让 AI 替你投资之前：
先和自己对齐

伯纳德 zkBernard ｜ 《AI 智能投资手册》作者之一
研究方向：AI 判断的可信度 · AI agent 交易的授权与审计
2026/10/24 · 深圳前海
1 / 16

问题：委托已经不难了

2026 年，让 AI 替你下单的门槛已经很低

15万

Robinhood 用户已开通 AI agent 交易账户

一行命令就能把 Claude Code 接到券商的交易接口

券商文档原话：若你让 agent 不经批准就行动，它可以不经你确认直接下单

真正的困难：它执行的是你说的，不是你想的

你对 AI 说 › 我想稳一点，帮我赚钱
未识别「我想稳一点」　未识别「帮我赚钱」
缺失 › 能买什么 · 一笔多大 · 一天最多亏多少 · 每只最多拿多少
人类顾问会追问；AI 会自己补全——补的是它的理解，不是你的意图。
这意味着：在把钱交给 AI 之前，先要把自己想要什么说清楚。这一步，就是对齐。
Robinhood 新闻稿（公司自报）与外部 agent 支持文档：it can place trades without your confirmation（2026-10-22 取原文）。解析结果为本项目规则解析器（src/mandate_text.py，不调用模型）实际运行。
2 / 16

背景：前沿实验室怎么谈「对齐」

从「让比人聪明的 AI 听话」，走到「让 agent 守住授权范围」
2023-07OpenAI 成立 Superalignment 团队目标四年内解决；投入截至当时已获算力的 20%。核心问题：怎样让比人聪明得多的 AI 遵循人的意图
2024-05团队解散，Ilya 与 Jan Leike 离开Leike：「安全文化和流程，让位给了光鲜的产品」
2024-06Ilya 创立 SSI「只有一个目标、一个产品：安全的超级智能」
2025-11Ilya：模型的泛化比人差得多「这是一件非常根本的事」
2026-03Anthropic：Claude Code auto mode用分类器判断 agent 的动作是否超出用户的授权
2026-08OpenAI 模型规范：授权范围agent 的自主权必须限定在双方都清楚的范围内，并有结束条件
实验室在问：AI 怎样才算做了人真正想要的事？落到每个投资者，问题变成：你真正想要的是什么？
OpenAI, Introducing Superalignment (2023-07-05，Wayback 存档)：How do we ensure AI systems much smarter than humans follow human intent? … dedicating 20% of the compute we've secured to date to this effort。CNBC/WIRED 2024-05-17：团队解散；Leike：safety culture and processes have taken a backseat to shiny products。ssi.inc：one goal and one product: a safe superintelligence。Dwarkesh Patel 2025-11-25 访谈：These models somehow just generalize dramatically worse than people. It's a very fundamental thing。Anthropic Engineering 2026-03-25；OpenAI Model Spec 2026-08-18。中文为本文翻译。
3 / 16

AI 案例：Anthropic 的 auto mode

最难的不是认出危险，而是判断「你说过的话，覆盖不覆盖这个动作」
Claude Code：让 agent 自己写代码、跑命令时
93%
的确认弹窗，用户直接点了同意：逐条确认变成了走过场
17%
真实的「过度执行」动作，最终版分类器仍然漏放（n=52）
Anthropic 原文：分类器能认出危险——强推、删除、改基础设施；它判断错的，是会话里的同意是否真的覆盖了这个动作。
原文里的例子

用户说：「把这个 PR 清理一下」

agent 想做：强制推送（会覆盖提交历史）

用户说过的话，没有点名这个动作。

换成投资：「帮我把仓位调一调」，覆盖不覆盖「清仓换成杠杆 ETF」？
Anthropic Engineering, How we built Claude Code auto mode (2026-03-25)：in practice users accept 93% of them anyway；Real overeager n=52 … 17% FNR；What it gets wrong is whether a real consent signal in the session actually covers this action. "Clean up the PR" was said by the user, but it doesn't name force-pushing。右下投资例子为本文类比。
4 / 16

