量化作业翻车实录：为什么先用Gemini打磨，再让Claude Code执行？（亲测有效）
我和 Gemini 讨论了整个 rolling beta 的正确实现方式之后，当 Claude Code 给我看它的 Plan 时，我才能看出"手写循环"这个问题。如果一个问题完全超出你的知识范围，你也看不出 AI 的错误——所以学习本身无可替代。如果直接打开 Claude Code，让它"帮我写这个数据处理程序"——结果往往是：生成了代码，跑起来了，但你完全不知道它做的对不对。如果我跳过了这一步
📌 这是「量化研究员的AI工作流实战手册」系列的第 1 篇，共 3 篇 本系列将带你完整了解 如何用多AI协作完成一个真实的量化金融项目
🗺️ 系列导航
| 篇号 | 主题 | 状态 |
|---|---|---|
| 👉 1/3 | 为什么我先用Gemini打磨，再让Claude Code执行 | 📖 本篇 |
| 2/3 | Claude Code三Agent架构：量化工程的三权分立 | 🔜 即将发布 |
| 3/3 | 数据漏洞排查实录：AI法医如何找回140万行数据 | 🔜 即将发布 |
🔥 量化作业 × 多AI协作：为什么我先用Gemini打磨，再让Claude Code执行？
💡 大多数人用AI写代码，结果越改越烂。真正的问题不是AI不够强——而是你还没搞懂让哪个AI做哪件事。
📍 背景：一个让我踩坑的量化作业
这学期的量化金融课布置了一个作业：构建一套 S&P 500 股票-期权的特征数据集。
看起来很清晰——对吧？
实际上，任务里藏着大量细节： ✅ 需要合并 CRSP 股票数据、OptionMetrics 期权数据、Fama-French 因子 ✅ 需要计算滚动 Beta、波动率曲面、Lag-1 特征 ✅ 需要处理 ID 映射（CRSP PERMNO ↔ OptionMetrics SECID） ✅ 数据量级：合并后接近 140 万行
如果直接打开 Claude Code，让它"帮我写这个数据处理程序"——结果往往是：生成了代码，跑起来了，但你完全不知道它做的对不对。
我在这个项目里用了一套双AI协作流程，最终把 140 万行数据准确率做到 99%+。这篇文章复盘这个流程的核心逻辑。
🎯 第一步：认清两个AI的核心差异
先说一个很多人忽视的事实：
🔑 Gemini 和 Claude Code 擅长的事情完全不同。不要用锤子拧螺丝。
Gemini 的优势：
- 上下文窗口超长（可以塞下完整对话+文档+代码）
- 非常适合"对话式规划"——反复打磨、不断迭代
- 适合跨文档综合理解（同时看多个数据文件的说明）
Claude Code 的优势：
- 直接在你的本地文件系统操作
- 可以真正运行代码、读文件、调试报错
- 擅长执行清晰定义好的任务
我踩过的坑：直接把模糊的任务丢给 Claude Code，让它自己去理解需求。结果： ⚠️ 它会做出"看起来合理"但金融逻辑有误的实现 ⚠️ Rolling Beta 写成了手写 for 循环（极慢，而且逻辑有误） ⚠️ 所有 .py 文件直接堆在项目根目录——维护噩梦
⚡ 第二步：用 Gemini 完成"认知对齐"
我把第一步叫做颗粒度对齐——在动手写任何一行代码之前，先把你和 AI 对问题的理解同步到同一层次。
整个对齐过程在 Gemini 里完成，分三轮：
❶ 第一轮：确认任务目的和教学意义
我不是让 Gemini "帮我写代码"，而是先讨论：
-
为什么要做这个特征工程？金融直觉是什么？ -
Lag-1 特征的意义是什么？ -
Rolling Beta 的窗口为什么要 each year？ -
OOS 测试能告诉我们什么？
👆 这一步很多人跳过，但它决定了后面所有代码的正确性方向。
❷ 第二轮：打磨实施方案
和 Gemini 来回讨论之后，我产出了一份 Guide.md——包含：
-
数据流程图（从原始文件到最终特征矩阵） -
关键易错点（比如：Winsorization 必须 by year，不能 global） -
ID 映射的质量控制标准（Link Score ≤ 2 才保留） -
文件结构规范（ src/放代码，data/放数据）
