」：例如营销内容测试、销售名单排序、客户支持分类、报价规则、库存补货和营运报表。真正有用的 agent 系统，通常不是一个大模型包办所有事，而是多个角色清楚的代理，加上明确资料、工具和评估回路。
这篇 NVIDIA 文章说明 agentic AI 的下一步，不只是让 AI 回答或写 code，而是把 AI 放进可测试、可优化、可审计的工作循环。当每一轮结果都能被评估并反馈，agent 才有机会由「帮手做一次」变成「持续改善流程」的基础设施。
