从 Optiver 到 Jane Street：顶级做市商的Agent技术探索
2023年，GitHub Copilot 让开发者第一次大规模体验到 AI 辅助编程的魔力。那时，AI 还是一名"副驾驶"——它在旁边提建议，但方向盘始终在人类手中。
不到三年后的今天，格局已经彻底变了。
Claude Code、Cursor Agent、OpenAI Codex CLI、Google Jules——这些新一代工具不再是"代码补全"，而是能够独立完成从需求理解到代码提交、从测试运行到部署上线的完整流程。Anthropic 2026年的数据显示，49% 的岗位中至少有四分之一的工作任务已经由 AI 参与完成。
这就是 Agentic SDLC（Agentic Software Development Life Cycle）——不是 AI 辅助开发，而是 AI 主导开发。软件开发生命周期正在被围绕 AI Agent 重新构建。
而在全球量化交易领域最激进拥抱这一变革的，正是总部位于阿姆斯特丹的全球顶级做市商——Optiver。
今天，我们来聊一聊 Optiver 发布的重磅技术探索——智能体化软件开发生命周期（Agentic SDLC，简称 A-SDLC）。看看这些顶级高频交易大厂是如何让 AI Agent 自己规划、自己写代码、自己跑测试、甚至自己去跟交易所系统“对线”的！
Optiver 是谁？为什么一家做市商在引领 Agentic SDLC
Optiver 成立于1986年，从阿姆斯特丹欧洲期权交易所的一名场内交易员起步，如今已成长为全球领先的电子做市商。公司在全球 100+ 家金融交易所提供流动性，每天执行超过 1000 万笔交易，处理 PB 级数据，为 100 万+ 金融工具定价。
但 Optiver 最引人注目的不是它的交易规模，而是它对技术的极致追求。在 Optiver，延迟以纳秒计量，每一行代码、每一个系统级决策都经过精密工程化设计。公司的技术团队与交易员和研究员肩并肩工作，从策略逻辑到模型优化，从实时问题解决到生产系统运维，工程师对速度和质量负有直接责任。
2026年初，Optiver 做出了一个令行业瞩目的战略布局：在全球建立独立的 AI Lab。上海实验室已率先成立，由前 IMC 深度学习量化研究员 Zhou Fang 参与创立；纽约实验室则由前 Shopify 首席应用机器学习工程师、NYU 兼职教授 Andrew Arnold 执掌研究。同期，前 Apple 基础模型与服务平台负责人 Noyan Tokgozoglu 加入担任全球 AI 负责人。
用 Optiver 自己的话说：*"We're building with AI, but we're also building for AI."*（我们用 AI 构建，同时也在为 AI 构建。）
这句话出自 Optiver Platform Engineering 负责人 Pat Cooney 之口，他已在 Optiver 工作超过十年，横跨市场、地区和角色。2026年5月，他在一篇深度访谈中详细阐述了 Optiver 对 Agentic AI 的工程化思考。
Pat Cooney 的 Platform Engineering 哲学
Cooney 将 Platform Engineering 定义为"我们构建业务的基础，每个人每天都用它来保持生产力，并为我们的交易提供持续改进"。在他看来，Platform Engineering 的核心使命是消除摩擦、加速创新——而随着机器学习、数据和 AI 对行业的重要性不断提升，这一使命变得前所未有的关键。
关于 Agentic AI，Cooney 的观点极具洞察力。他认为 Agentic AI 正在逐渐成为人们构建系统的默认方式——不仅是编码 Agent，更是覆盖完整 SDLC 的广义 Agent 生态，包括在生产系统中执行变更、承担部分开发流程的 Agent。
