深度调研（Probe）：面向智能体的量化研究系统

阅读提示

本文所说的面向智能体（agent-native），是指研究环境从接口、状态和验证方式上就便于智能体操作、检查与恢复，而不是让大语言模型（Large Language Model，LLM）直接给出买卖指令。研究产物（artifact）是一次研究中可保存、复查和重放的假设、数据版本、代码、实验结果与论断集合；验证器（verifier）是执行检查并给出通过或失败结论的组件。

时点一致（point-in-time）要求每个历史决策只能使用当时已经可见的数据。样本外（out-of-sample，OOS）评价使用未参与训练或调参的数据；封存留出集则对整个搜索过程不可见，只在最终检验时解封。自适应过拟合（adaptive overfitting）是指搜索器反复读取同一验证反馈后，逐渐适应该窗口中的偶然噪声。崩溃一致性（crash consistency）要求失败后恢复出的状态仍然可解释；恰好执行一次（exactly-once）要求重试不会重复产生下单、提交或写入等外部副作用。

范围：本调研关注如何把研究假设、历史数据、因子或模型代码、回测、论断、组合决策以及模拟与实盘晋级组织成可审计的研究系统。仅输出交易动作、只做行情预测或只优化模型服务性能的工作，不因使用 LLM 自动成为核心路线。

一页结论

研究版图已经分成六条路线。 量化研究对象、自动研究闭环、金融语义验证、研究过程评测、证据生命周期和智能体运行时分别解决“研究什么、如何搜索、怎样判错、怎样评能力、怎样维护结论、怎样可靠执行”。目前没有一篇论文把六条路线闭合成一个系统。
时间上的关键变化不是模型更强，而是研究状态逐渐显式化。 2015–2018 年工作公开公式和策略分类；2024–2025 年系统开始闭合假设到实验的反馈；2026 年重点转向冻结研究产物、执行账本、证据失效和受约束沙箱。
最普遍的缺陷是评价边界没有随自动化速度同步加强。 六篇仓库内闭环工作都没有同时提供搜索不可见的终局评价和长期前瞻结果；十四篇量化核心论文都没有贯通封存评价、模拟交易、实盘治理与策略退役。
可重放、可追踪和金融正确是三种不同保证。 BacktestBench 等工作证明代码可以运行但指标仍然错误；EviGraph 与 OmniScientist 能绑定数字来源，却不能自动发现未来信息泄漏、错误成本模型或不现实成交。
提案前最需要的不是再设计一个角色，而是测量三个边界。 一是验证集与封存集差距如何随查询次数增长；二是上游数据、代码或验证器改变时哪些下游结论必须失效；三是崩溃、乱序结果和重复回调下，研究状态能否无重复副作用地恢复。

范围与证据

本次从 Finance、Auto-Research、Agent-Systems 与 Long-Horizon-Agents 出发，复核 40 篇仓库论文页。其中 29 篇为 complete/full-text，11 篇为 needs-review/full-text。后者只补充路线覆盖，不单独支撑共同缺陷、关键争议或候选空白。

量化领域的直接证据来自 Finance 的 14 篇核心论文；其余 26 篇用于回答通用研究智能体已经具备哪些验证、状态与运行时机制，以及这些机制迁移到量化场景时缺什么。外部搜索补充 XALPHA 与 AQuA，它们尚未进入 wiki，本文只把论文原页可核对的信息作为外部线索，不让它们单独支撑强结论。自主公式阿尔法发现综述已升级为内部全文证据。

研究版图

研究路线	核心问题	代表工作	当前边界
量化研究对象与目标	智能体究竟搜索公式、预测模型还是组合权重	101 Alphas、TimesFM-Fin、UPSA、自主公式化阿尔法发现综述	对象定义较成熟，但数据、成本和市场状态会改变其可交易性
自动研究闭环	如何让实验反馈改变下一轮假设与实现	R&D-Agent(Q)、AutoScientists、AgonAlpha	已能持续搜索和保留部分经验，终局评价仍可能被搜索污染
金融语义验证	如何区分代码能运行、数值正确与策略可投资	Market-Bench、BacktestBench、AlphaEval	确定性基准覆盖局部语义，未覆盖完整生产成交和长期有效性
研究过程评测	如何衡量问题构建、执行、反馈控制和验证器利用	PaperBench、RE-Bench、Beyond Final Scores	能诊断长程失败，但固定任务与真实开放研究之间仍有鸿沟
证据生命周期	如何让论断绑定来源，并在上游变化后失效或回滚	EviGraph、OmniScientist、Cordis	来源追踪逐渐成熟，统计正确性、外部副作用与故障恢复证据不足
面向智能体的运行时	如何降低操作成本并管理程序、技能、调度和状态	OpenHands SDK、SkVM、Murakkab	通用机制丰富，但不理解历史时点、订单、成本和研究晋级语义

