docs: add 2026 WorldQuant research knowledge base

2026-09-07 20:03:16 +08:00
parent 647621e5ea
commit 25ecd0a6c5
35 changed files with 3182 additions and 0 deletions
@@ -0,0 +1,49 @@
+# 2026 AI 挖因子：假设、实验与失败记忆
+
+今年来源显示，重点已经从生成表达式扩展到字段核验、实验控制、预算、Python 语义和失败记忆。这是材料归纳，不代表 AI 工作流已证明能提高样本外收益。
+
+## 1. 数据与工具先验来自可核验目录
+
+模型生成前先获取当前字段与算子 schema，核对 region、universe、delay、type、单位和覆盖。先做语义分类和分布检查，再讨论表达式。来源：[WorldQuant BRAIN Alpha研究实战：从数据探索到LangGraph工作流](https://support.worldquantbrain.com/hc/en-us/community/posts/41037391218583)（2026-06-07）、[检测AI生成的alpha表达式，是否出现凭空捏造的数据字段](https://support.worldquantbrain.com/hc/en-us/community/posts/38265775305751)（2026-02-09）。
+
+模型不能猜字段名，未知对象应返回待核验。双字段应登记主腿、辅助腿、关系和证伪条件。社区的 hook 禁止随意常数混合，是该作者的防过拟合策略；本库不将其视为数学上的普遍禁令。来源：[一个skill让AI不再混信号](https://support.worldquantbrain.com/hc/en-us/community/posts/42981290349463)（2026-08-25）。
+
+## 2. 一个批次回答一个问题
+
+每批至少包含 primary、ablation、control、少量 variant。主候选测试机制，消融判断哪个组件必要，对照排除简单价格或风险暴露，变体测试稳健性。来源：[【工作流分享】我把整套 BRAIN 挖矿流程写成了 5 个 Agent Skill（含使用教程 + 真实实验记录 + 全套文件打包下载）](https://support.worldquantbrain.com/hc/en-us/community/posts/42274443124119)（2026-07-28）。
+
+例如极性配对：主候选是净情绪，消融是正腿/负腿，对照是总消息量，变体是邻近窗口。不要先造数百条表达式，再从赢家倒推经济解释。
+
+## 3. 方向评分不能伪装成统计证明
+
+“方向雷达”帖建议对批次用 Sharpe 分布、命中率、最佳值与若干置信规则评估数据方向，作者报告回溯效果。来源：[【经验分享】用AI 跑了几百次回测还找不到优质信号，到底是池塘没鱼还是鱼饵不对？燃烧token！给 AI 装上导航！](https://support.worldquantbrain.com/hc/en-us/community/posts/39319955780887)（2026-03-26）。
+
+可取的是把“数据方向差”与“表达方式不合适”分开，并允许暂缓和停止。风险在于候选彼此相关、经过自适应筛选；把几十条相关表达式当独立样本做 t 检验，不能证明存在 Alpha。Top Sharpe 也有赢家偏差。应保留未用时间段、固定基线，按真实时间序列依赖设计验证；简单重采样表达式不解决时间泄漏。
+
+## 4. 状态机与上下文摘要
+
+流程可以是：假设登记→合法性检查→预算批准的模拟批次→诊断→修复或淘汰→稳健性复核→候选池。作者的 PASS/CONDITIONAL/REJECT 和 Skill 分工可作为组织方式，但评判必须依据真实响应。来源：[【工作流分享】我把整套 BRAIN 挖矿流程写成了 5 个 Agent Skill（含使用教程 + 真实实验记录 + 全套文件打包下载）](https://support.worldquantbrain.com/hc/en-us/community/posts/42274443124119)（2026-07-28）、[最近跑通的一套 Alpha 研究“反馈回路”：少一点玄学，多一点可验证](https://support.worldquantbrain.com/hc/en-us/community/posts/40290434309655)（2026-05-07）。
+
+模拟工具原始大输出会挤占上下文，社区有耗掉多数上下文的反馈。保留完整原始结果引用，给模型仅传关键检查、变化、PnL 摘要与失败原因；不能在摘要中丢掉 WARNING 或 pending。来源：[挖掘 Token 黑洞 01：MCP Simulation 如何吞掉 70%+ 的可读上下文](https://support.worldquantbrain.com/hc/en-us/community/posts/40530659645719)（2026-05-17）。
