Autonomous AI Agent for C++ High-Frequency Trading Optimizations
本项目受 Andrej Karpathy 的 autoresearch 启发，将其“AI 自动化科研迭代”的理念借鉴到了C++ 极速代码优化领域。
在这里，我们让 AI Agent 接管到一个极速订单簿撮合引擎项目中 QuantCup 订单簿撮合引擎，通过无休止的 “提出假设 ➡️ 修改代码 ➡️ 极限评测 ➡️ Git回滚/提交” 闭环，通过AI的自主试探，榨干 CPU 的最后一丝性能。
在低延迟交易中，几纳秒的延迟都关乎生死。传统的 C++ 性能优化极其枯燥：研发者需要手动尝试各种性能调优，然后跑分验证。
如果把这个过程完全交给 AI 呢？ 我们为 AI 搭建了一个绝对公平且严苛的“黑箱沙盒”：
- 严格的单元测试：以 TDD 方式确保修改的正确性。
- 稳定的评测栈：使用标准化的测试数据流 (
score_feed.h)，并通过定制的evaluate.py脚本，在 Linux 下利用 绑核、隔离、设置调度优先级等手段消除操作系统噪音，提供极致稳定的性能中位数。 - 迭代优化机制：AI 运行脚本 -> 变快了就
git commit-> 报错或变慢了就git restore .，可以在极端的时间内完成一轮性能评估，反复迭代。
在30分钟时间里，AI Agent 独立通过Cluade Code，调用GLM 4.7 API完成了 20 次底层 C++ 代码迭代，其中成功 7 次。
最终战绩：撮合耗时从 68.00 降至 52.48，全程由 AI 独立完成，获得了 22.8% 的性能提升！
| Iter | 优化假设 / 代码改动说明 | 测试通过? | 运行均值 | 决策 (Keep/Discard) | 失败原因 / 经验总结 |
|---|---|---|---|---|---|
| 0 | 运行未修改的初始原始状态以建立基线 | ✅ | 68.00 |
Keep | 基础性能基线，后续的得分必须低于此数值 |
| 1 | 添加分支预测优化 (__builtin_expect) 到 order.side 判断和 bookEntry->size < orderSize 比较 |
✅ | 55.33 |
Keep | 成功提升 18.7%，新基线: 55.33 |
| 2 | 添加缓存行对齐 (alignas(64)) 到 OrderBookEntry 结构和热路径变量 |
✅ | 53.77 |
Keep | 成功提升 2.8%，新基线: 53.77 |
| 3 | 跳过已取消订单 (size==0) 并移除冗余的 erase() 调用 |
✅ | 53.35 |
Keep | 成功提升 0.8%，新基线: 53.35 |
| 4 | 内联 executeTrade 函数以减少函数调用开销 |
✅ | 52.97 |
Keep | 成功提升 0.7%，新基线: 52.97 |
| 5 | 将 limit order 参数从引用改为传值 (t_order& -> t_order) |
✅ | 52.82 |
Keep | 成功提升 0.3%，新基线: 52.82 |
| 6 | 使用原始指针访问 pricePoints 数组 (pricePoints.data()) |
✅ | 52.60 |
Keep | 成功提升 0.4%，新基线: 52.60 |
| 7 | 尝试使用原始指针访问 arenaBookEntries 数组 | ✅ | 53.34 |
Discard | 性能反而变差，编译器可能已优化迭代器访问 |
| 8 | 尝试添加 __restrict__ 限定符到 pricePointsPtr |
✅ | 53.93 |
Discard | 性能变差，手动添加 restrict 反而阻碍了优化 |
| 9 | 尝试移除 cache_last<true> 配置以优化 pop_front 性能 |
❌ | N/A | Discard | 编译错误：push_back() 需要该配置 |
| 10 | 缓存 bookEntry->size 到局部变量并移除未使用的函数 |
✅ | 52.48 |
Keep | 成功提升 0.2%，新基线: 52.48 |
| 11 | 尝试添加编译器优化标志 (-O3, -march=native 等) |
✅ | 52.80 |
Discard | 性能变差，构建系统已存在最优选项 |
| 12 | 尝试重新排列 t_order 结构体字段以提高缓存局部性 |
❌ | N/A | Discard | 失败：结构体重排破坏了 test.cpp 指定初始化器语法 |
| 13 | 尝试优化 pop_front 循环模式 |
❌ | N/A | Discard | 失败：段错误，逻辑修改破坏了迭代器正确性 |
| 14 | 使用宏减少代码重复以减少二进制大小 | ✅ | 54.67 |
Discard | 性能变差，宏开销或编译器无法优化宏生成代码 |
本仓库就2个核心文件：
evaluate.py(性能评判)：- 使用 CMake + 严格的 Release 模式编译。
- 运行 TDD 测试，通过逻辑正确性检验。
- 防抖动测试：绑定特定 CPU 核心 (CPU Affinity)，提升至实时抢占优先级，循环测试并取中位数，防止 AI 被系统调度的噪音误导。
program.md( 自主迭代指令)：- 这是一个纯 Markdown 编写的 System Prompt。它向 AI 解释了环境约束、核心指标、决策树（如何做 Git 提交和回滚），以及要求 AI 维护上面的《实验日志》。
- 启发自 Andrej Karpathy - autoresearch 的自动化 AI 研究流。
- 订单簿引擎基座来自QuantCup Orderbook 的优秀开源实现。
Disclaimer: This project is an experimental demonstration of AI capabilities in code optimization. HFT systems in production require rigorous validation beyond median benchmark scores.