会自己进化的
研究引擎。

约束并不在于"想出假设"——好研究员加现代大语言模型，每天产出的假设远超任何团队的审阅能力。 真正的瓶颈在那条闭环：干净的测试、合理的压力、公平的仓位、诚实的监控、优雅的退役。

CWS 把这条闭环当作产品。我们工程的对象是这个系统本身，而不是上面跑的具体策略。 策略来来去去，闭环却在持续复利。

量化研究员先把一条策略要走的完整管线亲手搭出来——取数、清洗、特征、回测、定仓、执行。 这条管线就是教学大纲。其中每一个能被清晰界定的子问题，都被建模成一个自包含模块： 显式的 IO 契约、验收测试、自己的 settings 与 skill 注册表。

一个 supervisor AI 持续观察这些模块在真实工作中产生的执行轨迹， 从历史里挖盲点与被错过的捷径，然后向出问题的模块写补丁——改它的 settings、扩它的 skill。 相同的任务在相同数据上以 ablation 方式复跑， 只有当 Δ 越过噪声底线时，补丁才被接受上线。