使用 Codex、Claude Code 描述需求，代码被逐步编写、一版一版改下去。这类东西的本质，是给编程做出了收敛的工程路径——IDE、上下文、工具链、版本。
而金融研究还没有等到专属的一个 Harness 产品。
而金融本身非常适合 AI：量化研究天然是数据、代码和检验组成的，看起来最该被改造。它缺的，是一条更专业的路径下迭代出的垂类产品。
而我们最近在公测的 EVO，就是冲着这个空缺来的。
为什么要做 Harness，而不是又一个 AI 助手
因为投研和交易的任务，有着更明确的专业知识范围，更高的准确性要求。
从一个想法出发——数据可不可信？指标之间是真相关吗？相关性能不能推出因果？最后能不能落地成可以交易的东西？——中间每一步都可能逻辑正确但仍旧不符合实际情况。
所以关键在于如何把这里的各种问题定义清楚，而 EVO 就是这么一套 harness，围绕提出的金融研究问题延伸推进，每一步都有明确而符合金融语境的思考并持续提出优化路径。
同时界面按 IDE 设计，以便于导入你自己的 Python、Markdown 和 CSV 进行后续迭代；数据每天更新，组件和工具内置。
莫德纳 AI 加医药的新闻暴涨那天，盯着盘的人，第一反应是同一个问题：这事跟国内什么关系？跟我手上的品种什么关系？
EVO 则还会进一步推进：列出相关内容的具体源头，以便于深究真实性；把新闻的背景讲清楚；相关品种的布局与近期催化事件给出来，也包括数据的时效性、新闻到品种的传导链等等；这些具体的数据都是在金融研究中可能真实需要的，而通用 Harness 产品并不会考虑到的细节。
最我们已经把 PandaData 通过 MCP 连接器接进了 Workbubby 中。顺理成章的问题是：同一套数据能力，在通用工具里和在 EVO 里，用起来有什么差别？
这里发送同样的提示词：「帮我在沪深 300 上做一个策略」，配一张图。
通用 Harness 把这句话理解为「做沪深 300 指数」——并生成了对应的报告和回测，附带完整过程。但这里暴露的问题的是，沪深 300 指数本身需要拿 ETF 或者 300 里的个股做标的，这个知识细节在通用 Harness 是极容易被疏漏的，而这种静默的细节偏移，恰恰是最难发现且逻辑自洽的。
而同一句话，EVO 会正确的理解为：在沪深 300 这个池子里做策略。
这里就是金融领域的特殊性，细节的偏移会带来整体的失效，对于垂类 Harness 来说，在金融领域会有更加充分的考量。
做主观交易的人，大多看过形态。双底这种东西，让人看了就想买——但它历史上到底出现过多少次？成功率是多少？涨停跌停能不能买？
过去这些问题很难回答，只能自己一遍遍跑，拿时间换经验。
而现在把一张双底图发给 EVO：帮我在某个范围里做一个策略。
EVO 会先把回测结果跑出来，然后反过来询问：当前的问题是什么？接着跟你一起往下改。
垂类 Harness 会更了解金融研究的具体需求，会周全的考量并提高日常金融工作的效率。
金融研究是有这连续性的，且会不断积累更多的因子、策略等研究成果。
为此我们制作了成熟的版本体系。每一版都会进行云端保存便于随时回溯、相关的数据都可以直接对比；落实为正式版本后还会有清晰的因子与策略的引用关系，这样往下怎么走、哪一版做坏了，都有记录。
这样研究就可以稳定的积累下来，互相引用、持续迭代，因此我们会称 EVO 为个人量化工作台。
这个月我们公开了 VST 框架的相关论文，解决了让多个 AI 协作做研究的过程可追溯、可独立复核的问题，未来我们还会持续的进行研究，不断提高 AI 工具在金融领域的深度、广度，为大家提供更加坚实的金融 Infra。
再往后，可能是 AI 金融的 L3 阶段：一个能自我迭代的系统——你的每一次研究都会被积累下来，交易想法、策略、因子，一层一层往上长，越用越厚。它在我们的产品里叫「A2A 办公室」，还在持续的研发和测试中。
在 AI 编程工具出现之前，写代码也是一门靠经验拼凑的手艺。
把你的下一个研究问题，交给 EVO 走一遍
EVO 现已开放公测，欢迎亲自体验从想法、数据到可检验结果的完整路径。
了解 EVO →
PandaAI个人量化超级助手