六条路线不是平行产品模块，而是一条证据链的不同层级：研究对象定义候选，闭环产生候选，金融验证淘汰局部错误，过程评测判断搜索是否可靠，证据生命周期维护结论有效性，运行时保证整个过程在故障和并发下仍可执行。当前论文大多只证明其中一层。

时间脉络

总体阶段

公开公式与策略分类
→ 可执行研究与过程基准
→ 根据反馈持续搜索
→ 冻结产物并独立复跑
→ 让证据可失效、状态可恢复、策略可退役

最后一阶段仍主要是待完成的系统边界，而不是已有论文已经闭合的能力。

量化研究对象：从静态公式到组合与多模态信号

2015 — 101-Alphas-arXiv15：把生产因子从私有知识变成可执行公式集合，但收益统计仍绑定专有数据和无成本环境。
2018 — 151-Trading-Strategies-SSRN18：把公式扩展为跨资产策略分类，并明确提出市场结构变化会让策略失效，研究对象首次带上生命周期问题。
2023 — UPSA-NBER23：把重点从发现单个信号转向在高维、有限样本下稳健组合多个收益流，说明下游估计误差会反过来改变上游候选价值。
2024–2026 — TimesFM-Fin-arXiv24 与 NewsShock-NBER26：研究对象从人工公式扩展到基础模型和新闻表示；信息源更丰富，但预测准确率到净可交易收益之间的链路更长。
2026 — Yu-FormulaicAlphaDiscovery-arXiv26：把公式搜索重新表述为受噪声适应度、非平稳市场和多目标约束的六组件进化闭环，使研究对象扩展到发现过程本身。

自动研究闭环：从执行流水线到持久研究状态

2024 — AI-Scientist-arXiv24：首次把想法、代码、实验、写作和自动评审串成完整流水线，代价是验证高度依赖同类模型自评。
2025 — RD-Agent-Quant-arXiv25：把闭环落到量化因子与模型联合优化，使回测反馈真正改变下一轮研究对象。
2025 — Kosmos-AI-Scientist-arXiv25：用结构化世界模型压缩并行研究轨迹，关注点从“跑完流程”转向“跨轮次保存什么经验”。
2026 — AutoScientists-arXiv26：把当前最佳方案、失败方向和团队讨论变成共享状态，说明多智能体价值可能来自状态协议而非角色数量。
2026 — AgonAlpha-arXiv26：冻结假设、公式、平台证据和审查结论，并让独立上下文审查者复跑，关注点进一步转向证据归属与否决权。
2026 外部线索 — XALPHA 与 AQuA：前者把报告知识与历史发现反馈写入多源记忆，后者用两个相互隔离的受限沙箱保留验证过的证据；两者都显示持续学习正在成为量化闭环的主线，但尚未进入本仓库全文审计。

评价：从最终分数到执行语义和过程控制

2024 — MLAgentBench-ICML24：把机器学习实验循环变成可执行任务，暴露坏规划、未运行便宣称成功和长轨迹退化。
2025 — MLE-Bench-ICLR25、PaperBench-ICML25 与 RE-Bench-ICML25：分别引入隐藏排行榜、独立重执行和人类时间预算对照；评价开始区分重复尝试、真实执行和结果匹配。
2025 — Market-Bench-arXiv25 与 TradeTrap-arXiv25：量化评价从收益分数扩展到持仓路径、记账语义和状态篡改后的错误传播。
2026 — BacktestBench-KDD26、AlphaForgeBench-KDD26 与 AlphaEval-KDD26：形成确定性回测、代码稳定性和高吞吐筛选三种互补边界，同时更清楚地暴露“可执行不等于金融正确、筛选高效不等于终局有效”。
2026 — Yu-FormulaicAlphaDiscovery-arXiv26：用搜索效率、适应度可靠性、残余质量、经济多样性、可交易性、进化自主性、非平稳稳健性和可复现性八维矩阵，把评价对象从最终因子扩展到完整发现过程。
2026 — Li-LongHorizonResearchEvaluation-arXiv26、DDR-Bench-ICML26 与 ResearchClawBench-arXiv26：评价对象扩展到问题构建、主动停止、经验迁移和证据匹配，不再只看最终得分。