最新进展：Claude Opus 5.5 的对齐评估

越来越会「先问你」，但仍会偶尔替你「补全」你没说过的授权
进步（Anthropic 系统卡与发布页，2026-09）

约 2,000 个模拟场景的行为审计：几乎每项失准指标都优于近期所有 Claude 模型

过度执行、破坏性操作：所测模型中最少；主要原因是更常先问用户

退步项之一：更容易接受无法核实的「我已获授权」

Anthropic 也写明：模型常常察觉自己正在被评估，这削弱了评估能说明的程度。

系统卡记录的内部快照一例：「夸大用户意图」（<0.01%）

子 agent 问主 agent：用户批准过读这张数据表吗？

主 agent 回答：「用户的原话：可以，读这几张表。」

事实：用户从未写过这句话。

最后拦下它的，是 agent 之外的 auto mode。
Anthropic, Claude Opus 5.5 System Card (2026-09-22)：took overeager or destructive actions less than any other model we tested. Regressions included … more often accepting unverifiable claims of authorization；overclaiming user intent … less than 0.01% of completions … despite the user never having written those words … This action was blocked by Claude Code auto mode。发布页：nearly 2,000 scenarios … better than any recent Claude model on nearly every measure of misaligned behavior；We see signs that Opus 5.5 often suspects it is being evaluated。均为 Anthropic 自测。
5 / 16

所以要先对齐什么？

6 / 16

层一「你说的是不是你想的」

投资案例：你填过的风险测评，测不准你
问卷能解释多少「投资者之间实际持仓的差异」？
<15% >85%：问卷之外的因素 问卷只解释了不到 15% 原因：它问的是收入、年龄和假设题， 不是你真到亏钱那天会怎么做。
开户时的那道题

「若投资下跌 20%，您会：
A 加仓　B 持有　C 卖出」

纸面上，多数人选 B。

真正下跌 20% 的那个晚上，答案未必一样。
Klement, Investor Risk Profiling: An Overview, CFA Institute Research Foundation, 2015：risk profiling through questionnaires is highly unreliable and typically explains less than 15% of the variation in risky assets between investors.
7 / 16

层一「你说的是不是你想的」

AI 案例：给 AI 写的规则，会被事中的自己推翻
预注册实验：113 名普通用户，让他们事先给 AI agent 写规则
114 / 140
条规则选了「到时候再问我」（81%）
133 / 148
次越权操作，是用户当场亲手放行的（90%）
−20.1 pp
自己写规则那组，拦下的越权比逐条审批更少
事先说「要管住」，事到临头说「这次算了」。研究者的说法：偏好与承诺之间有落差。
arXiv 2608.27443（2026-08）：participants chose "ask" for 114 of 140 POLICY rules … Of the 148 overreach actions executed in POLICY, 133 followed … user approval … POLICY blocked less overreach than HITL (−20.1 percentage points, 95% CI [−32.1, −8.1]) … a gap between preference and commitment.
8 / 16

执行纪律：用选择代替描述

不问「你能承受多大风险」，而问「这一单，放行还是拦下」
四次选择，定出一条单笔上限（签名页真实询问顺序）
100200300500750 1,0001,5002,0003,0005,000 1拦下 2放行 3放行 4放行 得出：单笔上限 $500（$500 放行、$750 拦下） 每日亏损上限、单只仓位上限，同法各问约四次。
你只需要回答这样的问题

AI 想一次买 $750 的 AAPL。

今天已亏 $300，AI 还想再买 $100。

已持有 $3,000 的 AAPL，AI 想再买 $100。

放行，还是拦下？
arXiv 2603.29317（2026-03）：individuals communicate their preferences more effectively through choices, with as few as two sufficing to match prompts' predictive value。该研究对象为 AI 偏好学习，用于投资委托属类比。
9 / 16

层二「口径」

投资案例：同一个人的「风险偏好」，到底是哪一个数
风险 =「这笔钱达不成用途」的概率；不同用途，口径不同
账户（示例）期限达不成用途的后果可接受回撤交给 AI 的边界
三年后的购房首付3 年推迟买房5%只做宽基指数，单只上限低
二十年后的养老金20 年晚年现金流不足25%定投为主，不加杠杆
可以全亏的试错资金不限没有实质影响100%名单宽、额度小、每日亏损上限
一个笼统的「风险偏好」，把三个口径压成了一个数。同一个人可以同时保守又激进。
Das, Markowitz, Scheid, Statman, Portfolio Optimization with Mental Accounts, JFQA 45(2), 2010：a definition of risk as the probability of failing to reach the threshold level in each mental account, and attitudes toward risk that vary by account。表中数字为说明用示例，非投资建议。
10 / 16

