Shaohui Wang @Quantwang303

Risk Modeling Actuary | PhD (Dr. rer. nat.) in Financial Mathematics | AI & Blockchain | Lifelong Learning | 笃行致远 Munich, Germany Joined October 2021

Tweets

125
Followers

123
Following

822
Likes

3K

宝玉 @dotey

3 weeks ago

x.com/i/article/2056…

19 23 174 42K 281

0 0 0 18 0

View Details

@BTV_Michael @BTV_CN

3 weeks ago

你仔细看随行名单：贝莱德、Visa、万事达、高盛、花旗、英伟达、马斯克…… 商界团队总共18人，接近一半的人都和Crypto有密切关系.... 如果我们抛开传统“卖飞机、卖芯片”的想法，大胆一点，我只是假设啊，只是假设这只美国下一代金融基础设施团队，真正想做的，根本不只是 BTC ETF，而是：

38 31 143 43K 45

0 0 0 20 0

View Details

Shaohui Wang @Quantwang303

4 weeks ago

@myanTokenGeek 更觉得大家会成为脑力行业的“清洁工”，按需给AI打下手，清理边边角角。都会变成打零工的。包工头儿或者中介会是谁呢？

0 1 1 2K 0

View Details

宝玉 @dotey

a month ago

x.com/i/article/2049…

20 163 632 83K 1K

0 0 0 38 0

View Details

Shaohui Wang @Quantwang303

2 months ago

喜欢这种有大量明确不确定性结论的文章，不确定可能就是最大的确定性。好奇这个演化过程的走向。

花叔 @AlchainHust

2 months ago

x.com/i/article/2044…

7 39 169 46K 316

0 0 1 29 0

View Details

把20年专家经验编码成AI Agent：一个精算师的实践笔记上周末做了一个实验：把自己20年的精算和金融数学经验，编码进一个AI agent的system prompt。不是fine-tuning，不是暴力RAG检索，而是把专家判断的行为模式提炼成结构化的domain knowledge。方法从8个真实工作场景出发（全部anonymized），用”叙述-提取”法：我讲当时做了什么，AI提取meta-pattern。最终产出7个domain YAML，覆盖专业身份、模型可信度评估、假设挑战、ESG建模、监管-商业接口、风险到决策翻译、沟通与判断。每个domain包含：core patterns（行为规则）、decision heuristics（if-then可执行规则）、anti-patterns（不该做什么）。总共约4000 tokens，注入system prompt。结果 5轮测试，agent表现出三个vanilla Claude不会自发产生的行为： 1. 质疑问题本身。当被问”这是校准问题还是市场变动”时，agent先说”这个二选一本身就是错误的framing”。 2. 识别不可妥协边界。当被问能否用单一死亡率表简化IFRS 17时，agent识别出这不是trade-off而是binary wrong。 3. 在正确的地方停下。给出管理层选项，但不替管理层做决定——这是senior actuary最难学的一课。关键洞察专家知识不是知识，是行为。面试式提取（“你怎么看X？”）产出的是教科书内容。Case-based提取（“你在那个场景下做了什么？”）产出的是决策模式。后者才是agent的真正value-add。 Claude（或任何frontier LLM）已经知道Hull-White模型、IFRS 17 、martingale test。这些是training data里有的。Agent真正增加的是behavioral layer：先check什么、在哪里停、对谁说什么。这跟我的professional identity文件里写的一致：答案几乎总是简单的，价值在于到达答案的路径。下一步：从declarative到procedural 看了Nous Research的Hermes Agent github.com/nousresearch/h…后意识到，我们还缺一层：procedural memory。现有的domain YAMLs是declarative knowledge——原则和heuristics。但agent完成一个复杂任务后，应该能把successful workflow保存为可复用的procedure。下次遇到类似问题，直接调用，不重新推理。这就是”自己成长”的真正机制。 Architecture上的表达：对外（数据、用例）开放可调试，对内（经验、技能）封闭可演进。每做一个case，agent变强一点。给同行的建议如果你也是某个领域的资深专业人士： ∙从case开始，不从系统架构开始。5-8个关键决策场景就够了。 ∙提取行为模式，不是知识点。“我在X情况下总是先做Y”比”Y很重要”有用100倍。 ∙先证明对你自己有用，再考虑产品化。如果你自己要改60%以上的output，agent还不够好。 Agent的价值 = 你的判断力 × AI的scale。判断力是稀缺的那一侧。 Built with Claude (Opus for reasoning, Sonnet for execution). All domain knowledge is company-independent.

0 0 0 48 0

View Details

Shaohui Wang @Quantwang303

2 months ago

@karpathy LLM Wiki说到核心：RAG没有accumulation。我做 digital twin，2500+ PDFs检索没问题但synthesis每次从零来。真正值钱的是编译过的expert judgment。RAG广度+Wiki深度，共存不二选一。苟日新,日日新。Opus aided.

0 0 0 22 0

View Details

Shaohui Wang @Quantwang303

2 months ago

@CSchlauf @Emanuel86781 @Salim767715 Thanks for sharing. Looks not fine,any explanation? Not a criticism, just curious.

1 0 0 216 0

View Details

Shaohui Wang @Quantwang303

2 months ago

整好最近在构建个人知识库，学习一下。

Andrej Karpathy @karpathy

2 months ago

Wow, this tweet went very viral! I wanted share a possibly slightly improved version of the tweet in an "idea file". The idea of the idea file is that in this era of LLM agents, there is less of a point/need of sharing the specific code/app, you just share the idea, then the