最近看到 Agent 在数学研究上的进展，我突然想到，金融可能会是另一个很适合 Agent research 的领域。
数学和金融其实有一个很相似的地方：都可以不断提出假设，再通过某种方式验证。数学里可以提出猜想、尝试证明，再用形式化工具检查；金融里则可以提出一个交易假设，找数据、写回测、验证结果，如果不成立就换一个继续尝试。
当然，两者并不完全一样。数学的验证要可靠得多，一个证明成立就是成立；金融里的回测只是过去数据上的结果，并不能证明未来还有效。但从 Agent 的角度看，它们都很适合做大规模搜索。只要 Agent 能自动找数据、写代码、回测、分析结果，那么过去一个研究员要花很久验证的想法，未来可能很快就能跑完，而且可以同时跑成千上万个。
最近工作里开始比较重度地使用 GLM 5.3 配合 OpenCode。刚开始用的时候，我最大的感受是，现在的模型已经比我之前预期的“聪明”很多了。
有一次我需要排查一段 HQL 为什么在执行过程中被提示产生了笛卡尔积。这个问题本身涉及 HQL、Tez 的执行 DAG，以及任务实际运行时的一些信息。让我印象比较深的是，在一个新的会话里，我并不需要告诉 Agent 每一步应该怎么查。它有时候会自己判断，直接调用 Tez UI 的 API，查询对应 DAG、Vertex 和 Task 的运行信息，再沿着执行关系继续往下分析。我们内部也有离线沉淀的 Vertex Attempt 记录表，可以通过 HQL 查询类似的信息，但这种方式通常会慢很多。
也就是说，面对同一个问题，Agent 实际上拥有不止一种获取信息的路径。它既可以通过 Tez UI API 直接获取当前任务的执行信息，也可以去查离线记录。在状态比较好的时候，它会自己意识到 API 是更直接、更低成本的路径，于是先从这里入手，拿到结果以后继续分析哪些 Vertex 值得关注，再根据新的信息缩小排查范围。
这种感觉已经很接近和一个有经验的工程师合作了。我只需要告诉它“这段 HQL 为什么会提示产生笛卡尔积”，而不需要告诉它先查哪张表、看哪个字段、再关联什么数据。它能够自己选择工具，自己规划路径，也会根据中间结果调整下一步。
最近我经常会想，如果人生可以重来一次，我会不会做出完全不同的选择。
工作以后，我第一次很明确地意识到，收入提高和生活变得更好，并不是一回事。现在的工作占据了每天绝大多数清醒的时间，长时间坐在电脑前，持续处理一个又一个需求，周末真正属于自己的时间也很有限。这样的生活过久了以后，我开始频繁地想起大学，甚至会想，是不是从大学的时候开始，我就已经做错了一些选择。
高考发挥得并不好，最后去了上海大学。那时候我觉得，既然只是一个 211，保研也很难去特别好的学校，那绩点似乎也没有那么重要。与其一直卷，不如早点找工作。于是大学几年，我没有太在意 GPA，很多时间就这样过去了。
那时候其实过得挺开心。但现在重新回头看，我发现自己最怀念的，反而不是那些单纯闲着的日子。真正让我直到今天还会想起来的，是那些完全由兴趣驱动、一直在思考和解决问题的日子。
Trie 树是一种利用空间换时间的数据结构，占用的内存会比较大。也正是因为这个原因，实际工程项目中都是使用的改进版 Trie 树例如双数组 Trie 树（Double-Array Trie，DAT）。
在双数组所有键中包含的字符之间的联系都是通过简单的数学加法运算表示，不仅提高了检索速度，而且省去了链式结构中使用的大量指针，节省了存储空间。
如果DAT与AC自动机结合，可以达到很高的多模式匹配性能