+
+## 5. 失败记忆
+
+记录失败类型、字段/结构、settings、修复动作和适用条件，让下轮先查相同失败。来源：[[Python Alpha 挑战赛]基于多层记忆的PythonAlpha自动探索ai-agent](https://support.worldquantbrain.com/hc/en-us/community/posts/40768096146327)（2026-05-27）、[[skills小工具]将数据库中数据封装成skills，用于AI工作流](https://support.worldquantbrain.com/hc/en-us/community/posts/39215982466071)（2026-03-22）。尚没有足够对照证明记忆库带来更高样本外收益，但它可减少重复试错并提高可审计性。
+
+社区 casebook 细分算子语义、NaN/window、中间值、store warm-up 与 schema 故障。来源：[[Python Alpha 挑战赛] SKILL: Regular to Python Alpha ｜ 稳定转写Python Alpha](https://support.worldquantbrain.com/hc/en-us/community/posts/41032955115927)（2026-06-07）。只有可复现结论才升级为稳定规则；一次失败不能永久封禁某字段或算子。
+
+## 6. Python 要区分翻译和新方法
+
+先对齐 NaN、窗口、rank/group、初始化、设置和中间值。总 Sharpe 接近仍可能掩盖近期子区间差异；应比较逐期 PnL、相关性、覆盖和全部检查。来源：[[Python Alpha 挑战赛] SKILL: Regular to Python Alpha ｜ 稳定转写Python Alpha](https://support.worldquantbrain.com/hc/en-us/community/posts/41032955115927)（2026-06-07）、[【python alpha挑战赛】fast to python alpha skill ](https://support.worldquantbrain.com/hc/en-us/community/posts/41449260982423)（2026-06-24）。
+
+Store 可以减少重复计算和请求历史长度，但使用 `lookback=0` 的社区经验不是所有算法都合法、正确或无需预热的保证。缓存要处理事件时间、股票进出和初始状态。来源：[【Quant101】基于FastExpr的高效PythonAlpha架构设计——From Fast to Python Skill](https://support.worldquantbrain.com/hc/en-us/community/posts/41540545206679)（2026-06-27）。
+
+真正需要 Python 的自适应与概率模型，也应与确定性简单基线比较。来源：[[Python Alpha 挑战赛] Monte Carlo GBM + 贝叶斯自适应：AI Agent 量化研究工作流实战](https://support.worldquantbrain.com/hc/en-us/community/posts/41540700959639)（2026-06-27）。平台当前支持范围继续以 [Python Alpha](python-alpha.md) 的已核查官方资料为准。
+
+## 7. 建议的生成契约
+
+输入：当前合法字段/算子子集、机制问题、完整市场设置、预算、禁用的已知失败模式。
+
+输出：一句假设；数据可得时间；主/辅腿；最小表达式；单位/缺失假设；反例；基线/消融/对照；需要核验的事项。模型不得自行把预期 Sharpe 填成实测值。
+
+预算结束、字段不可解释、连续变体只有局部过线、无新增信息或近期失效时暂停该方向。具体阈值由实验预先定义，本次未运行任何挖掘任务。
@@ -0,0 +1,16 @@
+# 外部 AI 研究方案：借鉴方法，明确平台边界
+
+这些是补充材料，核心知识仍来自邮件与中文论坛。论文日期与年份区分“新方案”和“今年仍值得补课的旧方案”；没有把仓库活跃等同于当前生产可用。
+
+| 方案 | 已核验时间 | 最值得借鉴 | 与 BRAIN 的边界 |
+| --- | --- | --- | --- |
+| Microsoft R&D-Agent(Q) | 论文 2025-05-21，非 2026 首发 | 假设生成、编码、执行、分析反馈闭环，因子与模型联合探索 | 默认本地数据/Qlib；不能直接替代 BRAIN 私有字段与远程回测 |
+| Qlib | 论文 2020-09-22，基础设施 | 数据、训练、回测、评估的可复现工作流 | DSL、费用、股票池、中性化口径与 BRAIN 不等价 |
