先看证据
文件留得住，判断未必留得住
Terminal X 于 2026 年 10 月 20 日介绍了 Capital Memory 操作系统，面向希望保留投资团队内部判断方式的机构。公司称，其工程师会与客户共同设计代理架构，把投资流程中没有正式写下来的做法编码进由客户拥有的代理，并部署在客户本地或自有云环境。OpenAI 模型承担代理中的推理工作，Terminal X 的 Eval Agent 则检查输出是否符合机构标准。
这套系统瞄准的不是文件缺失，而是文件与判断之间的断层。机构可能保存了尽调报告、投委会材料和数据，却未必保存资深投资人如何筛选借款人、选择信息来源或判断某个机会是否符合基金授权。Terminal X 把这种经验流失称为“记忆债务”。因此，核心问题是能否把“为什么这样做”变成之后可重复执行、可检查和可修订的流程，而不是单纯把更多文件交给模型阅读。
把经验拆成不同阶段的工作
Terminal X 称，工程师会在客户现场花数周梳理可信的投资备忘录，并还原没有形成正式文档的细节。例如，信贷团队如何筛选借款人，或联合投资团队在撰写备忘录前会查阅哪些来源。随后，这些做法被拆解为数百个按资产类别和投资策略定制的代理，并进一步安排在投资流程的不同阶段。设计重点由此从“给通用助手一批材料”转向“为具体任务建立可执行步骤”。
模型也按任务分工。GPT‑6.1 Sol 被用于需要判断和较大上下文的环节，包括整合投资论点、识别关键考量和评估是否符合基金授权。GPT‑6 Luna 则承担较高频、对成本效率更敏感的步骤。代理在客户的私有数据环境中处理英文、韩文、日文和中文材料，并将过往分析、投委会决定、流程指令和内部观点整理为有版本记录的 Memory。Terminal X 还称，生产查询会保留步骤、检索来源和所用模型等审计轨迹。
评估器把标准转成可追问的问题
Memory 记录机构过去如何分析和决策，Eval Agent 则检查代理有没有按这些标准完成工作。Terminal X 称，这个由 GPT‑6.1 Sol 和其他 OpenAI 模型编排的工作流，会按 54 项标准审阅每份输出，类似副总裁检查分析师的工作。检查内容包括数字、可比公司、市场一致预期和引文是否来自正确来源，论述是否成立，以及建议是否与机构观点一致。每项检查给出通过或未通过，未通过时附上一句原因和更合适的来源或修正文本。
失败案例还会被加入 Memory，这构成了一条潜在的改进路径：先把偏差定位，再记录修正依据，之后让工作流参考这些记录。但“被记录”并不等于“已自动纠正”。现有材料没有说明失败项如何影响后续代理行为、由谁批准写入长期记忆，也没有交代评估器误判时如何避免把错误规则固化下来。版本控制能让人追踪变化，却不能单独保证写入的标准正确。
几项指标对应的是不同问题
Terminal X 报告称，在 GPT‑6.1 Sol 上，Eval Agent 对偏离基金授权的建议，检测率比次优模型高约 25%。代理与人工审核者的一致性高 220 个基点，每次查询成本则低约 30%。发布标题还称系统与资深投资人判断的匹配度为 88.6%，但给出的材料没有解释这一比例如何计算。另有一家私募股权客户报告称，自动化尽调和投资备忘录工作流带来每年约 240 万美元的年化节省。
这些数字不能拼成一个笼统的“投资决策提升”结论。授权偏离检测衡量的是发现不符合边界的建议，一致性比较的是代理与人工审核者，单次查询成本不等同于完整部署成本，而 240 万美元是一个客户报告的年化节省。材料没有提供样本规模、任务构成、评审者人数、比较模型名称或节省测算口径，也没有说明 88.6% 的判断匹配覆盖哪些工作。它们是可进一步核验的客户与产品主张，不是足以外推到所有机构的统一基准。
部署的难点在标准如何持续维护
对技术负责人来说，这套架构的价值不只在于模型推理，而在于它试图把私有数据、分阶段代理、机构记忆和评估轨迹连起来。客户拥有代理并选择本地或自有云部署，意味着数据环境和工作流可以围绕机构自身建立。与此同时，Terminal X 的工程师要花数周在现场还原做法，说明系统不是接入模型后就能直接复用的标准组件。工作流定制、记忆整理和评估维护，都是需要纳入部署成本的工作。
真正需要治理的是标准如何形成、如何改动，以及谁有权把一次判断变成之后的规则。机构可以先选取边界清楚、来源可核验的工作流，分别记录授权偏离、来源准确性和人工复核结果，再检查 Eval Agent 的失败项是否确实对应需要改进的问题。若无法说明 88.6% 的计算方法，或无法审查 Memory 的写入与修订过程，就不应把模型一致性直接当作资深判断已被复制。可执行的判断是把它当作一套有审计潜力的工作流系统来试点，逐项验证，而不是把“记住经验”误认为“替代经验”。