Target System

AI 量化研究平台最终架构图

课程最终交付的不是概念笔记，而是一套本地可运行的 AI 量化研究平台：用大模型完成研究规划、知识检索、工具调用、回测执行、风险审查、实验记忆和研究报告。

用户研究入口

自然语言研究问题、资产范围、时间区间、约束条件、风险偏好。

research_question.md

LLM 研究规划层

把问题拆成假设、实验计划、数据检查、工具调用序列和停止条件。

experiment_plan.json

RAG 与知识证据层

检索课程笔记、历史实验、指标说明、基座接口说明，回答必须带引用。

evidence_bundle.json

工具调用网关

通过 schema 校验调用 validate、draft_config、run_backtest、read_metrics、compare_runs。

tool_call_trace.jsonl

本地量化平台运行时

课程仓库只保存适配器和报告；私有基座仍在本机路径 position-mgmt_v2.2.0。

BACKTEST_BASE_PATH

审查、记忆与报告

记录每次实验的配置、指标、失败原因、风险审查和最终研究备忘录。

research_memo.md

Capstone 一条链路