“"We're building with AI, but also building for AI。我们用 AI 工具来构建系统和运营。但我们也在越来越多地思考如何构建一个对 AI 友好的平台。因为我们的用户不仅是人类，也是 Agent。这意味着我们暴露的接口、文档、提供给 Agent 的上下文变得越来越重要。"
—— Pat Cooney, Head of Platform Engineering, Optiver
在实践中，Optiver 的工程团队已经在使用 Claude 编写代码，同时将 Bot 集成到交付流程中，让 Bot 与技术人员和用户对话并在环境中执行变更。这些 Bot 提供了更自然的语言界面，让人们可以用对话的方式完成技术操作。
Cooney 特别强调了知识外化的重要性："你需要将越来越多的知识、团队知识以外化的方式表达出来，让 Agent 能够真正使用。你需要思考如何测试和监督这些 Agent，以及如何在一个概率性的世界（而非确定性的世界）中做到这一点。"
Moss Ebeling：闭环你的 Agentic Loop
如果说 Cooney 代表了 Optiver 在平台层面的战略思考，那么 Moss Ebeling 则代表了在具体工程实践层面的深度探索。作为 Optiver AI Engineering 团队负责人（亚太区），Ebeling 在 2026年6月的 AI Engineer Melbourne 大会上发表了题为 "Close Your Agentic Loop" 的演讲。
Ebeling 提出了一个核心观点：大多数 Agent 工作流目前是"开环"的——你提示 Agent，检查输出，发现问题，再提示修正。人类就是这个反馈闭环。而真正取得最佳成果的团队，正在构建更好的系统：让 Agent 能够自动检查自己的工作。
他将 Agent 工作流比喻为控制理论中的闭环控制系统。闭环需要两个传感器——正确性（correctness）和质量（quality）。只有当 Agent 能够自主检测这两个维度并据此调整行为时，Agentic 系统才能真正释放杠杆效应。
这一理念与 Optiver 在高频交易中深耕多年的控制论思维一脉相承：在纳秒级的时间尺度上，反馈循环的质量决定了系统的盈利能力。将这种工程哲学迁移到软件开发领域，是 Optiver 独特优势的体现。
什么是 Agentic SDLC？
先来个通俗的类比。
传统的 AI 辅助开发（AI-Assisted） 就像是汽车的“辅助驾驶”。你（人类程序员）握着方向盘，遇到不会写的函数，让 Copilot 给你“提个建议”，写完你还得仔细盯着。
而 Agentic SDLC（智能体化开发） 则是真正的“自动驾驶”。你只需要给 AI 发送一个高阶指令（Intent）：“帮我对接一下芝商所（CME）的新接口，写好测试并打包。”
接下来，一堆分工明确的 AI 智能体（Agent）就会开始各显神通：
需求/规划 Agent：先去读懂接口文档，把任务拆解成具体的开发步骤；
编码 Agent：拉取代码仓库，开始啪啪啪写业务逻辑；
测试 Agent：自动编写测试用例，在隔离的沙箱里运行，抓出 Bug 再甩给编码 Agent 让它自己改；
运维 Agent：把写好的代码安全推上线，并在后台实时盯着有没有异常。
在这个过程中，人类工程师的工作核心从“苦哈哈码字的代码民工”升级成了“规则制定者、方案评审员和最后把关的合规法官”。
Optiver 的硬核压力测试：交易所连接性组件
Optiver 他们直接把 A-SDLC 砸向了交易系统中最让人头疼、但也最关键的模块——交易所连接性组件（Exchange Connectivity）。
做市商要连接全球各种奇形怪状的交易所，每个交易所都需要专属的会话管理组件，负责处理登录、心跳握手、断线重传等极其繁琐的细节。这玩意儿写起来巨枯燥，全是细节，而且一旦在真实交易里漏掉一个极小的协议差异，就可能导致严重的资金损失。