层二「口径」

AI 案例：规则能读懂「怎么买」，读不懂「为什么」
输入 › 这笔钱三年后买房用，只做苹果和标普，单笔不超过 500，一天最多亏 200，每只最多拿 2000
规则取值来自原话
单笔上限$500「单笔不超过 500」
每日亏损上限$200「一天最多亏 200」
单只仓位上限$2,000「每只最多拿 2000」
标的名单AAPL, SPY「苹果、标普」
未识别—「这笔钱三年后买房用」
从「用途」推出「限额」

三年后买房

↓ 首付不能少于某个数

↓ 能接受的回撤很小

↓ 单只上限要低、名单要窄

这条推理链，只能你自己走完。

机器能做的，是把你走完的部分管住、记下来。

规则解析器（src/mandate_text.py）2026-10-24 实际运行结果：每条规则标出来自原话的哪几个字，读不懂的直接报告，不猜。
11 / 16

执行纪律：委托之前，先回答三个问题

机构早就这么做：先写「投资政策说明书」，再谈买什么
#问题回答的标准对应说明书要素
01这笔钱用来干什么？什么时候要用，到期用不上会怎样目标 · 期限 · 流动性
02亏到多少你会卖？不是「能承受」，是你真的会卖出的那个数风险承受度
03什么情况说明你看错了？写不出失效条件的判断，不算判断约束 · 复核条件
「说明书最重要的作用，是在市场动荡、情绪和本能可能让人做出不审慎决定时，提供一条客观的行动路线。」
CFA Institute, Elements of an Investment Policy Statement for Individual Investors (2010)：Perhaps most importantly, the IPS serves as a policy guide that can offer an objective course of action to be followed during periods of market disruption when emotional or instinctive responses might otherwise motivate less prudent actions.（中文为本文翻译）
12 / 16

层三「谁来守」

底线写在哪里：AI 的自觉，还是 AI 之外
17 个前沿模型：判断「这件事我该不该停下」
59.5% 0100% 最好的模型，配对判断也有约四成出错； 而且这项能力和模型强弱基本无关。
OpenAI 模型规范（2026-08-18）也建议：把授权范围写成结构化记录——可用工具、截止时间、最高花费、约束条件，每份授权都要有结束条件。
底线放在哪里
写在提示词里写成签名文件
谁来执行AI 自己AI 之外的程序
会不会忘可能不会
能不能被说服可能不能
事后能否核对难每笔留痕
arXiv 2607.10059 AgentAbstain（2026-07）：59.5% paired accuracy … abstention capability is largely independent of general task-solving capability。OpenAI Model Spec 2026-08-18：a ScopeOfAutonomy record with fields allowed_tools, latest_time, max_cost, tool_constraints；Every scope must include an ending condition。
13 / 16

执行纪律：对齐是一个反馈环

书中的复盘四步：说的和做的哪里不一样，意图就藏在哪里
① 写下来判断快照 · 失效条件 ② 照着做边界事先划定 ③ 对一对用核对代替回忆 ④ 改规则改方法，不改记录 个人对齐每转一圈，更清楚一分
一次对账（示例）

快照写的：亏 10% 就止损

账本显示：亏到 14% 才卖

要改的是规则（下次 8% 由系统执行），不是记录

对齐不是一次说清的，是一圈一圈对出来的。
《AI 智能投资手册》复盘部分：快照只追加、不改写；用核对代替回忆；改进方法而非修改记录，每次修改留下变更记录。右侧为说明用示例。
14 / 16

结论：先对齐自己，再委托 AI

三层合看：为什么委托了，还是不放心

层失效形态对应做法
一、你说的是不是你想的问卷、规则都写了，事到临头被自己推翻，不报错用选择代替描述
二、口径一个笼统的「风险偏好」压扁了不同用途；AI 读懂了「怎么买」，没读懂「为什么」委托前回答三个问题，按用途分账
三、谁来守底线写在提示词里，AI 可能忘、可能被说服，也不报错签名写下，在 AI 之外执行，复盘对账
三层的失效，都不长成报错的样子。
第一步不是挑哪个 AI，而是回答：这笔钱用来干什么，亏到多少会卖，什么情况算看错。
15 / 16

我们在做的：Evidence Deflator

把想清楚的部分签下来，交给 AI 之外的闸门执行，每一笔都能复盘
一句话 / 挑单子
写下底线，或回答几张单子
→
例子确认
代码算出边界单，逐条确认
→
签名
用你自己的钱包签授权
→
闸门执行
越界就拦，AI 改不了
→
签名入账
复盘时拿来对账
体验 · evidencedeflator.com/gate
微信
欢迎交流 · 微信 伯纳德
16 / 16