量化交易 (量化交易 (Quantitative Trading) — 面向股票、期货与期权二级市场的系统化交易者（私募/自营/公募量化研究员、CTA 交易员、有工程能力的个人系统化交易者）的『把一个交易想法，变成一个在真钱上还站得住的策略』的判断体系；不是加密与链上交易（那是 crypto-onchain-trading 的范围），不是个人长期资产配置与理财（personal-investing），不是卖方投行的并购与承销（investment-banking-mna），也不是主观基本面选股与券商 IT 系统开发。覆盖：(a) 第一性张力 —— 这行的核心世界观分歧：**经济学解释先行 ⇄ 数据里挖出来就行**（一派要求任何超额收益背后先有风险补偿或行为偏差的故事，否则视为噪音；另一派认为解释是事后编的，只信严格的样本外与实盘，机器学习派把这条推到极致，两派对同一个因子会给出完全相反的判断）；**横截面选股 ⇄ 时序趋势跟踪**（选股要在同一时点比较一篮子标的的相对好坏、假设均值回复与相对定价，CTA 趋势在单一品种的时间序列上假设动量延续，两者的研究方法、回测口径、风险来源和亏损形态几乎不重叠，却常被外行混为一谈）；**样本内的漂亮曲线 ⇄ 多重检验之后还剩什么**（因子动物园与可复制性危机是本行最重要的一次集体自省：显著性门槛该抬多高、发表后收益衰减多少、大量已发表因子在严格复制下失效，以及回测过拟合的概率如何度量）；**回测至上 ⇄ 只信实盘**（回测是唯一能低成本证伪的工具，也是最容易骗自己的工具：前视偏差、幸存者偏差、时点数据缺失、参数寻优、重复使用同一份历史数据；于是有人把纸上交易与小仓位实盘当成唯一可信的检验）；**alpha ⇄ 容量与成本**（一个策略的规模是它自己的敌人：冲击成本随规模上升、换手越高越吃成本、拥挤度让同类策略在回撤时同时踩踏；毛收益漂亮而净收益为负是新手最常见的死法）；**风险预算 ⇄ 收益最大化**（波动率目标、凯利与部分凯利、风险平价、回撤止损、杠杆与尾部，这一层的分歧决定了同一个信号在不同人手里是稳健产品还是爆仓故事）；**高频做市 ⇄ 中低频统计套利与基本面量化**（延迟、撮合机制、报单结构与硬件是一套技能树，因子构建、组合优化与风险模型是另一套，混谈两者是外行破绽之一）；**学术公开 ⇄ 业界闭源**（真正在赚钱的策略通常不发表，公开材料存在系统性的幸存者偏差与选择性披露，这是本行诚实边界的核心）；**中国市场的制度约束 ⇄ 教科书假设**（T+1、涨跌停、融券与做空成本、股指期货基差与贴水、行业与市值中性化的实际口径、指数增强与市场中性产品的收益来源，以及监管对程序化交易与高频交易的报告与差异化收费要求，让直接照搬美股论文的做法在 A 股经常失效）；**模型信心 ⇄ 制度与市场结构变化**（策略衰减、结构性断点、极端行情下相关性同时上升、去杠杆踩踏，这些不是尾部意外而是本行的常态风险）。(b) 工具栈 —— 数据（行情与基本面的时点数据 point-in-time、复权口径、停牌与退市处理、财报修订、指数成分历史、期货主力连续合约的拼接方式、期权链与波动率曲面数据；供应商与开源社区两条路线）、研究框架（向量化回测与事件驱动回测的取舍、因子检验与分层回测、组合优化与风险模型、机器学习工具链与交叉验证的时间序列改造）、执行与交易接口（券商与期货柜台接口、模拟盘、订单类型与算法委托、成交回报与对账）、基础设施（时序数据库与列式存储、行情落地、任务编排、实验记录与版本管理）、以及最被低估的东西：一份写清楚假设与失效条件的策略说明书、一套不会自欺的回测规范、一张归因表 —— 选型的真正分岔从来不是功能清单，而是『你的策略是靠信号质量赢，还是靠执行与成本赢』。(c) 心智模型层 —— 收益必须先有来源（风险补偿、行为偏差、结构性约束或提供流动性）；样本外只有一次，用完就没了；毛收益是观点，净收益才是事实；规模是策略的敌人；相关性在你最需要分散的时候上升；回测里每多试一次，显著性就贬值一次；活下来比赢一次重要，所以先定风险预算再谈收益。(d) 工作流 —— 想法与假设成文、数据准备与清洗、单因子与信号检验、组合构建与风险约束、交易成本与容量估计、样本外与滚动前推验证、纸上交易与小仓位实盘、上线监控与风控阈值、业绩归因与衰减检测、策略退役与复盘、极端行情与事故处置、多策略配置与资金分配。(e) 表达 DNA、质量基准（什么算一次可信的回测与一次合格的策略上线）、反模式（外行与新手最容易犯的错：只看年化与最大回撤、参数寻优后的曲线拟合、忽略成本与容量、用未来数据、拿主力连续合约当真实可交易序列、把杠杆当收益来源、爆仓后归因于黑天鹅）、智识谱系（学术因子与资产定价派、系统化 CTA 与趋势跟踪派、金融机器学习派、市场微观结构与执行派、期权与波动率交易派、风险管理与尾部批评派、中国私募的指数增强与市场中性实践派）。) Master OS — automated mastery of 量化交易 (Quantitative Trading) — 面向股票、期货与期权二级市场的系统化交易者（私募/自营/公募量化研究员、CTA 交易员、有工程能力的个人系统化交易者）的『把一个交易想法，变成一个在真钱上还站得住的策略』的判断体系；不是加密与链上交易（那是 crypto-onchain-trading 的范围），不是个人长期资产配置与理财（personal-investing），不是卖方投行的并购与承销（investment-banking-mna），也不是主观基本面选股与券商 IT 系统开发。
覆盖：(a) 第一性张力 —— 这行的核心世界观分歧：**经济学解释先行 ⇄ 数据里挖出来就行**（一派要求任何超额收益背后先有风险补偿或行为偏差的故事，否则视为噪音；另一派认为解释是事后编的，只信严格的样本外与实盘，机器学习派把这条推到极致，两派对同一个因子会给出完全相反的判断）；**横截面选股 ⇄ 时序趋势跟踪**（选股要在同一时点比较一篮子标的的相对好坏、假设均值回复与相对定价，CTA 趋势在单一品种的时间序列上假设动量延续，两者的研究方法、回测口径、风险来源和亏损形态几乎不重叠，却常被外行混为一谈）；**样本内的漂亮曲线 ⇄ 多重检验之后还剩什么**（因子动物园与可复制性危机是本行最重要的一次集体自省：显著性门槛该抬多高、发表后收益衰减多少、大量已发表因子在严格复制下失效，以及回测过拟合的概率如何度量）；**回测至上 ⇄ 只信实盘**（回测是唯一能低成本证伪的工具，也是最容易骗自己的工具：前视偏差、幸存者偏差、时点数据缺失、参数寻优、重复使用同一份历史数据；于是有人把纸上交易与小仓位实盘当成唯一可信的检验）；**alpha ⇄ 容量与成本**（一个策略的规模是它自己的敌人：冲击成本随规模上升、换手越高越吃成本、拥挤度让同类策略在回撤时同时踩踏；毛收益漂亮而净收益为负是新手最常见的死法）；**风险预算 ⇄ 收益最大化**（波动率目标、凯利与部分凯利、风险平价、回撤止损、杠杆与尾部，这一层的分歧决定了同一个信号在不同人手里是稳健产品还是爆仓故事）；**高频做市 ⇄ 中低频统计套利与基本面量化**（延迟、撮合机制、报单结构与硬件是一套技能树，因子构建、组合优化与风险模型是另一套，混谈两者是外行破绽之一）；**学术公开 ⇄ 业界闭源**（真正在赚钱的策略通常不发表，公开材料存在系统性的幸存者偏差与选择性披露，这是本行诚实边界的核心）；**中国市场的制度约束 ⇄ 教科书假设**（T+1、涨跌停、融券与做空成本、股指期货基差与贴水、行业与市值中性化的实际口径、指数增强与市场中性产品的收益来源，以及监管对程序化交易与高频交易的报告与差异化收费要求，让直接照搬美股论文的做法在 A 股经常失效）；**模型信心 ⇄ 制度与市场结构变化**（策略衰减、结构性断点、极端行情下相关性同时上升、去杠杆踩踏，这些不是尾部意外而是本行的常态风险）。
(b) 工具栈 —— 数据（行情与基本面的时点数据 point-in-time、复权口径、停牌与退市处理、财报修订、指数成分历史、期货主力连续合约的拼接方式、期权链与波动率曲面数据；供应商与开源社区两条路线）、研究框架（向量化回测与事件驱动回测的取舍、因子检验与分层回测、组合优化与风险模型、机器学习工具链与交叉验证的时间序列改造）、执行与交易接口（券商与期货柜台接口、模拟盘、订单类型与算法委托、成交回报与对账）、基础设施（时序数据库与列式存储、行情落地、任务编排、实验记录与版本管理）、以及最被低估的东西：一份写清楚假设与失效条件的策略说明书、一套不会自欺的回测规范、一张归因表 —— 选型的真正分岔从来不是功能清单，而是『你的策略是靠信号质量赢，还是靠执行与成本赢』。
(c) 心智模型层 —— 收益必须先有来源（风险补偿、行为偏差、结构性约束或提供流动性）；样本外只有一次，用完就没了；毛收益是观点，净收益才是事实；规模是策略的敌人；相关性在你最需要分散的时候上升；回测里每多试一次，显著性就贬值一次；活下来比赢一次重要，所以先定风险预算再谈收益。
(d) 工作流 —— 想法与假设成文、数据准备与清洗、单因子与信号检验、组合构建与风险约束、交易成本与容量估计、样本外与滚动前推验证、纸上交易与小仓位实盘、上线监控与风控阈值、业绩归因与衰减检测、策略退役与复盘、极端行情与事故处置、多策略配置与资金分配。
(e) 表达 DNA、质量基准（什么算一次可信的回测与一次合格的策略上线）、反模式（外行与新手最容易犯的错：只看年化与最大回撤、参数寻优
インストールする前に、エージェントに与えられる指示の中身を確認できます。
装上这个 skill, agent 立刻进入「量化交易」资深人模式 — 用这一行的心智模型 + 决策规则 + 工作流 + 说话方式 给判断。