🔑 这份 Guide 就是之后给 Claude Code 的"宪法"。它越清晰，Claude Code 出错的概率越低。
❸ 第三轮：让 Gemini 检查 Claude 的计划
Claude Code 进入 Plan Mode 之后生成了实施计划，我把计划发回给 Gemini：
"帮我审计这个计划，找出金融逻辑上的问题。"
Gemini 立刻找到了两个问题：
1️⃣ Rolling Beta：Claude 打算用手写循环，应该用 statsmodels.regression.rolling.RollingOLS
2️⃣ ID Mapping：Claude 没有严格限制 Link Score，高质量匹配率不够
这两个问题我自己当时没发现——正因为我们前期在 Gemini 里对齐了金融认知，我才有能力判断"Claude 的计划哪里有问题"。
👆 这是整个工作流的全貌。注意：Gemini 和 Claude Code 是交替出现的，不是用完一个换另一个。
📌 第三步：为什么"提升你自己的认知"才是核心
这里有一个反直觉的点：
🔑 你和 Gemini 打磨计划的过程，不只是在生产文档——你是在提升自己的认知水平。
我和 Gemini 讨论了整个 rolling beta 的正确实现方式之后，当 Claude Code 给我看它的 Plan 时，我才能看出"手写循环"这个问题。
如果我跳过了这一步，直接让 Claude Code 写代码——代码可能跑通，测试可能通过，但金融逻辑是错的，而我完全不会知道。
这就是为什么说：先和 Gemini 对齐认知，比节省那几分钟讨论时间重要得多。
⚠️ 一个警告：认知对齐的边界在于"你能力区域以内或附近的问题"。如果一个问题完全超出你的知识范围，你也看不出 AI 的错误——所以学习本身无可替代。
⚡ 第四步：交叉检查的复利效应
整个项目里，我用了多少次"Gemini 检查 Claude 的输出"？
6次。
-
检查 Claude 的实施计划（发现 Rolling Beta 问题） -
检查修正后的第二版计划（发现文字矛盾） -
检查 Git Release 计划 -
检查 Git Release 第二版计划 -
检查最终输出结果（发现样本量只有 10 万！） -
最终确认数据修复后的结果
每一次 Gemini 都找到了问题或提供了更好的实现思路。这不是 Claude 不够强——而是多视角交叉检查本身就能发现单一视角的盲点。
🔑 用两个不同的 AI 交叉检查，比用一个 AI 来回对话更有效——因为它们的训练方式不同，盲点也不同。
✨ 总结：关键收获
✅ 收获一：先用 Gemini 做"颗粒度对齐"，产出 Guide 文档，再给 Claude Code 执行——质量远高于直接让 Claude Code 理解需求 ✅ 收获二：认知对齐不只是在生产文档，更是在提升你判断 AI 输出对错的能力 ✅ 收获三：Gemini 检查 Claude 计划，Claude 执行，Gemini 再检查结果——交叉验证的复利效应非常明显 ✅ 收获四：你和 AI 对话的质量取决于你自己的认知水平——AI 是放大器，不是替代品
💬 写在最后
这个工作流不是"用AI偷懒"——恰恰相反，它让我花了更多时间在理解问题上，而不是在调试代码上。
项目最后，数据覆盖率从最初的 6.4%（那个 76 行的测试文件）飙升到 99.1%（140 万行），不是因为我更聪明，而是因为这个流程强迫你在每一步都做对。
你现在用 AI 做项目的时候，有没有"Gemini 对齐 + Claude 执行"这样的分工？还是直接把所有事情丢给一个 AI？欢迎评论区聊聊你的工作流 💬
📌 系列进度: 1/3 ➡️ 下一篇：Claude Code 三 Agent 架构实战：量化工程的三权分立 — 架构师、测试工程师、首席开发如何分工，为什么 TDD 在量化金融里至关重要
觉得有用的话记得 ⭐收藏 + 👍点赞，方便追完整个系列～ 有问题欢迎评论区交流 💬
#干货分享 #AI工具 #量化金融 #Claude #Gemini #工作流 #学习方法 #金融工程
本文由 mdnice 多平台发布
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
11
0- 0
已为社区贡献2条内容
所有评论(0)