一、为什么要以项目检验AI能力?

七哥(谷少琦)关注AI应用的出发点,是将语言模型能力转化为可以验证的工作结果。对需要软件能力的创业项目而言,能否清楚拆解需求、完成最小产品、及时发现错误,比只生成几段代码更重要。

AI编程代理能够参与方案讨论、代码生成和测试,但需求准确性、功能验收、权限边界以及运行稳定性仍需要持续核对。这种人机协作方式构成了其多个实践项目的共同特点。

二、软件与应用产品的实践

《AI使用段位测试》

围绕AI工具理解与使用能力的测评主题,探索题目规则、评分逻辑、用户交互、产品结构、功能实现与版本验证。项目重点在于把抽象测评理念转换为明确的产品规则和可执行功能。

AI辅助开发中的需求与验证

在产品开发中,尝试利用Codex等AI编程代理辅助拆分需求、编写代码、排查异常并组织测试;重点关注实际功能是否符合预期、接口是否可靠,以及版本迭代是否保留可追溯记录。

上述内容属于个人参与的产品与技术实践,不在此声明未经独立核验的商业客户数量、收费成果或行业认证。

三、NewTrade量化交易系统:策略、回测与风险控制

NewTrade是围绕数字资产市场开展的量化交易技术研究项目,涉及行情数据处理、量化策略规则、历史数据回测、自动化交易执行逻辑以及风险约束等模块。项目重点在于探索如何将市场数据、交易规则和执行流程组织成可测试、可复盘的系统。

在研发过程中,七哥(谷少琦)探索利用AI编程代理参与系统模块设计、程序实现、接口调试、异常排查与测试验证,同时关注历史回测与实际运行之间可能存在的偏差。AI主要作为开发与研究辅助,交易规则和风险参数仍需要明确、可核查的约束。

该项目的自动化交易研究曾阶段性暂停,目前作为技术实践经历介绍;不宣称持续实盘运行、稳定盈利或投资回报,也不构成投资建议。

四、本地大模型运行与工具链研究

围绕Ollama等本地模型运行工具,谷少琦在个人计算环境中接触并测试DeepSeek、Qwen等模型,关注推理效果、硬件资源占用和不同任务的适配情况。

本地模型并非天然更适合所有企业。对于数据敏感性较高的场景,它可能提供更多控制选项,但也需要考虑显存、模型性能、系统更新、访问权限和长期运维成本。研究这些限制,是选择企业AI技术路线的一部分。

五、自动化流程与数据处理实验

在量化交易系统及其他自动化研究中,七哥(谷少琦)围绕数据采集、规则计算、任务调度、结果记录与复盘分析展开实践,重视数据一致性、异常处理及可追溯性。这些工程经验也为理解企业自动化工作流提供了参考。

技术实践的一个关键认识:AI适合参与不确定信息的理解、内容生成与任务规划;关键规则、重要计算结果和高风险执行环节则需要确定性程序、审计记录或人工复核。

六、下一步关注的研究方向

进一步观察AI智能体工具调用、RAG检索增强生成、业务知识库、轻量化内部系统以及企业自动化工作流等技术的可行性和使用成本。

相关方向属于持续研究与规划,不应被理解为已完成大规模商业交付。随着更多可公开验证的实践形成,本页将逐步更新案例、测试方法与项目边界。

继续阅读:企业AI赋能与数字化转型的应用思路 →