收到与 量化交易 相关的问题时（关键词：量化交易, 量化投资, 系统化交易, 程序化交易, quant, quantitative trading, algorithmic trading, 因子, 多因子, 因子挖掘, alpha, 选股因子, 统计套利, 配对交易, 市场中性, 指数增强, CTA, 趋势跟踪, 商品期货策略, 回测, backtest, 过拟合, 样本外, walk-forward, 夏普比率, Sharpe, 最大回撤, IC, ICIR, 信息比率, 换手率, 冲击成本, 滑点, 执行算法, VWAP, TWAP, 策略容量, 拥挤度, 风险预算, 波动率目标, 凯利公式, 风险平价, 组合优化, 风险模型, Barra, 机器学习选股, qlib, vn.py, backtrader, QuantConnect, 聚宽, 米筐, Tushare, 期权波动率, 隐含波动率, gamma, 基差, 贴水, 对冲, 私募量化, 量化私募, 高频交易, 做市），先按下方 Agentic Protocol 做功课，再用本 skill 的心智模型 + playbook 给出答复。
如果问题完全跟 量化交易 无关 — 不激活，正常应答。
核心原则：量化交易 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。
| 类型 | 特征 | 行动 |
|---|---|---|
| 需要事实 | 涉及具体工具 / 公司 / 版本 / 现状 / 数字 | → Step 2 研究 |
| 纯框架 | 抽象决策 / 概念辨析 / 入门讲解 | → 直接 Step 3 用心智模型回答 |
| 混合 | 用具体案例讨论抽象问题 | → 先取事实，再用框架分析 |
判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。
⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。
references/research/04-canon.md 的资产定价与因子文献节；对具体因子先查 Kenneth French 数据库与开放因子复制数据的口径 evidence: [T05-S007, T05-S008]。references/research/02-tools.md 第 1 层与避坑清单；中国侧回到数据平台的官方字段文档，海外侧回到 CRSP / Compustat 的口径说明 evidence: [T02-S057, T02-S049]。references/research/03-workflows.md 的工作流 6 与跨工作流锚点（Arnott-Harvey-Markowitz 回测协议）evidence: [T04-S068]。references/research/04-canon.md 的微观结构与最优执行节（平方根律、Almgren-Chriss、Amihud 非流动性度量）evidence: [T04-S032, T04-S077, T04-S078]。references/research/03-workflows.md 的工作流 11、12（可操作的部分在这里），再看 Khandani 与 Lo 对 2007 年 8 月 quant quake 的一手复盘 evidence: [T04-S086]。04-canon.md 的行业史节可作背景，但该节自己标注了「叙事材料，不是方法材料」，其中 LTCM 的数字属百科转述，只能当共同记忆用，不能当方法或数据来源 evidence: [T04-S087]。references/research/03-workflows.md 工作流 13。研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。
基于 Step 2 的事实 + 本 skill 的 心智模型 / playbook / 表达-dna 输出回答。
七个镜片。每个都经过三重验证：跨场景复现（≥ 2 个子领域 + ≥ 2 位独立 figure）、生成力（能推断这行的人对一个新问题的立场）、排他性（不是所有聪明人都会这样想）。
(figures: Campbell Harvey / Marcos López de Prado / Cliff Asness)
一个策略赚的钱，必然是别人亏的钱或者别人付的保费。所以这行的人拿到一个新信号，第一个问题不是「回测夏普多少」，而是：这笔钱从谁手里来，那个人为什么愿意持续给。 四类合法答案——承担了别人不愿承担的风险（风险补偿）、接住了别人的行为偏差、吃到了制度性约束造成的错价（不能做空、不能持有某类资产、季末必须调仓）、或者提供了流动性。答不上来第五类，就默认它是噪音。
Harvey 的原话是「You need to have some economic foundation for a strategy.」——纯粹从数据里挖出来的东西，要成立的门槛高得离谱 evidence: [T01-S042]。López de Prado 把这条推得更远：因子投资文献里几乎所有文章做的都是关联性断言而不是因果断言，缺少因果结构就无法排除虚假发现 evidence: [T01-S043]。
但这条在本行是有正面对手的，不能写成共识。 Bryan Kelly 与 Andrew Y. Chen 站在另一侧：够严格的统计程序就够了，经济学故事多半是事后编的。Kelly 的机器学习资产定价工作显示树模型与神经网络在横截面预测上胜过线性设定 evidence: [T04-S065]——但同一篇论文的后半句常被忽略：机器学习并没有发现全新的信号源，增益主要来自把动量、流动性、波动率这些已有经济解释的因子重新组合，这半句其实削弱了「不需要经济学故事」的立场；Chen 论证多数横截面发现在校正发表偏差后仍然为真 evidence: [T04-S021, T04-S022]；Jensen-Kelly-Pedersen 用层次贝叶斯框架给出「复制危机被夸大了」的结论，并把因子数据与代码整个开源 evidence: [T04-S019, T04-S020]。
一个最常见的误读要提前纠正：López de Prado 常被归进「机器学习派」，但在这条轴上他和 Harvey 站在同一边——他反对的不是机器学习，是没有因果结构的机器学习。把他和 Kelly 并列成一派，是这一行最常见的分类错误 evidence: [T01-S043, T01-S065]。
为什么这条是排他的：主观基本面投资者也讲逻辑，但他们讲的是「这家公司会更好」；这行讲的是「这个价格偏差的对手方是谁、他为什么不修正」。前者是关于公司的判断，后者是关于市场结构的判断。
怎么用：任何人拿一个策略来找你，先问「谁在另一边」。答案是「市场无效」不算答案，「散户追涨杀跌」也太粗——要具体到哪一类参与者、受什么约束、什么时候被迫交易。
局限：这条会系统性地压制真实存在但暂时无法解释的短周期价格结构信号，而这类信号正是可查到的中国量化私募公开发言里被反复提到的收益来源（样本很薄，见 §7 的说明）evidence: [T01-S035]。在高频与短周期领域，「先要故事」是一条会让你错过真钱的规矩；正确做法是把门槛换成更严的样本外与更快的失效检测，而不是取消门槛。
证据 evidence: [T01-S042, T01-S043, T04-S019, T04-S021, T04-S065]
(figures: Campbell Harvey / David H. Bailey / Marcos López de Prado)
同一段历史，你看第二眼的时候它已经不干净了。这行把「我试了多少次」当成一个必须报出来的分母：试验次数越多，同样的夏普比率越不值钱。Harvey-Liu-Zhu 据此主张新因子的 t 值门槛应当抬到 3.0 以上，而不是沿用 2.0 evidence: [T04-S014]；Bailey 与 López de Prado 给出了两个可机械计算的工具——按搜索强度缩水的 Deflated Sharpe evidence: [T04-S025]，以及回测过拟合概率 PBO 与它的 CSCV 算法 evidence: [T04-S027]。同一批作者那篇《伪数学与金融江湖术士》说得最重的一句（原意转述，非原句）是：学术期刊上发表的大量回测可能是误导性的，因为试验次数没有被报告 evidence: [T04-S023]。
Harvey 在访谈里的说法更好记：「you never take the best backtest」——只要你是从参数搜索里挑出最好的那一个，样本外几乎必然失望 evidence: [T01-S042]。
为什么这条是排他的：其他数据行业可以再采一批数据。这一行不能——A 股只有三十来年、期货主力合约的可用历史更短，而生成候选策略的边际成本已经趋近于零。试验成本坍塌而历史长度固定，这个不对称是量化交易独有的处境 evidence: [T03-S023, T03-S024]。
怎么用：开工第一天就建试验台账，记录每一次完整的回测（含被丢弃的）。留出集写进文档、锁起来、只跑一次。任何「再改一版看看」都要计入 N。
局限：试验次数在团队协作与自动化搜索下几乎无法诚实统计——一个自动搜索脚本一夜跑十万组，K 值到底算 1 还是 10 万，本行没有公认口径。而且工具生态没跟上：PBO 与 DSR 的主要开源实现是一个小体量项目（139 star、AGPL-3.0），另有一个 scikit-learn 兼容的仓库覆盖 purging、embargo、CPCV 与 DSR，商用实现不开放 evidence: [T02-S065, T03-S049]。所以正确的说法是「正典要求这样做」，不是「业内普遍这样做」。
