AI 显著提高研究产出速度后，结论的可信度成为新的核心问题。人工逐行检查不可持续，仅依赖对模型的信任也无法满足真实业务要求。
将验证设计为可执行的流程：重要结论由未参与开发的第二个 Agent 仅依据文档独立复现；实盘数据由两个 Agent 使用不同数据通道分别计算并交叉核对；定时扫描负责发现应当产出却未按时生成的结果。
不看原代码，只按《可复现说明书》重写一遍；数字对不上就是发现。
维护生产引擎，修复复现发现的问题并回归验证。
两边对不上时裁决哪边错、口径以哪份文档为准，结论记入台账。
定点校验当日必产物是否齐全、时间戳是否新鲜，缺项自动报警转任务。
验证的规则：
@复核 零背景复现整套回测，第一轮就抓出一个数据复权口径 bug。
修复后，三套独立实现的日净值对齐到小数点后五位，才冻结为生产口径。
实盘首日，两个 Agent 分别从结算单和持仓明细独立算净值，逐项核对到分。
收盘后 backstop 自动检查必产物；曾抓出一次「任务跑了、但净值没滚动」的隐蔽缺口，当日修复。
事故复盘当天写进自检清单与报警规则，同类问题此后由系统自动监控。
定点校验当日产物完整性与新鲜度，缺项报警。
定期让第三方 Agent 零背景复现一次核心结果。
每次口径裁决的依据与结论归档，可追溯。
把复现从「关键节点」扩展成「抽检制度」：每季度随机抽一项核心产出重算。
给对外数字建「溯源链」：每个数字标注来自哪个冻结口径、哪天产出。
报警分级：缺产物是红线，口径漂移是黄线，处理时限写清楚。