+| AlphaAgent | 论文 2025-02-24，非 2026 首发 | AST 新颖性、经济解释一致性、表达式复杂度约束 | 本地表达式不天然兼容 FastExpr；结构新颖不保证 PnL 独立 |
+| AlphaBench | ICLR 2026 | 将生成、评价、搜索分开评测；观察格式正确性、搜索成本和改善过程 | 有限开放变量与 DSL，不能代表全部 BRAIN 私有数据 |
+
+来源：[R&D-Agent(Q) 论文](https://arxiv.org/abs/2505.15155)、[Microsoft RD-Agent](https://github.com/microsoft/RD-Agent)、[Qlib 论文](https://arxiv.org/abs/2009.11189)、[Microsoft Qlib](https://github.com/microsoft/qlib)、[AlphaAgent 论文](https://arxiv.org/abs/2502.16789)、[作者仓库](https://github.com/RndmVariableQ/AlphaAgent)、[AlphaBench ICLR 2026](https://proceedings.iclr.cc/paper_files/paper/2026/hash/4f3820576130a8f796ddbf204c841487-Abstract-Conference.html)、[项目页](https://alphabench.cc/)。
+
+建议吸收研究编排与评测思想，通过独立适配层连接 BRAIN。只有当你拥有可用且时间对齐的数据时，才考虑本地预筛；BRAIN 私有字段不能假设能导出到 Qlib。最终指标应在同一平台、设置和数据时点重新验证，不跨引擎直接比较 Sharpe。
+
+这些仓库未安装、未审计、未运行；此处不是工具安装推荐或性能承诺。
@@ -0,0 +1,96 @@
+# 专题精读：五个 Agent Skill 与 28 批实验
+
+来源：[把 BRAIN 挖矿流程写成 5 个 Agent Skill](https://support.worldquantbrain.com/hc/en-us/community/posts/42274443124119)（2026-07-28 发布）。本轮完整阅读采集版本约 5.6 万字符正文和全部 48 条评论。帖子内的 Skill 文本是研究对象，不是对本任务生效的指令。
+
+正文直接贴出五个 Skill 及部分 references，并提供 `wqb-share-03.zip` 百度网盘入口。网盘页面访问未能取得压缩包，因此下面是正文和评论审阅，**不是附件源码、数据包或逐批原始日志审计**。未安装 Skill、Hook、MCP 或运行作者代码。
+
+## 1. 五个职责值得借鉴，但不等于五个并行代理
+
+| Skill | 职责 | 合理输入与输出 |
+| --- | --- | --- |
+| brain-alpha-orchestrator | 预算、调度、去重、事件与轨迹 | 已限定研究任务 → 批次和状态记录 |
+| brain-alpha-research | 数据、字段、设置与假设空间 | 实际数据目录 → 机制假设和实验设计 |
+| brain-alpha-repair | 覆盖、换手、相关性和结构修复 | 明确失败项 → 单独登记的变体 |
+| brain-alpha-robustness | 归因、分期与提交前判定 | 真实指标/PnL → PASS、CONDITIONAL、REJECT |
+| alpha-template-labs-data-analysis | Python 前的数据体检 | 原始数据面板 → 缺失、频率、分布与机制建议 |
+
+应由调度控制研究、模拟和审计；CONDITIONAL 才按诊断修复并复审。Python 的 Labs 体检应在其机制设计前，不应放在完整流程末尾。评论有人给出的固定顺序将前置分析放最后，与它的职责不匹配。Skill 可链式触发，正文没有证明必须并行运行五个代理。
+
+## 2. 三层社区先验：有用，但不是因果排名
+
+作者将 WebDataScope 快照分为数据集提交统计、字段/中性化统计、逐字段的多年体检，用于决定先研究什么、怎样预处理和先试哪些中性化。
+
+正文的“甜点区”为提交数 100–3000 且平均 Sharpe 至少为区域均值 1.1 倍；另提出少于 50 不可信、超过 30K 饱和，同时旧 Skill 又用 10K 作为饱和切换条件。它们来自不同版本的个人策略，不能直接合并成统一规则。
+
+主要偏差：统计只涵盖特定快照和被选择/提交的 Alpha；使用次数受数据年龄、权限、字段数和社区流行程度影响。低使用可能是新或难用，高使用可能是可靠也可能是拥挤。应把它当排序先验，保留新方向探索预算，不能判定“没人提交就是低质量”。
+