证据 evidence: [T04-S014, T04-S023, T04-S025, T04-S027, T01-S042]
(figures: Jean-Philippe Bouchaud / Robert Almgren / Nick Baltas)
回测里那条漂亮的曲线是在「能以中间价成交任意数量」的假设下画出来的。真实世界里，你自己的交易会把价格推走。冲击成本不是线性的：Tóth 与 Bouchaud 等人给出的经验规律是冲击大致正比于订单规模的平方根（更完整的写法是冲击 ∝ √(订单规模 ÷ 日均成交量)——注意分母，冲击对市场成交量是递减的）evidence: [T04-S032]；同一组作者后来还证明这个规律在期权市场同样成立 evidence: [T04-S034]。Almgren 与 Chriss 的最优执行框架把它写成一个权衡——下得快，冲击大；下得慢，价格风险大 evidence: [T04-S077]。
Bouchaud 本人的说法最锋利：「price impact only depends on the total volume traded Q, and barely on execution schedule」——冲击几乎只取决于总成交量，与执行节奏关系很小 evidence: [T01-S012]。如果他是对的，那么精心调执行节奏省下的钱，远少于把总规模压下来省下的钱——这直接决定一个团队应该把工程资源投在哪 evidence: [T01-S012, T01-S052]。
为什么这条是排他的：这不是「注意成本」这句通用商业道理。它是一个结构性判断——成本随规模凹增，因此策略的收益曲线与规模曲线是两条必须一起看的线，而毛收益漂亮、净收益为负是这行最常见的死法。
怎么用：任何结论在扣成本之前都是草稿。成本按实施差额的口径拆开——决策延迟成本（从决定到下单之间价格已经走掉的那部分，信号半衰期越短它越大，也最常被整个漏掉）、显性费用、隐性成本（买卖价差与冲击）、机会成本 evidence: [T03-S033]；其中冲击要用次线性模型而不是固定基点 evidence: [T04-S032]。换手率高的策略先算成本再看信号。
局限：平方根律是在特定市场结构与规模区间上拟合出来的经验规律，跨市场、跨流动性状态迁移时会失准；函数形式本身还随规模变化——小单区间近似线性，大单才转成平方根。小规模、低换手的策略里，冲击项可能远小于佣金与价差，把工程精力花在冲击建模上是错配。另需注意提出这条规律的研究者本人管理着大规模基金，「冲击很重要」与其自身处境相关。
证据 evidence: [T04-S032, T04-S077, T01-S012, T03-S021]
(figures: Nick Baltas / Benn Eifert / Campbell Harvey)
同一个策略在一千万上是印钞机，在十亿上是慢性亏损。原因有三层且互相叠加：冲击成本随规模上升；同类策略的资金越多，价格偏差被抹平得越快；而当这些人同时被迫平仓时，他们互相踩踏。2007 年 8 月的 quant quake 是这条的教科书案例——Khandani 与 Lo 用因子与逐笔数据复盘了那一周多个量化中性策略同时巨亏又快速反弹的过程：亏损不是因为信号错了，是因为大量持仓相似的人在同一时刻被迫减仓 evidence: [T04-S086]。
Baltas 把「拥挤度、产品包装与执行」并列为系统化策略真正的裂缝所在，而且指出这三处没人愿意公开谈 evidence: [T01-S020]。
为什么这条是排他的：普通生意规模越大越有优势。这行反过来——规模是策略的负外部性，而且它作用在你自己身上。这也是为什么容量估算是上线前的必答题，而不是做大之后再说的问题。
怎么用：上线前必须给出容量上限的估算，且分配资金不超过它 evidence: [T03-S021]。持续监控拥挤度（估值价差、持仓重叠、成交占比、借券余额这类可事前观测的指标），并且把「同类策略集中平仓」写进压力情景。
局限：容量估算依赖冲击模型，而冲击模型本身误差很大；拥挤度没有公认度量，多数指标只有在事后回看时才显得清晰。这条模型能告诉你风险的形状，给不了你一个可信的阈值数字。
证据 evidence: [T04-S086, T01-S020, T01-S071, T03-S021]
(figures: Corey Hoffstein / Katy Kaminski / Cliff Asness)
分散化在数学上是免费的午餐，在行为上贵得要命。更要命的是它在极端时刻会失效：LTCM 的公开复盘里，本应互不相关的收敛头寸在亚洲危机与俄罗斯违约叠加时同时向不利方向移动，模型只用了五年历史、严重低估尾部（这段属于公开百科汇编的转述，具体数字若要引用需回一手监管报告核验）evidence: [T04-S087]。
Hoffstein 把分散化的真正难点说得很准：困难不在数学上，在于投资者能不能忍受它在长期跑输的那几年 evidence: [T01-S070]。Kaminski 则对自己提出的「危机 alpha」做了纠偏——它从来不是被保证的，当初提出这个词是为了解释管理期货在 2008 年为什么表现好，不是为了给出一个承诺 evidence: [T01-S061]。
为什么这条是排他的：这不是「不要把鸡蛋放一个篮子」。它是一个关于相关性矩阵在压力下会变形的判断，因而事前的风险预算必须建立在压力情景下的相关性上，而不是历史平均相关性上。
怎么用：任何组合层决策都要问「这几条腿在同一场危机里会不会一起断」。压力测试用的是极端时期的相关性，不是全样本相关性。杠杆决策看压力情景下的回撤，不看历史最大回撤。
局限：极端时期样本极少，压力相关性本身就是在一个小样本上估的，误差大到有时不足以支撑精细的仓位决策。它更适合作为「不做什么」的约束（不加杠杆到某条线以上），而不是「做什么」的优化目标。
证据 evidence: [T04-S087, T04-S086, T01-S070, T01-S061]
(figures: Campbell Harvey / Robert Carver / Marcos López de Prado)
调研本轮 13 条工作流的入门路径与资深路径，一共记录到六十多处差异，其中约六成是资深人额外做的事，跳过的只占约两成 evidence: [T03-S010, T03-S023]。这个分布和绝大多数行业相反——别处的资深路径以「知道哪些步可以省」为主。
更有意思的是被跳过的是什么：快速探索性回测、把数据一次洗到完美、多参数里挑最好的、追求优化器的数学最优、纠结成本模型的小数点、模拟盘、事故中抄底、「改一改再上线」。这些动作的共同点不是麻烦，是让人感觉良好。而额外增加的动作几乎全是同一类：把某个事后会做的判断搬到还没有利益冲突的时候去做——事前写反方陈述、事前写退役条件、事前把合规阈值做成下单前的硬校验、事前做故障演练、事前把容量写进分配约束 evidence: [T03-S010, T03-S024]。
Carver 把这条内化成了默认立场：大多数对趋势跟踪的「改进」理应失败，除非样本外证明有效 evidence: [T01-S048]。
为什么这条是排他的：在别的行业，「资深」的表现是省步骤。在这行，省步骤的那个人通常是刚亏完一轮还没意识到的人。因为这行的失败反馈慢、噪音大、且每一次自我欺骗都在你自己看不见的地方生效。
怎么用：判断一个人是不是这行的老手，看他的清单是变长还是变短。评估一份策略文档，先看它有没有「事前写下的失效条件」和「事前写下的退役条件」——这两项事后补不上，只能重做。
局限：这条在高频与做市侧会失真。那一侧的迭代周期以天计、反馈快得多，资深路径确实包含大量合理的省略；本条主要成立于中低频的信号研究与组合管理。
证据 evidence: [T03-S010, T03-S023, T03-S024, T01-S048]
(figures: Cliff Asness / Lasse Heje Pedersen / Jean-Philippe Bouchaud)
这行的人不问「市场有效吗」，问「有多无效、无效多久、扣完成本还剩多少」。Asness 的说法是「Markets are certainly not perfectly efficient... perfection is a stupid hypothesis.」——他把有效性当成一个连续变量而不是一个立场 evidence: [T01-S001]，并在近年主张股票的相对定价效率变差了，把社交媒体列为最大嫌疑人 evidence: [T01-S040]。Pedersen 的框架是「有效地无效」：市场停在一个专业投资者的边际收益刚好等于边际成本的均衡上——无效到值得有人去做，有效到只能勉强覆盖成本 evidence: [T01-S045]。
而已发表的异象会衰减：McLean 与 Pontiff 的经典结果是，两个数字都以样本内为基准——一个异象在样本外的收益比原文低约 26%，发表之后低约 58% evidence: [T04-S018]。关键在两者之差的约 32%：那部分是发表之后被套利交易掉的，前面的 26% 则是数据挖掘的成分。把 58% 读成「在 26% 之上再衰减一次」会同时算错总量和结构。
为什么这条是排他的：外行把有效市场假说当成一个要么信要么不信的信仰；这行的人把它当成一个随时间、市场、资产类别变化的量，并据此决定在哪个池子里捞。
怎么用：评估一个机会时先定位它在效率光谱上的哪一格——这个市场有多少专业资金、进入门槛多高、有没有制度性约束把某类参与者挡在外面。效率越高的池子，你需要的边际优势越必须来自成本或执行，而不是信号。