Optiver 最早尝试用通用的开源 AI 编码工具直接写，结果直接翻车了。通用 AI 只能完成大约一半的工作，它不理解高频交易的内部组件，不会跑特制的测试工具，最后为了应付差事，写了一堆无法通过人工评审的“野路子”临时代码（Workarounds）。
Optiver 突然醒悟：AI 没偷懒，也不是它脑子笨，而是人类为自己设计的传统开发流程，把 AI 给卡死了！
于是，Optiver 从底层重新搭建了全新的三层 A-SDLC 框架：
工作流层（Workflows）：把开发、测试、评审、发布连成一条流水线。
智能体原语层（Primitives）：给 AI 提供上下文（Context）和运行沙箱（Harness）。
共享基座层（Substrate）：负责底层的资源调度、运行安全和合规治理。
重构之后的战绩可以用“恐怖”来形容：
🚀 上市时间（Time to market）缩短 75%！
📉 开发人力消耗减少 85%！
🎯 产出的代码直接达到 90% 的“评审就绪率”（Review-ready）！
这相当于把原本需要高级系统工程师折腾几周的硬活，直接缩短到了几个小时。
顶级高频交易大厂玩转 A-SDLC 的四大秘诀
要在这样对性能和安全要求到变态的系统里跑通 AI 自动开发，Optiver 总结了四个极其深刻的黄金法则：
1. 黄金路径是设计出来的（Golden paths are engineered）
不要指望靠“抽卡”去等 AI 写出完美代码。如果开发流程中充满了模糊不清的默认逻辑或含糊的需求，AI 的多步推理就会彻底崩溃。必须把每一步的规则定死、做成确定性的流水线，不给 AI 留任何靠“运气”发挥的空间。
2. 上下文决定生死（Context drives outcomes）
别只丢给 AI 一个简单的 Readme 文件。AI 需要的是深度的系统上下文、交易所的真实流量样本、甚至是你们团队的代码规范。在行业前沿，学术研究表明，通过给 AI 喂饱高密度的上下文，系统代码的“AI 就绪度评分”能直接从 48 分暴涨到 98 分！
3. 用“物理反向压力”治好 AI 的迷之自信（Backpressure reduces variance）
AI 智能体有一个坏习惯：不管写成什么样，它都会蜜汁自信地告诉你：“老板，我写好了，完美！”
Optiver 的解法是：彻底剥夺 AI 自己给自己“打分”的权力！写完代码，直接丢进严苛的编译器、静态分析工具和高仿真测试沙箱里。通不过？物理报错堆栈和真实流量的滑点数据直接像“反向压力”一样砸回给 AI，逼着它自己去查日志、自己改到能编译通过为止。这种无情的物理约束才是驯服 AI 的不二法门。
4. 让工具对 AI 友好（Tooling has to be agent-friendly）
以前的开发工具（比如花哨的可视化日志、各种交互式确认弹窗）是给人类设计的。对 AI 来说，这简直是灾难。Optiver 开始把所有内部工具改造成完全由命令行（CLI）驱动、输出全是标准 JSON 的非交互式工具。
有趣的是，把工具链改得对 AI 友好之后，人类开发者也沾了光，本地开发体验变得异常清爽。
双雄争霸：Optiver vs. Jane Street 的流派选择
在自营交易界，除了 Optiver 之外，另一位低调的神——Jane Street，对 A-SDLC 的态度也非常值得玩味。这两家大厂走出了截然不同的两种技术哲学：
- Optiver 流派：经验主义与动态沙箱对线
Optiver 拥有深厚的 C++ 底层系统底蕴。他们就像“实战派”：让 AI 在安全沙箱里可劲儿造，但是用海量的交易所真实流量模拟器，像高压水枪一样去冲刷 AI 的代码，靠不断地动态报错和性能反馈逼 AI 收敛。
- Jane Street 流派：理性主义与强类型数学套牢
