Bridgewater把1亿份文档做成人和Agent共用的Vault：押注模型随时可换，权限、语义和时点口径只留一套

10月13日，Bridgewater公开内部平台Vault。平台已汇集超过1亿份文档，资料来自135个外部来源及内部资料。Vault同时服务投资者和Agent。Vault的差异化定位，是让人与Agent共用一套受治理的资料底座，把模型留在可替换层，把权限、内部语义和历史时点留在机构内部。历史时点指只使用当时已经记录或获知的资料。Bridgewater此时公开多模型选用、双入口和研究回写机制，使“模型会变，机构记忆不重建”从技术取向变成了一套可检查的系统设计。双入口指投资者使用的界面和Agent调用的接口。

这项设计改变了投研Agent的建设顺序。模型能力决定一次任务能做多深，Vault决定它能看见什么、以什么含义理解、在某个历史时点允许知道什么。投资者与Agent形成的新结论还会写回同一资料库，下一次研究不必从外部模型的通用知识重新开始。模型换掉后，这四类资产仍可继续使用，才是Bridgewater押注的核心。

五十年的结构化习惯，决定了Vault先治理资料

Vault沿用了Bridgewater早于大模型形成的研究方法。

该机构长期把经济与市场判断编码为规则，再用跨周期数据检验。AIA Labs披露，其既有底座包含按两个时间维度管理的宏观和市场数据，以及多年积累的投资推理语料。AIA Labs是Bridgewater内部负责人工智能投研的团队。两个时间维度分别回答事件何时发生、机构何时记录或获知它，避免事后修订的数据混入历史判断。

语言模型扩大了可处理资料的范围，也暴露了旧体系的缺口。新闻、政策文件、会议记录、内部备忘录和争论原本无法像时间序列那样系统调用。Bridgewater没有把这些文件直接倒进向量库，而是清洗、治理并映射到内部本体。向量库是把文本转成数值表示，再按相似度检索的资料库。本体是机构对国家、市场、概念及其关系的统一定义。文档还带有所讨论时期等属性，因而同一概念、同一日期在人类界面和Agent调用中不必各建一套解释。

这条纵向演进解释了Vault的重心。Bridgewater过去靠结构化数据保持研究口径一致，如今把同样的控制延伸到非结构化资料。其难以迁移的部分并非某个检索模型，而是资料在什么语义、权限和历史时点下可被使用。

同一底座要同时承受人的精度和Agent的吞吐

共用底座并不等于共用一种搜索方式。

Bridgewater披露，约300名人类用户合计每小时搜索约100次。Agent端每秒可能超过100次，集群调用还会更高。按同一小时换算，Agent端搜索量可能是人类端的数千倍。人类需要前几条结果足够准确，Agent更依赖召回、过滤和稳定吞吐。Vault因此把精度、召回、过滤、权限和规模拆开优化，但两类入口仍落到同一批资料和控制规则上。

团队先用约200个手工标注的问题建立内部评测。按“前十条中有多少是正确文档”的口径，结果从约60%升至90%—95%，最后一轮改进包括Agent式搜索。Agent式搜索是由Agent多轮检索、筛选并整合资料。样本在不到一周内完成，查询集和失败样本没有公开，因此这组数字能证明团队建立了改进闭环，不能证明所有研究问题都达到同一水平。

一次韩元研究演示说明了时点过滤的作用。公共网络客户端找到15个看似相关的来源，只采用一两个，其中一份主要材料来自三个月前。接入Vault后，Agent把范围限制在10月1日至8日，筛出52份候选文档并引用7份。单次演示不能充当准确率基准，但它揭示了底座与模型的分工：模型无法从未接入、无权读取或时点错误的资料中还原当时的市场认识。

权限也随使用者身份进入Agent。Bridgewater在PAT演示中披露，不同投资者会得到不同的上下文和工具组合，使Agent只能接触该用户本来有权查看的信息。PAT是AI Pocket Analyst Tool（AI随身分析工具）的简称。Vault再把保存的搜索、研究集合、Slack、手机、开发环境和Agent命令行接回同一层。人和Agent可以走不同入口，权限和资料版本却不需要复制。

同期方案都在接入内部知识，Vault多做了一层统一治理

本节只比较Morgan Stanley与Coatue两个同期公开案例，不能据此判断所有同期方案。

两者都把内部知识接入投研AI，但Bridgewater公开的Vault架构还把检索、历史时点、内部语义、身份权限和结论回写放进同一个循环。公开数字的任务和口径不同，以下比较只对齐系统控制点，不作性能、覆盖范围或架构优劣排名。

Morgan Stanley证明，治理后的内部资料能把知识检索推入高频工作流。Coatue更直接地提出，员工屏幕上可见的信息也应通过API交给Agent，并把历史决策记录视为AI可用资产。这两个案例都支持Bridgewater的前提，但公开材料没有证明它们已经建成与Vault相同的一体化底座。Vault在这组比较中的差异来自公开控制点更完整，不等于其覆盖范围、系统性能或投资效果领先。

这也解释了模型为何被放在可替换层。Bridgewater管理投资负责人Greg Jensen称，AIA持续评测不同工具，并未锁定Anthropic或OpenAI。AIA是AIA Labs的简称，指Bridgewater的人工智能投研团队。不同Agent会使用前沿模型、针对任务训练的模型或其他工具，Vault也支持自训练模型与外部基础模型。只要资料接口、权限和语义不随模型供应商重建，换模型就是局部替换，而非迁移机构知识。

观察点：机构记忆要先证明不会放大旧错误

Vault最需要验证的，是治理一致性和研究结果能否穿过下一道评测。

相同身份从投资者界面与Agent接口提出同一问题时，权限过滤、日期截断和引用范围应当一致。尤其在历史研究中，任何事后形成的文件或修订数据进入答案，都会制造“当时已经知道”的假象。公开演讲把权限列为五个设计维度，却没有披露跨入口测试结果。

研究回写也可能把优势变成约束。若Agent生成的综合结论缺少来源、生成时间、审核状态和替换关系，错误会以“机构记忆”的身份进入下一轮调查。Bridgewater展示了投资者可查看底层证据，也表示协作成果会自动回到Vault，但尚未公开回写内容如何版本化、过期或纠错。只有这套循环在新主题和新时间段上保持可追溯，资料积累才会形成复利。

最后一道边界是投资结果。约200题的搜索评测、韩元案例和“数小时研究压缩到几分钟”的演示，衡量的都是资料获取或工作流效率。它们不能直接推出预测更准、信号更稳或收益更高。Bridgewater也没有把Vault等同于自治交易系统：其公开说法仍由人批准生产数据获取，并以人设定的算法控制风险和执行。

因此，Vault目前最可靠的判断仍是“人和Agent共用的受治理研究底座”。它把可替换模型与不可轻易搬走的权限、内部语义、历史时点和机构记忆分开。后续若能公开跨入口权限测试、回写纠错记录，以及从检索到预测或信号的分层结果，才足以判断这套底座是否把架构优势传到了投资表现。