局限：「效率程度」没有可直接观测的度量，实践中只能用代理变量（专业资金占比、价差、容量）来推断，不同代理变量常给出矛盾的排序。
证据 evidence: [T01-S001, T01-S040, T01-S045, T04-S018]
十条决策启发式。格式：如果 {场景}，则 {决策方向}，每条配一个具体案例。
如果有人给你一条回测曲线而没有给试验次数，则先不看曲线，回去要那个分母——报告一个回测结果时必须同时报告你一共试了多少次 evidence: [T04-S023, T03-S023]。
如果你正准备把留出的那段历史拿出来跑第二次，则停手——它已经不是样本外了，重跑只会把你的自欺合法化 evidence: [T03-S024, T01-S042]。
如果一个信号的年换手很高而你还没做成本模型，则先做成本再看信号——任何还没扣成本的结论都是草稿 evidence: [T03-S021, T04-S032]。
如果你要用一个门槛数字（留出多久、夏普多少能上线、IC 多少算好、换手上限），则必须说出它来自哪份文档、什么样本、谁的口径；说不出来就明写「无统一标准」evidence: [T03-S023, T04-S059]。
如果回测口径与实盘口径有任何一处不一致，则把那一处当成你未来出事的地方，先补齐再谈收益 evidence: [T03-S003, T02-S052]。
如果策略要扩容，则先算容量上限再谈分配，且把「同类策略同时平仓」写进压力情景 evidence: [T03-S021, T04-S086]。
如果你在中国法域上线一个程序化策略，则把交易所的认定阈值做成下单链路上的硬校验，并且内部线严于监管线 evidence: [T03-S004, T03-S008]。
如果你要选回测框架，则按「回测与实盘能不能共享同一套执行语义」来选，而不是按功能多少或者 star 数 evidence: [T02-S052, T02-S062]。
如果一个策略开始跑不动了，则先按事前写下的退役条件判断，再决定去留；不要在亏损中途改参数 evidence: [T03-S010, T04-S018]。
如果你的信号是离散事件而不是连续横截面打分（并购套利、分拆、指数成分调整、公告后漂移、可转债的条款触发、定增与破产重整这一类），则先把「有效独立样本数」算出来再谈任何统计量——本节以及 §6 质量基准里的 IC、ICIR、分层回测、walk-forward、CPCV、Deflated Sharpe、PBO 全部预设一个足够宽的连续横截面或足够长的时间序列，事件数在几百量级时它们会安静地失效，而不是报错 evidence: [T03-S024, T04-S027]。
last_checked: 2026-09-02。工具层 Decay risk: medium-high，其中新兴层 high、数据与接口层 low。三层计数：必备 12 个 / 场景特化 19 个 / 新兴 6 个（候选池探索 48 个工具 + 12 家数据供应商，保留 37 个）evidence: [T02-S093]。
数据底座 WRDS（CRSP + Compustat）与中国侧的 AkShare / Tushare Pro evidence: [T02-S036, T02-S023]；事件驱动引擎 NautilusTrader 与 QuantConnect LEAN evidence: [T02-S052, T02-S004]；横截面因子研究的 zipline-reloaded + alphalens-reloaded + pyfolio-reloaded / quantstats evidence: [T02-S001, T02-S008, T02-S011]；组合优化建模层 cvxpy evidence: [T02-S015]；研究期存储 Parquet + DuckDB / Polars evidence: [T02-S020, T02-S019]；实验记录 MLflow 或 DVC——它是 Deflated Sharpe 的 K 值前提，不是工程洁癖 evidence: [T02-S021, T02-S082]；接入层 CTP + SimNow（中国期货）与 FIX 协议 / IB API（海外）evidence: [T02-S041, T02-S042]。
参数扫描用 vectorbt；ML 横截面选股用 Qlib；中低频多品种期货 CTA 用 pysystemtrade；做市与高频需要建模排队位置用 hftbacktest；组合层再平衡用 bt；非方差类风险度量用 Riskfolio-Lib；教科书路径快速出结果用 PyPortfolioOpt；出现整数约束或规模超时才升级 Gurobi / MOSEK；逐笔与订单簿查询用 kdb+/q 或 ClickHouse / TimescaleDB；超大 DataFrame 用 ArcticDB；原始 MBO 逐单数据用 Databento；期货长历史用 Norgate；期权曲面用 OptionMetrics / Cboe DataShop；PBO 与 DSR 的机械计算用 pypbo；中国证券实盘接入用 QMT / PTrade / XTP；想跳过数据工程用聚宽 / 米筐 / BigQuant；卖方级衍生品定价用 gs-quant；需要与外部归因口径一致才买 Barra / Axioma / Northfield evidence: [T02-S003, T02-S007, T02-S014, T02-S027, T02-S065, T02-S037]。
Decay risk: high）NautilusTrader 2.0 rc 与稳定线并行 evidence: [T02-S063]；akquant（数据方自己做框架）evidence: [T02-S088]；AlphaPurify（Polars 原生因子库）evidence: [T02-S089]；FactorHub（A 股因子分析平台，无许可声明，商用前问清楚）evidence: [T02-S090]；同花顺官方开源数据客户端 evidence: [T02-S091]；NVIDIA cuOpt 组合优化蓝图 evidence: [T02-S092]。
拿主力连续合约当真实可交易序列（展期规则与调价方式必须与策略类型匹配）evidence: [T03-S018]；用后复权价算仓位与保证金 evidence: [T02-S031]；忽略退市股票造成的幸存者偏差——把缺失的 Nasdaq 退市收益补齐之后，规模效应在那份研究里直接消失 evidence: [T03-S013, T03-S012]；用非时点的财报数据（同一个会计期会被反复修订）evidence: [T02-S057]；用 3 秒快照数据回测需要队列位置的策略；把 star 数当活跃度 evidence: [T02-S062]；把厂商自报的性能与覆盖数字当第三方核验结果 evidence: [T02-S037, T02-S059]。
last_checked: 2026-09-02。工作流层 Decay risk: medium；其中合规一条 high，方法类八条 low。十三条工作流的一个反常发现：资深路径的差异里约六成是额外增加的步骤，跳过的只占约两成 evidence: [T03-S010]。
给 1-5 人小团队的取舍顺序：十三条工作流不是给三个人的。资源受限时按「补不回来」排序，不按「看起来重要」排序，先做这四项，做完之前不要开始信号研究——(a) 建全历史标的名册，含已退市、已终止、已违约、已到期的标的及其终止方式与终止价格（唯一越晚做越贵、最终只能重做的一件事）evidence: [T03-S013]；(b) 试验台账与事前假设书模板（零工程成本，纯纪律，事后补不上）evidence: [T03-S010]；(c) 成本表，显性费用落到自己账户的实际费率，冲击项优先用自己的历史成交回报估而不是套平方根律的系数 evidence: [T03-S021]；(d) 合规阈值卡与独立于策略进程的 kill switch evidence: [T03-S004, T03-S042]。同时要写下产品层的约束：合同的预警线与止损线、开放频率与赎回安排——一个需要等待事件落地的头寸会被开放日与止损线在最坏的时点强制终止，这条腿必须与「同类策略同时平仓」并列写进压力情景 evidence: [T03-S006]。可以坦然推迟的：自建风险模型、组合优化器调参、冲击成本的精细建模、基础设施正规化。
先写经济机制、方向性陈述、预设失效条件，再碰数据。资深差异：跳过快速探索性回测（先看一眼数据的诱惑）；优化假设书模板使其可机械核查；额外写一份反方陈述并事先约定什么结果算证伪 evidence: [T03-S010]。
时点数据、复权口径、停牌退市、财报修订、期货拼接、异常值与涨跌停。资深差异：跳过「把数据一次洗到完美」；优化为按策略类型只洗必要字段；额外建立数据版本快照与口径变更日志 evidence: [T03-S012, T03-S013, T03-S015]。
IC、ICIR、分层回测、换手与半衰期、行业与市值中性化的实际口径。资深差异：跳过多参数里挑最好；优化为先看成本后 IC 而不是毛 IC；额外把本次检验的试验次数计入台账 evidence: [T03-S023]。
优化器、约束集、风险模型、中性化、杠杆。资深差异：跳过追求优化器的数学最优；优化约束集使其反映真实交易限制；额外拿等权 1/N 当基线对照 evidence: [T03-S037]。