+原文称大样本先验兑现、小样本翻车，但给出的样本量存在交叉：成功例 n=48，失败例 n=51 和 n=161。仅凭这些例子无法支持样本量导致成败。中性化之间的平均 Sharpe 也不是同一字段和设置下的随机对照。
+
+## 3. 一个批次是一项实验
+
+最值得保留的设计是 primary、ablation、control、variant：先验证主机制，再去掉关键组件、排除简单暴露，并检验邻近变体。它有助于尽早停止伪信号，但一批实验不能普遍证明假设真伪，更不能消除反复挑选的偏差。
+
+新闻研究可按水平、变化、意外程度、分歧、事件条件、传播六类组织；字段则按方向、关注、分歧、事件类型、同行背景分类。这些是候选组织方式，不是六类必然有效的 Alpha。
+
+## 4. 原实验究竟完成多少
+
+作者报告 28 批、280 次模拟、9 个数据集，在 300 次预算内完成了“3 个不同数据集合格候选”目标的 **1/3**；另有同数据集备份和近失候选。不要总结成成功找到三条全部合格、独立策略。
+
+最终展示的 other566 候选使用组内排序、中心化、立方和衰减；作者报告 Sharpe 1.74、Fitness 1.04、2Y 2.79、margin 7.2bp、turnover 14.7%、ProdCorr 0.593、SelfCorr 0.416。该候选只是作者报告的未提交结果，本库没有复现。
+
+“三风格篮子互相关 <0.4”与“三个候选全部通过目标门槛”是不同结论。作者同时报告做空供需与价值的相关为 0.766，说明数据类别不同不足以证明独立。
+
+另有口径待对账：教程强调每批 8 条，旧 Skill 写每批 4 条；28×8=224，不能仅凭正文重建 280 次总数。额外测试或重试可能解释差异，但在取得逐批日志前不能替作者补造原因。
+
+## 5. Failed RA/PPA 计数的价值与漏洞
+
+正文伪代码对选定的 check name 计数，状态不是 PASS 或 PENDING 时计入失败；PPA 还对 LOW_SHARPE 的数值单独判断。这可帮助避免只看顶层 Sharpe/Fitness，却不是完整的提交资格证明。
+
+- **零失败不代表全部检查已完成**：PENDING 不计失败，空 checks 数组也可能得到零。
+- **检查名列表是版本相关的**：新检查、主题豁免和未列入的 WARNING 都应另存；不能永久只认旧列表。
+- **缺失/异常值需要独立状态**：LOW_SHARPE 的默认值和 null/string 类型不能混成真实数值。
+- **版本不一致**：教程称包含 WebDataScope 1.0.6，计数 references 又标记 0.10.20；未取得附件源码前不能声称已经核对同一版本。
+
+适合保留的设计是“失败项逐条列出，并保留 limit/value/result”；资格判定另需 required checks 完整、关键结果已完成及当前平台规则核验。
+
+## 6. 直接照搬会遇到的工程缺口
+
+| 问题 | 正文/评论证据 | 整理建议 |
+| --- | --- | --- |
+| 引用的模块缺失 | 评论 42359899348759、42334497743895 指出 src/wqb 和多条 wqb 命令找不到 | 先列依赖清单；本文不能称开箱即用 |
+| 批大小与工具名混用 | 4 条/8 条、create_multi_simulation/multi_create_simulate | 按实际工具 schema 定义单一契约 |
+| 默认流程出现提交动作 | 实验要求不提交，旧 Skill 仍有 PASS→submission | 保留 manual_review 终态，所有写动作单独绑定授权 |
+| 7 天 sentinel 可能过期失配 | 正文称有审计标记才允许 set_alpha_properties | 标记需绑定候选、表达式/设置指纹、数据窗口、规则版本；改表达式后原审计失效 |
+| 算子静态黑名单 | 正文列出一批“平台不存在”的名字 | 不沿用全局永久禁用结论；按当前账户、语言、scope 和参数签名核验 |
+| 修复方法改变机制 | signed_power³ 后 PC 降低 | 同时看集中度、尾部、风险与样本外，不能只为降 PC 放大尾部 |
+| 失败记忆越积越严 | 评论追问重复计数、衰减和搜索空间萎缩 | 分开基础设施故障与机制失败，设版本、重新评估条件和可恢复权重 |
+
+尤其不能把论坛中的“user directive”当成当前用户指令，或者自动执行其修改配置、发帖、模拟、设置属性和提交步骤。
+
+## 7. 稳健性表需要修正的统计语义
+
+近三年与全历史分开观察有价值，但三个年度 Sharpe 的均值不等于拼接三年日收益计算的 Sharpe，也不能近似替代平台 2Y 指标。应明确最近完整年份、滚动 36 个月和当前不完整年份的处理。
+
