决策人已经形成选股逻辑，但要把口头规则转化为每日可运行的模型，传统流程还需经历需求文档、排期、开发和联调，反馈周期过长。
使用自然语言快速迭代策略：决策人口述选股规则后，Agent 立即进行全市场重算并给出入选名单和分布，决策人根据结果继续调整。规则经过数轮验证后即可接入每日扫描；每个新模型上线前必须通过历史实证，未达到标准则降级为观察信号。
把口述规则翻译成可执行筛选，十分钟级重跑全市场，每一版都给通过名单与分布。
对新模型跑历史审计，按结果定位：生产信号、执行条件、还是观察层。
策略共创的规则：
决策人用自然语言给出选股条件：均线结构、趋势持续性、形态特征。
@量化工程 十分钟级重跑全市场，回报通过名单、行业分布与边界情况。
人看结果继续改；一天之内五轮口头迭代，规则逐步收敛。
新模型当天接入每日扫描 cron，次日开始随盘后流水线自动产出。
@CIO 补跑历史审计：一个按经典强势股方法建的候选模型，被审计出历史触发中正回报比例过低，公开撤回此前的「高确信」标注，降级为观察信号；另一个买点研究被回测证伪后，降级为执行条件。
上线模型随盘后流水线每日重跑，报增量。
入选标的按 T+1/T+3/T+5/T+10 跟踪后续走势，用数据检验规则。
每个模型的版本、实证结果与当前定位可检索。
给每个模型建「定位标签」：生产信号 / 执行条件 / 观察信号，随实证结果流动。
命中跟踪积累够样本后，回头修剪规则里贡献最低的条件。
新点子先进观察层跑一段真实行情，再谈进生产。