状态与运行时：从事件日志到可失效证据

2025 — OpenHands-ICLR25：用动作—观察事件流和容器把工具执行变成通用智能体平台能力。
2026 — OpenHands-SDK-MLSys26 与 PithTrain-arXiv26：一条路线用事件溯源和不可变组件支撑集成，另一条路线用紧凑显式代码降低智能体探索成本，形成“完整控制面”和“最小可操作表面”的分歧。
2026 — SkVM-SOSP26、Agentix-NSDI26 与 Murakkab-OSDI26：技能、完整程序和工作流画像成为运行时对象，调度不再只面对单次模型请求。
2026 — EviGraph-arXiv26、OmniScientist-arXiv26 与 Cordis-TechReport26：研究状态从日志升级为依赖图、执行账本和可撤销效应；新的核心问题是错误输入如何使下游论断失效，以及外部副作用是否真的可恢复。

各类工作的演化

量化研究对象与目标

共同目标：定义可被程序生成、执行和比较的研究对象。公式因子强调可解释和可组合，时间序列模型与新闻表示扩大信息来源，UPSA 处理候选进入组合后的估计误差，自主公式化阿尔法发现综述则把表示、生成、评价、选择、记忆和市场适应纳入同一对象边界。

演化与分歧：101-Alphas-arXiv15 和 151-Trading-Strategies-SSRN18 把人类知识编码成公式模板；TimesFM-Fin-arXiv24 尝试减少人工特征设计；NewsShock-NBER26 用传统特征无法解释的文本残差界定新信息；UPSA-NBER23 不生成信号，而是稳健组合已有收益流；自主公式化阿尔法发现综述提供跨路线坐标，却没有实证校准。它们对“研究对象”的定义不同，不能只用单一预测指标横向排序。

共同边界：六篇工作都不能单独证明某个候选在真实成本、容量、借券和市场状态变化下仍可投资。它们是自动研究系统的对象层，不是发布关口。

自动研究闭环

共同目标：让历史实验不只产生报告，还能改变下一轮假设、实现和预算分配。

演化与分歧：AI Scientist 系列以树搜索扩大候选；R&D-Agent(Q) 用固定研究单元和多臂老虎机在因子与模型之间分配方向；Kosmos 与 AutoScientists 强调跨轨迹记忆和共享最佳状态；AgonAlpha 强调冻结研究产物、独立复跑和外部平台。外部的 XALPHA 与 AQuA 又分别把研究记忆和受限沙箱推到中心位置。

共同边界：仓库内六篇闭环工作都让某种验证反馈进入后续决策，但没有同时提供搜索不可见的最终数据、完整查询预算、长期前瞻结果和策略退役协议。闭环越快，这一缺口越严重。

金融语义验证

共同目标：把“模型生成了代码”分解为代码能执行、数据查询正确、金融指标正确、路径记账正确和结果可能可交易。

演化与分歧：Market-Bench 对齐参考实现的盈亏、回撤和持仓路径；BacktestBench 把查询、指标和代码拆成独立任务；AlphaForgeBench 用一次生成、确定性执行减少运行间随机性；AlphaEval 以多个代理指标提高筛选吞吐；TradeTrap 直接破坏新闻、记忆和仓位视图；DeepFund 用模型知识截止时间之后的实时数据降低预训练污染。

共同边界：六篇工作分别覆盖语义、稳定性、攻击面或实时性，没有一篇同时覆盖时点一致数据、成本、容量、部分成交、故障恢复和前瞻存活率。廉价筛选与完整回测应是分层关系，不能互相替代。

研究过程评测与验证器边界

共同目标：判断智能体是在稳定推进研究，还是依靠重复尝试、评估器捷径或表面正确获得高分。

演化与分歧：MLAgentBench、MLE-Bench、PaperBench 和 RE-Bench 从不同角度固定任务与结果；InnovatorBench 和 Beyond Final Scores 开始测异步资源、最佳状态保护和反馈控制；DDR-Bench 与 ResearchClawBench 减少显式问题或隐藏参考论文；GEPA 证明文字反馈比标量奖励携带更多诊断信息；AVO、FlashInfer-Bench 与 SOL-ExecBench 展示强执行验证器在计算内核上的上限和被投机风险。

共同边界：越开放的研究越难建立完整真值，越容易自动评分的任务越接近封闭工程优化。金融收益没有编译器或硬件上界那样稳定的正确性裁判，因此这些评测方法只能迁移过程控制，不能直接迁移成功标准。