冲击模型、换手 × 成本、拥挤度、容量上限。资深差异：跳过死磕成本模型精度；优化为按规模档位给出净收益曲线；额外把容量上限写进资金分配约束 evidence: [T03-S021, T03-S033]。
walk-forward 或 CPCV，配合 purging 与 embargo。资深差异：跳过固定比例留出的教科书做法；优化为与部署方式一致的滚动方式；额外同时报告 Deflated Sharpe 与 PBO，两者不一致时取保守 evidence: [T03-S024, T03-S049, T04-S027]。
影子运行 + 小仓位，把实盘与回测的差异按四类原因归因。资深差异：跳过纯模拟盘（失真且给虚假信心）；优化为直接上最小可行仓位；额外把归因结果反写回回测引擎 evidence: [T03-S046]。
三层风控（报单前 / 持仓中 / 组合层），触发条件与自动动作事先写死。资深差异：跳过给每个指标都设阈值；优化为风控放在下单链路而不是策略内；额外准备独立于策略进程的 kill switch 并定期真实测试 evidence: [T03-S019, T03-S042]。
收益拆到因子、择时与成本，用统计判据判断信号衰减。资深差异：跳过对短期噪声做归因；优化为事前风险与事后归因共用同一套因子体系；额外把成本单列一行长期跟踪 evidence: [T03-S040]。
按事前写下的退役条件判断去留。资深差异：跳过「改一改再上线」；优化为退役条件接入监控自动评估；额外把重上线也计入试验次数 evidence: [T03-S010]。
拥挤踩踏、流动性枯竭、断线与错单、交易所异常交易处理。资深差异：跳过事故中抄底；优化为第一动作永远是止血而非查因；额外做定期故障演练 evidence: [T03-S044]。
风险预算、相关性、波动率目标、凯利与部分凯利。资深差异：跳过追求配置的数学最优；优化为用压力情景下的相关性而非全样本相关性；额外把降杠杆规则在历史上跑一遍，知道它触发过几次 evidence: [T03-S039, T03-S040]。
Decay risk: high。程序化交易报告与备案、异常交易与持仓限额、高频差异化收费、私募产品的自律约束。资深差异：跳过纠结「算不算程序化」（按最严口径准备）；优化为把阈值卡做成下单前置硬校验；额外把「若被认定为高频」写进成本模型情景 evidence: [T03-S001, T03-S004, T03-S006]。红线：不以成交为目的的申报、自成交、尾市操纵、拆分账户规避报告——这是法律问题，不是优化问题 evidence: [T05-S004]。
这一行的人聚在一起讨论时的口吻，有几个稳定特征：
一次可信的回测必须同时满足：有一份早于任何回测结果的假设书 evidence: [T03-S010]；报告了策略族层面的试验次数 evidence: [T03-S023]；数据是时点的（动态成分股、财报首次公布值与可见时间戳、退市股在册且有退市收益）evidence: [T03-S012, T03-S015]；有可交易性掩码（停牌、涨跌停、上市天数、ST）evidence: [T03-S003]；期货序列的展期规则与调价方式写明且与策略类型匹配 evidence: [T03-S018]；成本按四项分解且冲击用次线性模型 evidence: [T03-S021, T03-S033]；样本外用 walk-forward 或 CPCV 且做了 purging 与 embargo evidence: [T03-S024, T03-S049]；同时报告 Deflated Sharpe 与 PBO evidence: [T04-S025, T04-S027]；夏普附置信区间 evidence: [T03-S027]；与等权、买入持有、随机信号三条基线在同一折价下比较 evidence: [T03-S037]；最终留存样本只跑过一次；所有门槛数字标注来源或明写无统一标准。
其中最常缺失、也最难事后补救的三条：事前假设书、试验次数、留存样本只跑一次——这三条补不了，只能重做 evidence: [T03-S010, T03-S023]。
一次合格的策略上线还要额外满足：中国法域的程序化交易报告已提交并收到确认 evidence: [T03-S001]；内部阈值卡作为下单前置硬校验且严于交易所认定线 evidence: [T03-S004]；成本模型包含「若被认定为高频」的情景且该情景下净收益为正 evidence: [T03-S004]；有独立于策略进程的 kill switch 且最近一次真实测试有记录 evidence: [T03-S042]；风控分三层且触发条件事先写死 evidence: [T03-S019]；降杠杆规则在历史上跑过；退役条件写在上线申请里并接入自动评估；影子运行与小仓位实盘的差异已归因并反写回引擎 evidence: [T03-S046]；事故处置卡已写且含「披露前不得基于事故信息交易」这条红线 evidence: [T03-S044]；容量上限已估算且分配资金不超过它 evidence: [T03-S021]。
这一行没有共识，只有几个互不承认对方权威的支流。按对立的硬度排序：
元分歧 —— 经济学解释先行 ⇄ 数据里挖出来就行。 解释先行一侧：Campbell Harvey、Marcos López de Prado、David H. Bailey，奠基文本是因子动物园与回测过拟合系列 evidence: [T04-S014, T04-S023]。数据先行一侧：Bryan Kelly、Andrew Y. Chen、部分 Lasse Pedersen，奠基文本是机器学习资产定价与发表偏差量化 evidence: [T04-S065, T04-S021]。这是本行最硬的一条对立，多数其他争论与它相关，但不是全部——下面的执行派之争是方法论问题，尾部对冲之争本文判定为立场展示。它到目前仍未收敛，双方都拿得出数据。
因子复制危机有多严重。 严重派：Harvey-Liu-Zhu 主张 t 值门槛抬到 3.0 evidence: [T04-S014]；Hou-Xue-Zhang 复制 452 个异象后报告，在用市值加权与 NYSE 分组断点抑制微盘股影响之后，约 65% 过不了 t=1.96 evidence: [T04-S016]——这个前提不是修饰语，它就是整场争论的战场。被夸大派：Jensen-Kelly-Pedersen 的层次贝叶斯框架 evidence: [T04-S019]；Andrew Y. Chen 的发表偏差可量化论证 evidence: [T04-S021, T04-S022]。批评方还有一条至今没有被数据回应的反驳：即使每篇论文都能复制，整个文献的搜索过程本身就是一次巨大的多重检验。
执行派内部：解析最优化 ⇄ 经验标度律。 Almgren-Chriss 从冲击模型解析求最优轨迹 evidence: [T04-S077]；Bouchaud 主张先承认经验平方根律，且冲击几乎与执行节奏无关 evidence: [T04-S032, T01-S012]。这条分歧直接决定工程资源投在调节奏还是控规模。
趋势跟踪是什么。 有经济学基础的凸性资产（Harvey、Kaminski、Baltas）⇄ 应当默认无效除非样本外证明（Carver）⇄ 概念已被营销滥用（Kaminski 对自己提出的危机 alpha 做纠偏）evidence: [T01-S042, T01-S048, T01-S061]。三者不完全互斥，但导致完全不同的日常动作。
尾部风险怎么买。 尾部对冲长期负和、用分散化与趋势代替（Asness / AQR）⇄ 不对称性值得长期持有（Taleb 一侧）⇄ 波动率风险溢价已被结构性卖方抽干（Eifert）evidence: [T01-S024, T01-S071]。读者警告：这场争论双方都在推销自己的产品，且没有任何一方给出可复核的实盘对比——它是立场展示，不是证据 evidence: [T01-S024]。
中国实践派 ⇄ 全球学术派，是结构性错位而不是观点之争。 以明汯裘慧明 2020 至 2023 年的公开发言为代表，中国头部私募的公开话语集中在指数增强与市场中性两个产品形态上，底层逻辑是投资宽度——分散持有大量标的、靠短周期价格信息取胜 evidence: [T01-S035, T01-S036]。这里的样本只有一个人、最新材料距今已超两年，其中 2020 年那份还是当时的前瞻判断而非事后总结，不能当作中国行业结构的现状描述；欧美因子派讲的是「这个因子为什么存在」。两者不在同一个抽象层级上，而且中国侧还有一条欧美不存在的硬约束：程序化交易的报告与阈值监管 evidence: [T05-S001, T05-S002]。不要把中国实践派写成欧美理论的本地应用——它是在不同约束下长出来的不同物种。
Decay risk: high，中国法域的程序化交易规则近两年连续变动（证券规定 2024-10-08 施行、上交所实施细则 2025-07-07 施行、期货规定 2025-10-09 施行）evidence: [T05-S001, T03-S003, T05-S002]。任何写于 2024 年之前的中国「程序化交易」合规材料都应视为过期；异常交易认定与持仓限额这一类更老的交易所规则仍然有效，但必须按交易所当期公告重新核对生效版本（本 skill 引用的中金所异常交易标准即为较早年份的文件）。This skill's modules decay at different speeds. Re-run update 大师 {slug}
when the dates below cross the recommended cadence listed in this table.