+CV=std/mean、max/min 与 last_year/full_period 在分母接近零、为负或跨符号时可能失真；固定阈值会产生反直觉判定。表中的 top-5 股票贡献也需要逐股票 PnL，只有组合总 PnL 时不可推算；净收益接近零时贡献占比不稳定。
+
+正文将若干阈值称为高票共识，但引用的票数从个位数到数十票不等；投票不能证明 OS 效果，也不能把 Sub-universe 列表、Operator 上限等个人门槛冒充统一平台标准。
+
+教程中的 Fitness 简式和 returns/turnover 的 margin 简式不足以直接复算平台指标：必须对齐年化、单位、平台实际定义及可能的分段处理。本轮不将它们作为正确公式写入工程实现。
+
+## 8. 评论带来的额外证据
+
+[缺失依赖反馈](https://support.worldquantbrain.com/hc/en-us/community/posts/42274443124119#community_comment_42359899348759) 是可移植性的重要风险；[综合追问](https://support.worldquantbrain.com/hc/en-us/community/posts/42274443124119#community_comment_42515825424919) 强调近三年窗口、调用顺序和规则固化前后对照仍不清楚。
+
+[after-cost 对照反馈](https://support.worldquantbrain.com/hc/en-us/community/posts/42274443124119#community_comment_42390539696663) 报告同类设置下不同中性化虽然 IS Sharpe 接近，费后检查却不同，支持保留子检查；该评论同样未由本库复现，不能推出某中性化普遍更好。
+
+其余许多评论是赞同、正在试用或二次总结，不能累加为独立成功样本。
+
+## 9. 对当前研究最有用的取舍
+
+保留：模块职责、字段/算子核验、一次实验一项问题、真实检查证据、审计与修复分离、失败台账。
+
+改写后才考虑落地：数据先验、数值阈值、近三年窗口、Failed 计数、审计标记、失败记忆权重与接口适配。
+
+不据此采纳：固定收益承诺、仅凭投票的“共识”、缺失依赖的安装步骤、静态永久算子黑名单，以及自动外部写入。
+
+配套阅读：[2026 AI 方法](2026-methods-and-failures.md)、[实验台账](../03-engineering/experiment-ledger.md)、[优化流程](../08-alpha-optimization/diagnostic-workflow.md)。以上是专题分析，未修改项目 Skill 或运行系统。
@@ -0,0 +1,33 @@
+# Python Alpha：先选对场景，再增加表达力
+
+FastExpr 已能表达的简单机制，先用它建立基线。需要自定义变换、跨步状态或更复杂机器学习逻辑时，再评估 Python 的收益是否值得额外正确性与运行成本。
+
+## 当前取得官方证据的边界
+
+| 能力 | 官方说明 |
+| --- | --- |
+| 自定义计算 | 可自定义算子、复杂时序、持久状态、机器学习；清洗和公司行为调整责任增加 |
+| API | 支持 `brain.simulate()`/`brain.simulate_async()`；Labs 外需 PYTHON 语言与 lookback 设置 |
+| multi_sim | 不支持，仅单条 simulation |
+| SuperAlpha | Python Alpha 不能作为组件 |
+| Power Pool | Python Alpha 不符合参赛资格 |
+| Pyramid / Genius signal | 官方分别答复可以计入 |
+| 缩短日期范围 | start_date/end_date 仅用于 Labs simulation，不影响真实后台 simulation |
+| 起步模板 | Labs 的 quick-start notebook 与 `alpha_example.py` |
+
+来源：[What are the advantages of Python Alphas over Fast Expression Alphas?](https://support.worldquantbrain.com/hc/en-us/articles/41142997585943)（官方，更新 2026-08-30）；[Can I run Python Alpha simulations via the API?](https://support.worldquantbrain.com/hc/en-us/articles/41143237730711)（官方，更新 2026-06-27）；[Does Python Alpha support multi-simulation (multi_sim)?](https://support.worldquantbrain.com/hc/en-us/articles/41143256748183)（官方，更新 2026-06-27）；[Can Python Alphas be selected as components in a SuperAlpha?](https://support.worldquantbrain.com/hc/en-us/articles/41143165313815)（官方，更新 2026-06-27）；[Can Python Alphas be submitted in the Power Pool competition?](https://support.worldquantbrain.com/hc/en-us/articles/41143131195671)（官方，更新 2026-07-17）；[Can a Python Alpha count toward my pyramid number?](https://support.worldquantbrain.com/hc/en-us/articles/41143114222999)（官方，更新 2026-07-17）；[Do Python Alphas count toward my Genius signal count and cap?](https://support.worldquantbrain.com/hc/en-us/articles/41143111825303)（官方，更新 2026-07-17）；[Can I simulate Python Alphas over a shorter date range?](https://support.worldquantbrain.com/hc/en-us/articles/41143262103191)（官方，更新 2026-06-12）；[Are there any Python Alpha templates or example Alphas to start from?](https://support.worldquantbrain.com/hc/en-us/articles/41143071092119)（官方，更新 2026-06-27）。
+
+## 转写必须做的对照（建议）
+
+- 固定股票顺序、交易日、delay、mask、缺失哨兵、回填方式与 corporate actions 处理；缺失值不能一律填零。
+- 区分截面 rank 与时序 rank；检查窗口是否包含当日、初始化多久、历史不足怎样处理。
+- 对小样本逐日比较中间数组，再比较最终权重和 PnL；最终 Sharpe 相近不能证明数值等价。
+- 行业中性化不等于减去全市场均值，pasteurize/neutralize/scale 的先后需要明确。
+- 只有必要时持久化 state；保存状态会影响重启与复现，避免泄漏未来信息。
+- 返回 dtype、形状、字段类型支持和 lookback 上限从当前 Labs 示例与实际接口核对，不照搬旧帖数字。
+
+社区两阶段方法先 FastExpr 探测、再 Python 深化，有助于限制搜索成本；作者声称的耗时提升未经本次复现。5 月“lookback≤115”和 8 月“50–350”范围相冲突，因此本库不提供固定上限，也不沿用“不支持 GLB/GROUP/VECTOR”的历史断言。
+
+来源：[[Python Alpha 挑战赛]Python Alpha两阶段筛选法：FastExpr快速验证 + Python深度优化](https://support.worldquantbrain.com/hc/en-us/community/posts/41135490599063)（发帖 2026-06-11，社区经验）；[从 Fast 翻译到 Python Alpha 别急着炫技：截面/时序错位是头号杀手，事件漂移和中性化层级是隐形雷](https://support.worldquantbrain.com/hc/en-us/community/posts/42047259261335)（发帖 2026-07-18，社区经验）；[【经验分享】Python Alpha 30名心得：从 FastExpr 到 Python，我用 17 个 alpha 趟出来的一条路](https://support.worldquantbrain.com/hc/en-us/community/posts/42519002511767)（发帖 2026-08-06，社区经验）；[Python Alpha 平台限制粗略小结，请大佬指正](https://support.worldquantbrain.com/hc/en-us/community/posts/40742727142679)（发帖 2026-05-26，社区经验）。
+
+本次没有安装或运行 BRAIN Labs Python SDK，所以这里只提供官方入口与迁移验证设计，不提供宣称可直接运行的 SDK 脚本。
@@ -0,0 +1,32 @@