证据生命周期

共同目标：让每条论断知道自己依赖哪些数据、代码和执行结果，并在上游变化后能够失效、重建或撤销。

演化与分歧：EviGraph 用类型化依赖边和检查器重建错误链；OmniScientist 用执行账本和代码门禁拒绝没有来源或不显著的分析；Cordis 从程序语义出发，把副作用逆操作与依赖重连分开建模。前两者面向研究论断，后者面向动态组件生命周期。

共同边界：来源一致不等于统计正确，逆操作存在也不等于外部副作用可以撤销。三篇工作都没有在量化场景中同时注入未来信息、错误复权、重复订单、进程崩溃和验证器升级。

相关工作：EviGraph-arXiv26、OmniScientist-arXiv26、Cordis-TechReport26

面向智能体的运行时

共同目标：让智能体可以用较少上下文可靠地操作代码、工具和长时程序，并让系统能够调度、缓存或恢复这些操作。

演化与分歧：OpenHands 与 OpenHands SDK 强调通用事件流和组合接口；PithTrain 追求紧凑、显式、以 Python 为主的代码表面；SkVM 把技能编译到特定模型、执行框架和环境；Agentix 与 Murakkab 暴露程序进度和工作流画像；AgenticCache 用缓存计划作为快路径并异步纠错。

共同边界：这些系统优化的是可操作性、吞吐、延迟或任务成功率，不理解金融数据版本、组合账本、订单副作用和发布权限。若不增加领域契约，它们只会更高效地执行可能错误的研究流程。

跨工作共同缺陷

共同缺陷	覆盖范围	为什么是系统性问题	已有缓解与剩余缺口
搜索反馈与最终证明没有隔离	自动研究闭环 6/6；还影响 GEPA 和 AlphaEval	验证器被查询得越多，偶然噪声和代理指标越容易成为持久研究经验	AgonAlpha 引入外部平台，AQuA 外部线索使用封闭沙箱；仍缺查询预算、二级封存集和预注册前瞻评价
可重放或可追踪不等于结论正确	七个代表系统 7/7：AgonAlpha、AlphaForgeBench、BacktestBench、PaperBench、EviGraph、OmniScientist、Market-Bench	错误数据快照、未来信息、错误统计和不现实成本也能稳定重放并拥有完整来源	独立复跑、执行账本和参考实现能缩小错误面；仍缺金融性质测试与外部有效性关口
量化论文停在历史或短期评价	Finance 核心论文 13/13	没有工作同时覆盖封存样本外、模拟交易、实盘监控、人工批准和策略退役，研究收益无法直接映射为可投资结果	DeepFund 提供短期实时路径，QuantConnect 展示产品流水线；两者都没有形成公开、受控、长期的端到端证据
多角色收益与预算变量混杂	七个代表多智能体或工作流系统 7/7：AI Scientist v2、R&D-Agent(Q)、DeepFund、BacktestBench、AutoScientists、AgonAlpha、Murakkab	角色数、模型调用、并行度、实验次数和墙钟时间往往一起变化，无法判断收益来自独立信息、权限分离还是更多预算	AutoScientists 匹配实验预算，AgonAlpha 设置独立审查；仍缺同时固定词元、实验、时间和工具调用的析因实验
状态机制缺少故障与版本压力测试	证据生命周期和运行时两条路线 10/10	正常路径上的日志、缓存和依赖图不能证明崩溃、乱序结果、重复回调或验证器升级后状态仍有效	EviGraph 规定回滚，Cordis 规定逆操作，OpenHands SDK 规定重放；尚无量化故障矩阵验证恰好执行一次和跨版本恢复

这里的计数按“该缺陷适用的工作集合”给出，而不是用全部 40 篇作无意义分母。needs-review/full-text 页面只扩大覆盖范围；每项模式均有 complete/full-text 工作独立支持。

关键争议

1. 生成研究产物，还是直接生成交易动作？

AlphaForgeBench-KDD26 显示，一次性生成代码再确定性执行，比逐时输出动作更容易重放；TradeTrap-arXiv25 又表明直接动作会把错误状态迅速放大为集中度和回撤。反面是：只生成因子或代码会把风险推迟到组合、成交和发布阶段，而不是消除风险。更合理的条件化结论是，开放研究阶段优先生成可审计产物，真实交易阶段必须由受限执行器和独立风险关口接管。