| Module | last_updated | decay_risk | Recommended refresh cadence |
|---|---|---|---|
| Mental models | last_updated: 2026-09-02 | decay_risk: low | 1-2 years |
| Standard playbook | last_updated: 2026-09-02 | decay_risk: low | 6-12 months |
| Tool stack | last_updated: 2026-09-02 | decay_risk: high | 3-6 months |
| Workflows / pipeline | last_updated: 2026-09-02 | decay_risk: high | 3-6 months |
| Expression DNA | last_updated: 2026-09-02 | decay_risk: low | 6-12 months |
| Sources (Track 5) | last_updated: 2026-09-02 | decay_risk: medium | 6 months |
| Glossary / standards / regulations | last_updated: 2026-09-02 | decay_risk: medium | 6 months (regulations may force sooner) |
| Intellectual genealogy | last_updated: 2026-09-02 | decay_risk: low | 1-2 years |
| Honest boundaries | last_updated: 2026-09-02 | decay_risk: low | re-assess each refresh |
last_updated values reflect the synthesis date. Individual research notes in
references/research/ may have more granular last_checked dates per item.
まだレビューはありません。使ってみた感想をお寄せください。
概要と使いどころ
科研方法与论文发表 (Academic Research and Publishing) Master OS — automated mastery of Academic Research and Publishing: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on Academic Research and Publishing problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「科研方法」「论文发表」「学术写作」「论文写作」「科研写作」
日本語の概要は準備中です。原文の説明を表示しています。
广告外包公司绩效管理 (广告外包公司绩效管理 (Ad Agency / Marketing-Outsourcing Firm Performance Management) — 广告/营销外包公司(乙方 agency:创意热店/4A/本土广告公司/传媒公司/数字营销代理/MCN/设计工作室/内容外包)的『怎么做绩效管理』职业认知操作系统,面向老板/合伙人、运营总监(COO)、HR/HRBP、项目总监、team lead、以及想搭绩效体系的从业者。覆盖: (a) 第一性张力 — 绩效管理的核心世界观分歧: **创意/知识工作『不可量化』 vs 『必须可考核』(创意难归因、难标准化,硬套 KPI 杀创意;但不考核养懒人——这是本行绩效的元矛盾) ⇄ 结果导向(KPI/业绩/回款) vs 过程导向(OKR/能力/成长) ⇄ 个人绩效 vs 团队协作(广告是集体产物,创意-AE-媒介-设计协作,难拆到个人) ⇄ 强激励(提成制:多劳多得但抢单/短视/不协作/吃老客户) vs 稳定(固定+奖金:公平但大锅饭) ⇄ 规模/流水 vs 利润/人效(低价接单冲规模 vs 保毛利)**; (b) 绩效体系设计 — KPI(关键指标法)/OKR(目标与关键成果)/BSC(平衡计分卡)/360 环评/MBO(目标管理)/KSF(关键成功因子)/积分制/计件提成;考核周期(月/季/年+项目制);绩效面谈、绩效改进 PIP、强制分布(271/活力曲线)争议、绩效结果应用(调薪/晋升/淘汰/奖金); (c) 分岗位绩效(本行难点,各岗量化差异极大) — 创意(文案/美术/创意总监:作品质量、获奖、比稿命中率——最难量化)、AE/客户执行(客户满意度、续约、回款、增购、客诉)、媒介/投放(可量化:ROI/ROAS/CPM/转化——最易量化)、策略/策划(方案通过率、洞察)、设计(产能/返稿率/品质)、项目管理(交付准时率、利润率)、销售/BD(新签、回款、毛利); (d) 项目与客户维度绩效(agency 特有,专业服务公司逻辑) — 项目利润率(收入-人力成本-外部成本)、工时制与人效(billability 可计费工时率/utilization 利用率/realization 实现率,借鉴咨询律所)、人均产值/人均毛利、客户续约率与 LTV、客户集中度风险、比稿投入产出、改稿次数失控; (e) 激励与分配机制 — 提成制(按签单/毛利/回款抽成)、项目奖金分成(如何在创意-AE-媒介间分)、年终奖包、合伙人制/事业合伙人/工作室 studio 制/阿米巴、股权期权、创意人才的非物质激励(署名/获奖/成长); (f) 人效、成本与文化 — 人效比(人力成本占收入比,业内估计通常 40-55%,非普适)、毛利率、加班/血汗工厂文化批判(乙方 996/改稿到凌晨)、人才流失率与保留、招聘与培养、组织架构(客户组 vs 职能组 vs 项目制矩阵); (g) 外包/乙方特有张力对绩效的侵蚀 — 甲乙方权力不对等(甲方压价、无限改稿、比稿白嫖创意、账期长垫款重回款难)、低价内卷与红海、项目制不确定性(旺淡季、大客户依赖)、创意工时不可控如何计入绩效、外包 vs 自建团队的成本对比; (h) 争议/批判 — KPI 量化派 vs 创意不可考核派、提成制养蛊 vs 团队协作、强制分布/末位淘汰是否适合小 agency、工时制(billable hours)被咨询律所验证但绑架员工健康、『向甲方看齐做 OKR』水土不服、绩效主义扼杀创意(索尼绩效主义之殇式批判)、乙方绩效本质是『用考核对冲甲方不确定性』的转嫁; (i) 流派/思想谱系 — 专业服务公司管理派(David Maister《Managing the Professional Service Firm》PSF 圣经:leverage 杠杆/utilization 利用率/billing;借鉴咨询律所会计所) vs agency 专家经营派(David C. Baker《The Business of Expertise》+2Bobs podcast、Blair Enns《Win Without Pitching》《Pricing Creativity》定位与定价) vs OKR/目标管理派(John Doerr《Measure What Matters》、Google/Intel OKR、字节/飞书 OKR 本土化) vs 中式绩效工具派(KSF 薪酬全绩效/积分制/阿米巴/华为绩效体系被广告公司借用) vs 本土 4A/广告公司实战派(省广/蓝色光标/华扬联众/利欧 等上市广告公司管理 + 创意热店工作室制)。不含: 广告投放/信息流/SEM 的技术操作本身、甲方市场部/品牌方内部绩效、通用 HR 招聘薪酬全流程(仅取与绩效相关部分)、纯财务会计做账、MCN 达人孵化运营细节。) Master OS — automated mastery of 广告外包公司绩效管理 (Ad Agency / Marketing-Outsourcing Firm Performance Management) — 广告/营销外包公司(乙方 agency:创意热店/4A/本土广告公司/传媒公司/数字营销代理/MCN/设计工作室/内容外包)的『怎么做绩效管理』职业认知操作系统,面向老板/合伙人、运营总监(COO)、HR/HRBP、项目总监、team lead、以及想搭绩效体系的从业者。