作为坚定的 OCaml 函数式编程教派，Jane Street 对 AI 自动生成的臃肿、 corner-case 频出的“AI 废料（Slop）”代码非常警惕。 他们认为光靠跑测试是不够的，测试能覆盖的场景太有限了。Jane Street 的首席工程师 Yaron Minsky 提出：我们要在编译器阶段给 AI 套上数学的枷锁！在他们的强类型系统里，通过严苛的类型规约，可以从数学上彻底根除多线程数据竞争（Data Races）等严重 Bug。他们用编译器和类型系统的“全称量词 guarantees”即 ，把 AI 的活动边界牢牢钉死在数学安全的框架里，让 AI 只能在绝对安全的轨道内运行。
现实泼冷水：AI 已经这么猛了，它能帮我做交易盈利吗？
既然 A-SDLC 在软件工程上能帮 Optiver 缩短 75% 的开发时间，那用它来找 Alpha 信号、做实时交易定价，是不是也能带我飞？
Optiver 的 Applied AI 团队专门针对最新一代的推理模型做了一场硬核测试：他们直接把 Optiver 招收量化交易员实习生（Intern）的考试题，以及交易员入职 6 个月后的真实模拟考核题，原封不动地丢给了 AI。
结果非常耐人寻味：
在“懂理论”方面，AI 简直是个天才学霸。无论是复杂的期权定价、基本的做市商原理，还是市场微观结构分析，大模型表现得不亚于最优秀的顶级名校实习生。
但在“真刀真枪交易”的实时博弈里，AI 却表现得像个战五渣。
Optiver 的测试暴露了 AI 在核心交易上的三大致命缺陷：
1. 期望价值（EV）最大化悖论
虽然大模型在理论上能完美写出期望价值公式：
但在瞬息万变的高速订单簿里，AI 根本无法对不断涌入的二级市场微观信号进行快速、连贯的贝叶斯更新。一遇到风吹草动，AI 往往会退化为极端保守的简单规则（比如过度对冲），直接把能赚钱的机会全漏光了。
2. 多步推理崩溃
在连续多步的博弈里，AI 往往只能做出正确的第一步定价调整。因为无法把前一步决策引发的市场真实反应实时融入自己的状态中，随着博弈加深，AI 就会开始手忙脚乱，多步推理彻底崩溃，甚至在高速竞价中直接沦为对手套利的“送财童子”。
3. 毫无博弈对抗思维（Game-Theoretic Reasoning）
顶级量化交易员在下单时，必须假设对手会针对自己的动作做出最优反制。而 AI 在交易决策时，总是天真地假设“对手是静止不动的”或者“大家都很友好”。面对对手故意布下的流动性陷阱，AI 极易直接爆仓。
这就是自营巨头眼里 AI 的楚河汉界：它是生产力拉满的终极工程机械，但在充满恶意和欺骗的高频博弈战场上，人类量化研究员那深邃的直觉和贝叶斯更新能力，依然不可替代。
总结与思考
智能体主导软件工程的新纪元已经开启。在这场浪潮中，未来的行业壁垒已经不再取决于你调用了哪家最贵的大模型。
真正的护城河，是你为 AI 搭建的“高压测试平面”和“反向压力门禁系统”。
看到这里，你也许会问：既然顶级做市巨头们已经在重构开发系统，我们普通机构和量化团队该如何跟上这波效率风暴？
通往 AI-Native 的未来，其实并不遥远。
近期，由我们精心研发的 AI-Native Quant Agent 系统——AxiomQ 已经正式上线！目前，该系统已率先向少数机构开放。
AxiomQ 基于 QuantML 积累的数万篇论文与研报持续学习，实现了“研究构想、代码编写、多轮验证”的全流程自主闭环，并积累为知识库从而实现 AI 的不断学习进化；其底层采用对 AI 友好的原生设计，支持智能体自主调度工具链，在无人类干预下进行持续的策略迭代与量化知识沉淀。
AxiomQ已开放试用，欢迎各类机构与我们联系
关于QuantML
QuantML 是链接全球顶尖量化人才的高端社群，我们聚焦于机器学习在量化投资中的最前沿应用。
核心价值：
- 顶级圈层： 社区涵盖头部机构从业者、知名私募创始人、机构量化负责人，基金经理，券商金工分析师、GitHub千星作者及顶会学者构成。
- 每日高价值内容： 持续分享前沿论文、论文研报复现、模型代码、核心Alpha因子以及QuantML-Qlib框架等。
加入我们，与最强大脑同行，洞见量化未来。
