Optiver
3 节点1 篇5 来源
荷兰做市商Optiver（奥普提弗）通过构建内部AI平台，实现了新前沿模型的“当日部署”。其核心在于利用推理网关和元测试框架平衡速度与成本，并推行“代理式软件开发生命周期”（Agentic SDLC）。在高频交易环境中，P&L反馈以小时计，迫使公司必须在模型发布当天完成基准测试、路由配置及成本控制。Optiver发现，上下文膨胀是主要成本泄漏点，因此通过工具搜索、CLI封装及知识库迁移来优化Token使用。此外，公司倾向于使用版本化、任务范围明确的智能体，而非单一庞大智能体，并通过MCP代理记录状态以确保评估可复现。这一实践展示了在强监管和高性能要求下，企业如何规模化落地AI代理。
事情怎么走到这一步
Optiver技术博客发布《Engineering the Agentic SDLC》，介绍将开发生命周期围绕AI代理重新设计，包括规范、工具和审查流程的变革。
optiver.com ↗Pragmatic Engineer发布深度报告，指出Optiver等自营交易公司中，AI模型正成为比低延迟更关键的差异化因素，且内部激励与外部科技公司不同。
newsletter.pragmaticengineer.com ↗Optiver AI工程负责人Noyan Tokgozoglu在播客中详细阐述如何通过推理网关、元测试框架和成本控制实现新模型的当日部署。
youtube.com ↗
还没定论的部分
- Optiver的“当日部署”策略在其他非高频交易但同样受严格监管的行业（如医疗、法律）中的适用性如何？
- 随着模型能力增强，Optiver提到的“上下文膨胀”问题是否会因模型原生长上下文支持而自然缓解，还是仍需依赖架构层面的优化？
- 在Agent Gateway中协调多个版本化智能体的具体治理机制是什么，以防止智能体间的不可预测交互风险？