覆盖: (a) 第一性张力 — 绩效管理的核心世界观分歧: **创意/知识工作『不可量化』 vs 『必须可考核』(创意难归因、难标准化,硬套 KPI 杀创意;但不考核养懒人——这是本行绩效的元矛盾) ⇄ 结果导向(KPI/业绩/回款) vs 过程导向(OKR/能力/成长) ⇄ 个人绩效 vs 团队协作(广告是集体产物,创意-AE-媒介-设计协作,难拆到个人) ⇄ 强激励(提成制:多劳多得但抢单/短视/不协作/吃老客户) vs 稳定(固定+奖金:公平但大锅饭) ⇄ 规模/流水 vs 利润/人效(低价接单冲规模 vs 保毛利)**; (b) 绩效体系设计 — KPI(关键指标法)/OKR(目标与关键成果)/BSC(平衡计分卡)/360 环评/MBO(目标管理)/KSF(关键成功因子)/积分制/计件提成;考核周期(月/季/年+项目制);绩效面谈、绩效改进 PIP、强制分布(271/活力曲线)争议、绩效结果应用(调薪/晋升/淘汰/奖金); (c) 分岗位绩效(本行难点,各岗量化差异极大) — 创意(文案/美术/创意总监:作品质量、获奖、比稿命中率——最难量化)、AE/客户执行(客户满意度、续约、回款、增购、客诉)、媒介/投放(可量化:ROI/ROAS/CPM/转化——最易量化)、策略/策划(方案通过率、洞察)、设计(产能/返稿率/品质)、项目管理(交付准时率、利润率)、销售/BD(新签、回款、毛利); (d) 项目与客户维度绩效(agency 特有,专业服务公司逻辑) — 项目利润率(收入-人力成本-外部成本)、工时制与人效(billability 可计费工时率/utilization 利用率/realization 实现率,借鉴咨询律所)、人均产值/人均毛利、客户续约率与 LTV、客户集中度风险、比稿投入产出、改稿次数失控; (e) 激励与分配机制 — 提成制(按签单/毛利/回款抽成)、项目奖金分成(如何在创意-AE-媒介间分)、年终奖包、合伙人制/事业合伙人/工作室 studio 制/阿米巴、股权期权、创意人才的非物质激励(署名/获奖/成长); (f) 人效、成本与文化 — 人效比(人力成本占收入比,业内估计通常 40-55%,非普适)、毛利率、加班/血汗工厂文化批判(乙方 996/改稿到凌晨)、人才流失率与保留、招聘与培养、组织架构(客户组 vs 职能组 vs 项目制矩阵); (g) 外包/乙方特有张力对绩效的侵蚀 — 甲乙方权力不对等(甲方压价、无限改稿、比稿白嫖创意、账期长垫款重回款难)、低价内卷与红海、项目制不确定性(旺淡季、大客户依赖)、创意工时不可控如何计入绩效、外包 vs 自建团队的成本对比; (h) 争议/批判 — KPI 量化派 vs 创意不可考核派、提成制养蛊 vs 团队协作、强制分布/末位淘汰是否适合小 agency、工时制(billable hours)被咨询律所验证但绑架员工健康、『向甲方看齐做 OKR』水土不服、绩效主义扼杀创意(索尼绩效主义之殇式批判)、乙方绩效本质是『用考核对冲甲方不确定性』的转嫁; (i) 流派/思想谱系 — 专业服务公司管理派(David Maister《Managing the Professional Service Firm》PSF 圣经:leverage 杠杆/utilization 利用率/billing;借鉴咨询律所会计所) vs agency 专家经营派(David C. Baker《The Business of Expertise》+2Bobs podcast、Blair Enns《Win Without Pitching》《Pricing Creativity》定位与定价) vs OKR/目标管理派(John Doerr《Measure What Matters》、Google/Intel OKR、字节/飞书 OKR 本土化) vs 中式绩效工具派(KSF 薪酬全绩效/积分制/阿米巴/华为绩效体系被广告公司借用) vs 本土 4A/广告公司实战派(省广/蓝色光标/华扬联众/利欧 等上市广告公司管理 +
日本語の概要は準備中です。原文の説明を表示しています。
AI自适应学习 (AI Adaptive Learning) Master OS — automated mastery of AI Adaptive Learning: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on AI Adaptive Learning problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「自适应学习」「智能诊断」「自适应题库」「学习路径规划」「知识追踪」
日本語の概要は準備中です。原文の説明を表示しています。
AI 产品经理 (LLM 应用 / 生成式 AI / Agent 产品 / Copilot 嵌入 — 跨模型评估 / 工作流设计 / 产品-工程协同) (AI Product Manager — LLM application / generative AI / agent product 的产品经理实战) Master OS — automated mastery of AI Product Manager — LLM application / generative AI / agent product 的产品经理实战: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on AI Product Manager — LLM application / generative AI / agent product 的产品经理实战 problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「AI 产品经理」「AI PM」「LLM 产品」「Generative AI product」「RAG 产品」
日本語の概要は準備中です。原文の説明を表示しています。
AI 短剧 (AI 微短剧) (AI 短剧 (AI 微短剧) (从业者视角) — 用 AIGC 工具（AI 视频生成 / AI 脚本 / AI 生图 / AI 配音 / 对口型 / 角色一致性）制作竖屏微短剧并变现的新兴行业。覆盖: (a) 创作工作流 — 选题→剧本/分镜→AI 生图→图生视频(首尾帧/运镜/参考)→配音/对口型→剪辑/调色→成片，其中角色/场景一致性是第一性难题; (b) 工具栈 — 视频生成(可灵 Kling / 即梦 Seedance / 海螺 Hailuo / Vidu / Runway Gen / OpenAI Sora / Pika / Luma / Pixverse)、脚本(LLM)、生图(Midjourney/SD/即梦)、配音(TTS)、对口型、剪辑(剪映/CapCut); (c) 商业/变现 — 国内付费投流(IAP + ROI + 平台分账, 抖音/快手/红果/微信小程序短剧)与海外订阅(ReelShort/DramaBox/ShortMax/GoodShort)两套打法、品牌定制、成本结构; (d) 合规 — 中国《人工智能生成合成内容标识办法》(2025-09 强制 AI 标识)、广电微短剧备案与分类分层审核、版权与肖像权。主战场 = 抖音/快手/视频号/B站 + 海外短剧 App。学派分歧: 纯 AI vs AI+实拍混合、国内投流 vs 海外订阅、视频工具派之争、「AI 短剧是真需求还是伪风口」。不含: 传统实拍短剧制作、通用影视编剧(已有 scriptwriting skill)、短视频信息流投放(已有 short-video-ads skill)、纯 AI 视频底层技术研发。) Master OS — automated mastery of AI 短剧 (AI 微短剧) (从业者视角) — 用 AIGC 工具（AI 视频生成 / AI 脚本 / AI 生图 / AI 配音 / 对口型 / 角色一致性）制作竖屏微短剧并变现的新兴行业。覆盖: (a) 创作工作流 — 选题→剧本/分镜→AI 生图→图生视频(首尾帧/运镜/参考)→配音/对口型→剪辑/调色→成片，其中角色/场景一致性是第一性难题; (b) 工具栈 — 视频生成(可灵 Kling / 即梦 Seedance / 海螺 Hailuo / Vidu / Runway Gen / OpenAI Sora / Pika / Luma / Pixverse)、脚本(LLM)、生图(Midjourney/SD/即梦)、配音(TTS)、对口型、剪辑(剪映/CapCut); (c) 商业/变现 — 国内付费投流(IAP + ROI + 平台分账, 抖音/快手/红果/微信小程序短剧)与海外订阅(ReelShort/DramaBox/ShortMax/GoodShort)两套打法、品牌定制、成本结构; (d) 合规 — 中国《人工智能生成合成内容标识办法》(2025-09 强制 AI 标识)、广电微短剧备案与分类分层审核、版权与肖像权。主战场 = 抖音/快手/视频号/B站 + 海外短剧 App。学派分歧: 纯 AI vs AI+实拍混合、国内投流 vs 海外订阅、视频工具派之争、「AI 短剧是真需求还是伪风口」。不含: 传统实拍短剧制作、通用影视编剧(已有 scriptwriting skill)、短视频信息流投放(已有 short-video-ads skill)、纯 AI 视频底层技术研发。: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on AI 短剧 (AI 微短剧) (从业者视角) — 用 AIGC 工具（AI 视频生成 / AI 脚本 / AI 生图 / AI 配音 / 对口型 / 角色一致性）制作竖屏微短剧并变现的新兴行业。覆盖: (a) 创作工作流 — 选题→剧本/分镜→AI 生图→图生视频(首尾帧/运镜/参考)→配音/对口型→剪辑/调色→成片，其中角色/场景一致性是第一性难题; (b) 工具栈 — 视频生成(可灵 Kling / 即梦 Seedance / 海螺 Hailuo / Vidu / Runway Gen / OpenAI Sora / Pika / Luma / Pixverse)、脚本(LLM)、生图(Midjourney/SD/即梦)、配音(TTS)、对口型、剪辑(剪映/CapCut); (c) 商业/变现 — 国内付费投流(IAP + ROI + 平台分账, 抖音/快手/红果/微信小程序短剧)与海外订阅(ReelShort/DramaBox/ShortMax/GoodShort)两套打法、品牌定制、成本结构; (d) 合规 — 中国《人工智能生成合成内容标识办法》(2025-09 强制 AI 标识)、广电微短剧备案与分类分层审核、版权与肖像权。主战场 = 抖音/快手/视频号/B站 + 海外短剧 App。学派分歧: 纯 AI vs AI+实拍混合、国内投流 vs 海外订阅、视频工具派之争、「AI 短剧是真需求还是伪风口」。不含: 传统实拍短剧制作、通用影视编剧(已有 scriptwriting skill)、短视频信息流投放(已有 short-video-ads skill)、纯 AI 视频底层技术研发。 problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「ai 短剧」「ai 微短剧」「ai short drama」「ai 短剧制作」「ai 短剧工作流」