+# AI 因子挖掘：把研究做成可审阅闭环
+
+优先采用“假设 → 数据核验 → 小批候选 → 回测证据 → 定向修复 → 稳健性/相关性 → 人工裁定”。AI 负责扩展、实现和归纳，经济假设与结果之间必须有可追溯证据。
+
+## 2026 社区方案值得吸收什么
+
+| 来源 | 有用机制 | 不应照搬 |
+| --- | --- | --- |
+| 5 个 Agent Skill，7 月 28 日 | research/orchestrator/repair/robustness/Labs 分工；预算、失败记录、算子预检 | 28 批 280 次最终只完成 3 个数据集目标中的 1 个，且候选未提交；不能宣传为完整成功流水线 |
+| 一二三阶实践，7 月 24 日 | 生成、语法修复、字段过滤、批回测、二轮定向优化 | 1.2/0.8、1.3/1.0 是探索阈值，不是提交门槛；并发和轮数不是账户规则 |
+| 频率感知 Seed，6 月 17 日 | 在源头匹配更新频率，分 trend/cycle/reversal 方向 | 66、22−120、10 日为示例，缺独立对照，不是最优参数 |
+| 可复盘流程，8 月 6 日 | 理解数据含义，每次改一个主变量，记录失败 | “Skill 无用”是个人观点，与前述流程固化主张有分歧 |
+| raw/decision，8 月 2 日 | 完整结果留本地，对话仅按需取关键状态与增量 | 截断表达式不能作唯一标识，空指标不能当通过 |
+
+来源：[【工作流分享】我把整套 BRAIN 挖矿流程写成了 5 个 Agent Skill（含使用教程 + 真实实验记录 + 全套文件打包下载）](https://support.worldquantbrain.com/hc/en-us/community/posts/42274443124119)（发帖 2026-07-28，社区经验）；[浅谈我的一二三阶开发流程----记7.23日新人答疑课](https://support.worldquantbrain.com/hc/en-us/community/posts/42184733027991)（发帖 2026-07-24，社区经验）；[频率感知的 Seed 构造 × CW 前置分层诊断 × 多 GEM 降相关：让自动化 Alpha 挖掘在"源头"而非"后处理"解决问题](https://support.worldquantbrain.com/hc/en-us/community/posts/41292678360727)（发帖 2026-06-17，社区经验）；[【7月新顾问分享】从盲目试错到建立可复盘的 Alpha  ai研究流程。  随着大模型的增强，我个人认为skill是无用之举，并且会限制你的ai去挖掘更多方向](https://support.worldquantbrain.com/hc/en-us/community/posts/42513455206423)（发帖 2026-08-06，社区经验）；[【工程优化】Agent 挖 Alpha 时 Token 黑洞：raw 留磁盘，对话只读 decision](https://support.worldquantbrain.com/hc/en-us/community/posts/42406158561943)（发帖 2026-08-02，社区经验）。
+
+## 适合你的最小流程（整理建议）
+
+1. **Research brief**：固定研究问题、地区、数据时点与预算。AI 从真实字段目录中选材，每条候选附来源及反例。
+2. **Preflight**：检查字段存在、类型/单位、当前算子可用性、表达式结构、完整 settings、时间泄漏风险和历史重复。
+3. **Baseline batch**：基线与消融共享数据/设置；有限变体，生成 manifest 后再执行。不要临时改指标筛选口径。
+4. **Evidence capture**：保存输入 hash、simulation ID、alpha ID、原始响应、错误、时间和数据版本；状态用显式枚举。
+5. **Repair**：按实际失败原因路由。覆盖差先处理数据，集中度高先拆持仓原因，相关性高先审视同质逻辑，而不是万能加 decay。
+6. **Review**：检查分年、子宇宙、成本、稳健性与个人池增量。根据证据决定保留、再实验或停止。
+
+Skill 适合固化数据契约、授权边界、记录和终验关卡；研究方向保持可变。这个取舍是本知识库建议，不是社区共识。应允许 AI 提出新假设，但要求变更有理由、有对照、有预算。
+
+## 给 AI 的研究 brief 示例
+
+> 研究同数据集内语义相反字段之差是否比单字段具有更低相关性。只从给定的真实字段目录选择，返回 ID、含义、单位、更新频率、正负方向依据、基线与消融计划。未知信息写“待核实”。预算先设计 12 个实验，不执行。不要编造字段、把样本内提升当成功，或自行提交 Alpha。
+
+这只是当前知识库中的示例，不安装为全局 Skill 或项目规则。