2. 外部闭源验证器，还是公开可复现协议？

AgonAlpha-arXiv26 使用 WorldQuant BRAIN，减少作者修改数据和评分器的空间；Market-Bench-arXiv25 与 BacktestBench-KDD26 则依赖公开参考实现和确定性答案。闭源平台更接近真实治理，却难以独立审计；公开协议可复现，却可能过度简化成交和数据。外部治理、公开重算和前瞻评价解决的是不同问题，不应互相替代。

3. 更多角色，还是更强的权限边界？

AutoScientists-arXiv26 倾向动态团队，DeepFund-arXiv25 与 BacktestBench-KDD26 按职责拆分角色，AgonAlpha-arXiv26 只保留提议者和审查者；DDR-Bench-ICML26 发现通用多智能体组件不能稳定提高准确率。现有证据更支持比较独立上下文、专用工具、否决权和交接损失，而不是比较角色数量本身。

4. 紧凑显式框架，还是完整生产抽象？

PithTrain-arXiv26 说明扁平、局部和单语言实现能降低智能体探索成本；OpenHands-SDK-MLSys26、Murakkab-OSDI26 与 Cordis-TechReport26 为组合、远程执行、调度和生命周期增加更多控制面。量化系统还必须处理历史时点、公司行动、借券、成本和权限。真正需要删除的是偶然复杂度，不是业务语义。

5. 保护当前最佳方案，还是允许跨越暂时退化？

AVO-arXiv26 的单调谱系防止七天优化丢失最佳状态，AutoScientists-arXiv26 也用噪声门槛保护当前最佳方案；但跨结构重构可能必须先变差。金融目标又比内核运行时间更嘈杂。系统需要区分“生产最佳方案”和“探索分支”，而不是让单一晋级规则同时承担安全与探索。

产业实践与学术缺口

Microsoft RD-Agent 与 Qlib

RD-Agent 官方仓库提供 fin_quant、fin_factor 和 fin_model，并由开源量化研究平台 Qlib 承担数据、实现与回测。官方配置文档允许设置因子和模型的训练、验证与测试时间段，但 QLIB_QUANT_* 当前只影响前端显示、不改变实际执行，说明“配置可见”与“协议真正生效”之间仍需审计。公开证据仍集中在历史回测，仓库也明确不替代金融专业人员审批。

QuantConnect 智能体流水线

QuantConnect Assistants 已公开研究、统计验证、回测、模拟交易和实盘监控的角色链。Research Validation Assistant执行残差平稳性、自相关、异方差和分布稳定性检查；Paper Testing Assistant比较模拟交易行为与同期回测，最多诊断三轮后停止或升级；Live Monitoring Assistant只监控和通知，不建议交易。它是公开资料中最完整的功能链，但官方文档没有给出封存评价、选择偏差记账、故障注入或受控效果实验。

WorldQuant BRAIN 与 Numerai Signals

WorldQuant BRAIN提供数据、操作符、模拟器和性能面板，AgonAlpha-arXiv26 已将其用作外部验证器。优势是系统作者不能直接修改平台；局限是数据、成本与评分规则不能由外部研究者完整重算。

Numerai Signals要求研究者提交自己的股票信号，以平台目标和相对已有信号的独特贡献评分，并通过实时轮次形成前瞻反馈。它比静态历史回测更独立，但不管理假设、代码、实验和论断的内部证据链，也不能证明提交信号在研究者自己的约束下可投资。

候选空白

1. 搜索器与最终评价之间的自适应隔离层

这一空白直接来自“搜索反馈与最终证明没有隔离”。现有闭环会记录更多经验，却没有一种协议随查询次数提高证据门槛。缺的是统一记账：搜索可见验证集、候选总数、查询预算、二级封存集、前瞻窗口和晋级判据必须共同存在。

2. 带类型且可失效的量化研究产物

EviGraph 能传播上游变化，OmniScientist 能绑定执行来源，AgonAlpha 能冻结报告；没有工作统一表达历史时点数据、股票范围、代码环境、成本模型、组合约束、回测、论断和晋级决定，并在任一上游版本变化后确定性标记下游失效。

3. 崩溃一致且恰好执行一次的量化研究运行时

Cordis、OpenHands SDK 与 Agentix 分别处理撤销、事件重放和程序调度，但没有工作覆盖异步回测返回、重复平台提交、模拟订单重试、部分成交和进程重启之间的一致性。当前研究把这些失败当作轨迹问题，而不是事务语义问题。

4. 从回测到模拟交易再到实盘的机器可判晋级契约

QuantConnect 已展示功能链，DeepFund 提供短期实时评价，AlphaForgeBench 强调确定性执行；仍没有公开学术系统定义每一级所需的研究产物、最短观察期、容差、停止条件、回滚和人工批准，并在同一实验中验证这些关口。

