ETF Agent推出版本化自定义研究配置
AI 总结
ETF Agent 工程团队称，用户可将个人研究方法保存为带版本的配置，交由现有通用 Subagent 执行，每次研究会冻结当时可用的配置版本。实现涵盖有界专家发现、精确选择、贡献追踪和授权边界，但工程验收尚未证明真实模型能正确选择个人配置或提升投资研究质量。
深度见解
该方案让智能体复用个性化研究方法，无需为每位专家另建运行时、预算或权限系统。
ETF Agent 工程实践：从个人研究方法到可恢复的 Subagent
如果希望用户创建自己的 AI 专家，最简单的实现方式是什么？
做一个设置页面，填写名称、描述和 Prompt，保存到数据库。下次用户选择这个专家时，把 Prompt 放进模型请求。
从演示来看，似乎已经足够。但当我们真正将自定义专家接入 ETF Agent 的研究系统时，问题远不止如此：用户编辑了专家，正在运行的研究要不要立即采用新版？模型怎样发现专家，又怎样避免把所有人的完整 Prompt 都塞进主上下文？研究中断后恢复，究竟该使用哪个版本？如果某位专家写着“访问全部数据”，它真的获得了这些权限吗？
这些问题决定了“自定义专家”是一段临时提示词，还是一项能够长期维护的产品能力。
我们选择不为每位专家创建一套 Runtime，而是让用户保存一份带有身份和版本的研究方法，交给既有的通用 Subagent 执行。实践中也踩过一些很具体的坑：指引进入了错误的请求层级，Child 明明使用了个人专家，History 却识别不出它，还有一次浏览器验证因两份 React 实例而出现空白页。