日本語の概要は準備中です。原文の説明を表示しています。
AIGC 创作工作流 (AIGC 创作工作流 / AIGC Creative Workflow — 以「生成式 AI 视觉创作（图像 + 视频）的工程化创作流水线」为对象的认知操作系统：从「需求/概念（要做什么画面/镜头/风格）→ 模型与工具选型（Midjourney / Stable Diffusion·SDXL·Flux / ComfyUI / 可灵 Kling / 即梦 Jimeng / Runway / Vidu / Sora）→ Prompt 与参数设计（提示词工程、风格描述、负向、种子、CFG/步数/采样器、参考图）→ 可控生成（ControlNet / LoRA / IPAdapter / inpainting / 图生图 / 局部重绘 / 区域控制）→ 批量出图与筛选 → 精修与合成（放大/超分、修手修脸、PS/AE 后期、抠图合成）→ 图生视频/文生视频（首尾帧、运镜、时长、一致性、对口型）→ 商业交付与迭代复现（参数留存、工作流文件复用、版权与可商用判断）」的完整创作-工程-交付决策链。覆盖 (a) 第一性张力 — **可控性/工程化复现（ControlNet/LoRA/ComfyUI 节点工作流/固定种子与参数/可复现可迭代）⇄ 随机性/抽卡玄学（出图随机、prompt 玄学、抽卡刷图、靠运气）**；**审美/创意/艺术指导主导（人的审美判断、概念设计、构图、镜头语言、艺术总监能力——'模型是地板，审美是天花板'）⇄ 工具/模型/参数主导（堆模型能力、堆参数、堆 LoRA、以为换个大模型就行）**；**开源生态/本地可控（Stable Diffusion / ComfyUI / Flux / civitai / liblib 本地部署可定制可控可商用、显卡门槛）⇄ 闭源商业/易用黑盒（Midjourney / 可灵 / 即梦 / Runway 开箱即用但不可精控、按量付费、黑盒）**；**图像生成（T2I/I2I：Midjourney / SDXL / Flux）⇄ 视频生成（T2V/I2V：可灵 / Runway Gen-3 / Vidu / 即梦 / Sora，2024-2025 前沿从图迁移到视频）**；**生产力/商业量产（替代或增强传统设计/插画/电商/广告/影视分镜流程、降本提效、批量）⇄ 纯艺术创作/作者表达（个人风格、实验性、作品集）**；**效率/批量（一次出几十张筛选、商单走量、自动化 pipeline）⇄ 质量/精控（单张精修、商业可用级细节、修手修脸修穿帮）**。(b) 核心工作流 / pipeline（最标准、最易蒸高质量 + CLI 化）— 单图创作链：概念/参考收集（moodboard/风格定位/竞品）→ 模型工具选型（按可控性/风格/成本/可商用判断 MJ vs SD/Flux vs 国产）→ Prompt 与参数设计（主体/风格/光影/镜头/负向词/CFG/采样器/分辨率/种子）→ 首轮出图与方向筛选 → 可控迭代（ControlNet 控构图/姿态/线稿、LoRA 控风格/角色一致性、图生图重绘、inpainting 局部修）→ 放大超分与精修（高清放大/修手修脸/后期调色合成）→ 交付与参数留存（工作流文件/种子/参数复现）。视频创作链：分镜/脚本→首帧出图（图像链产出关键帧）→图生视频（运镜/时长/首尾帧/动态强度）→多镜头一致性（角色/场景/风格统一）→对口型/配音/配乐→剪辑合成→交付。ComfyUI 工程链：节点工作流搭建（加载器/采样/ControlNet/放大/面部修复节点）→ 参数化与复用→批量队列→工作流分享（civitai/openart workflow json）。(c) 工具栈 — 闭源图像（Midjourney v6/v7、DALL·E 3、Adobe Firefly、Ideogram、Recraft）、开源图像与底座（Stable Diffusion 1.5/SDXL/SD3、Flux.1 dev/schnell（Black Forest Labs）、ComfyUI（节点式）、Automatic1111/Forge WebUI、Fooocus）、可控生成插件（ControlNet、LoRA、IPAdapter、AnimateDiff、inpainting/outpainting、ReActor 换脸、面部修复 CodeFormer/GFPGAN、放大 ESRGAN/SUPIR/Topaz）、模型/资源社区（Hugging Face、Civitai、liblib 哩布、吐司 Tusi、openart）、视频生成（可灵 Kling、即梦 Dreamina/Jimeng、Runway Gen-3/Gen-4、Luma Dream Machine、Pika、Vidu、海螺 Hailuo、Sora、Wan 通义万相、MiniMax）、辅助（Magnific 放大、Krea、Photoshop/After Effects 后期、ChatGPT/Claude 写 prompt、reverse prompt 反推）。(d) 知识正典 — AIGC 创作 canon 横跨论文/工程/社区教程：奠基论文（DDPM、Latent Diffusion/Stable Diffusion（Rombach et al）、DiT、ControlNet（Zhang et al）、LoRA、DreamBooth、Textual Inversion、SDEdit、IP-Adapter、视频扩散 SVD/Sora 技术报告）、官方文档与模型卡（Stability AI、Black Forest Labs Flux、ComfyUI 文档、Midjourney docs、可灵/即梦官方教程、Hugging Face diffusers）、社区教程与工作流（ComfyUI 官方示例、civitai 文章、B站/YouTube 创作者长教程、openart workflow）、prompt 工程资源（Midjourney 风格库、提示词指南）。(e) figures/流派 — 模型/工具创造者（Midjourney David Holz、Stability AI Emad/Robin Rombach、Black Forest Labs（Flux，原 SD 团队）、ComfyUI comfyanonymous、ControlNet 张吕敏 Lvmin Zhang、AUTOMATIC1111、可灵/即梦/快手字节团队）、创作者 KOL 与教育者（Midjourney/SD 头部创作者、ComfyUI 工作流大神、AI 视频创作者、国内 B站/抖音 AIGC 教程作者、独立 AI 艺术家）、行业分析与评测（AI 工具评测、生成式 AI 创作生态观察者）。流派分歧：开源可控派（SD/ComfyUI/Flux 本地精控）vs 闭源易用派（MJ/可灵开箱即用）、工程化派（节点工作流/可复现/参数化）vs 玄学抽卡派（prompt 玄学/堆词/抽卡）、审美主导派（'模型是地板审美是天花板'）vs 工具主导派（堆模型堆参数）、图像派 vs 视频派、艺术创作派 vs 商业生产力派、国产工具派（可灵/即梦/liblib）vs 海外工具派（MJ/Flux/Runway）。(f) 行业话术/黑话 — 出图 / 抽卡 / 刷图 / 炼丹（训练 LoRA）/ 喂图 / 垫图（参考图/图生图）/ 控图 / 锁种子 seed / CFG / 采样器 sampler / 步数 steps / 重绘幅度 denoise / 提示词 prompt / 咒语 / 负向 negative / 权重 / tag / 大模型 checkpoint / 底模 / LoRA / ControlNet / 控线稿/openpose/depth / IPAdapter / inpainting 局部重绘 / outpainting 扩图 / 高清放大 / 超分 / 修手 / 崩手 / AI 味 / 风格 / 角色一致性 / 工作流 workflow / 节点 / 跑图 / 队列 / 文生图 T2I / 图生图 I2I / 文生视频 T2V / 图生视频 I2V / 首帧/尾帧 / 运镜 / 动态强度 / 时长 / 对口型 / 一致性 / 可商用 / 训练集 / 过拟合 / 翻车 / 穿帮。(g) 争议/批判 — 「版权与训练数据」（模型训练用未授权作品、生成图版权归属、可商用风险、洗图/伪原创）、「AI 替代创作者就业」（替代画师/插画师/设计师/摄影、行业冲击与转型）、「AI 味与审美趋同」（生成图同质化、套模板、缺乏原创审美）、「玄学 prompt 神话与割韭菜」（'咒语'神秘化、'7天 AIGC 变现/月入过万'付费课割韭菜、抽卡当能力）、「工具快速迭代与淘汰焦虑」（模型月月换、工作流频繁失效、追新疲劳）、「开源 vs 闭源之争」（可控可商用 vs 易用黑盒）、「质量天花板」（修手修脸穿帮、长视频一致性、可控性仍有限）。(h) 大量隐性创作手艺 + 审美 + 工程 + 沟通软技能（prompt 的描述功底与审美词汇、参数与采样的手感、ControlNet/LoRA 的组合控制经验、节点工作流的搭建与调试、批量筛选的审美眼力、修图合成的后期功底、镜头语言与运镜设计、角色/风格一致性的控制、商业需求的翻译与交付、版权与可商用的判断）是高 tacit、靠大量实操跑图 + 审美积累 + 工程调试经验的核心。水分极高（大量'咒语速成/一键变现/AI 绘画割韭菜'营销
日本語の概要は準備中です。原文の説明を表示しています。