5. 策略退役与证据衰减

151 Strategies 明确指出市场结构变化会让策略死亡，AgenticCache 又说明旧计划会因环境变化失效；现有系统几乎都优化候选生成和晋级，没有根据收益衰减、相关性上升、容量下降、数据源变化或模型升级自动使旧证据失效并安全退役策略。

6. 角色组织结构的同预算因果实验

动态团队、固定流水线、提议者—审查者双角色和单智能体加技能都有正面结果，却没有量化工作负载同时固定模型、词元、回测次数、墙钟时间和工具调用，只改变独立信息、权限或并行度。角色设计目前仍更接近界面选择而非系统规律。

7. 面向量化框架的智能体任务效率与长期复杂度

PithTrain 固定智能体和任务、比较框架可操作性；量化基准通常固定框架、比较模型。尚无工作在相同数据快照和验证器下，对 Qlib、QuantConnect 的开源交易引擎 LEAN 与紧凑参考框架比较交互轮数、上下文、无声数值错误、跨策略修改和版本增长后的回归缺陷。

关键未知与测量

1. 查询多少次之后，验证集不再是真正的样本外？

最小测量：固定因子语法与搜索器，分别允许 10、50、200 和 1000 次查询；以信息系数、AlphaEval 和完整回测作为三种反馈，保留从不反馈的二级时间留出集。报告验证—封存差距、候选总数、净夏普比率、回测过拟合概率和有效发现率。

2. 哪些金融错误能由确定性验证器发现？

最小测量：构造错误变异集，分别注入未来信息、幸存者偏差、错误复权、延迟错位、遗漏成本、持仓记账错误和论断扩大。比较规则检查、独立重跑、独立上下文 LLM 与领域专家的检出率、误报率和成本。

3. 正确恢复研究所需的最小状态是什么？

最小测量：从假设、数据哈希与时点、代码提交、环境、任务编号、研究产物、验证器版本、当前最佳方案和失败方向开始做删项实验；注入崩溃、乱序结果、重复回调和验证器升级，测恢复率、重复副作用率与无声污染率。

4. 外部平台得分有多少能转化为可投资结果？

最小测量：冻结通过 BRAIN、Numerai 或学术门槛的候选，禁止继续调参，再进入预注册前瞻窗口、成本感知组合和模拟交易。逐级报告存活率、净风险调整收益、容量、换手率、回撤和人工否决原因。

5. 多智能体收益来自并行、独立信息还是权限分离？

最小测量：在总预算相同下，分别只增加工作者数量、只隔离上下文、只赋予审查者否决权、只提供角色专用工具。比较候选多样性、错误相关性、封存集有效发现率、交接损失和总成本。

6. 紧凑框架优势能否随生产覆盖增长而保持？

最小测量：在 Qlib、LEAN 和紧凑参考框架上固定 20–30 个因子、回测、组合与故障恢复任务，持续记录 6–12 个月的代码规模、间接调用层次、技能时效、交互轮数、无声错误率和跨策略修改缺陷。

7. 策略证据应在何时衰减或失效？

最小测量：对固定策略注入数据供应商修订、成本模型变化、相关结构突变、容量下降和模型升级；比较固定阈值、统计变化检测和依赖图失效三种策略，报告误退役、漏退役、恢复时间和风险暴露。

8. 哪些发布关口必须由人类把守？

最小测量：记录人工介入日志，区分资产范围、数据许可、统计设计、封存集解封、模拟与实盘晋级和异常处置；比较无人把关、固定把关和风险触发把关的错误阻断率、漏放率、研究速度与操作负担。

覆盖缺口

XALPHA 与 AQuA 高度相关但尚未进入原始论文层与 wiki 层；本次只保留外部证据卡。
Chain-of-Alpha 已撤稿且当前不提供 PDF，只能说明双链回测反馈曾被提出，不能支撑任何强结论。
RD-Agent-Quant-arXiv25 已正式发表于 NeurIPS 2025，但 wiki 文件名与 frontmatter 仍使用 arXiv 标识；本文不修改论文层。
40 篇内部证据中有 11 篇为 needs-review/full-text，主要集中在早期量化基础、AI Scientist 系列和部分通用运行时。
研究产物、封存留出集、历史时点数据谱系和策略退役尚未形成独立概念页（concept page）；本调研只把它们记录为候选，不自动建页。