背景与理念
策引是怎么来的
如果你好奇策引背后的故事，可以看这两篇文章：
简单说，这是一个人在亏钱、反思、学习和构建的过程中，尝试回答一个问题：
如何做出更好的投资决策？
这个问题没有一次性答案。策引是围绕它持续迭代的一项个人实践：把想法写成规则，观察它在历史和现实数据中的行为，再决定哪些结论值得信任、哪些地方仍然未知。
为什么要做策引
因为市面上的工具解决不了同一组痛点
我试过很多投资工具和平台：
- 行情软件：给你数据和图表，但不一定说明数据如何变成结论；
- 社交社区：到处是“买什么”的消息，但很难同时看到为什么、证据是什么和错了以后怎么办；
- 智能投顾：可能替你做决策，但内部规则、限制和失败方式不一定透明。
我想要的是：
- 一个能让我验证想法的回测和研究工具；
- 一个能把规则、signal、holdings 和 state 分开阅读的系统；
- 一个可以检查历史证据、回撤和失败案例的框架；
- 一个长期观察而不是短期追逐赢家的工作流。
找不到完全符合这些要求的工具，所以自己做了一个。
一个个人项目为什么存在
策引是一个个人业余时间开发的项目。这意味着它不具备大公司产品的全部覆盖，也不承诺没有 bug、所有数据永远可用或提供即时客服。但个人项目也有自己的空间：
- 可以快速试错和迭代；
- 可以把产品规则、数据限制和失败方式讲得更直接；
- 不需要为了增长叙事把模拟结果包装成收益承诺；
- 可以把一个真实痛点逐步做成透明、可复查的研究系统。
它更像一个持续运行的实验，而不是已经完成的金融产品百科。
从工具到观察框架
策引早期关注“怎样写策略、怎样回测和怎样分析结果”。随着系统变复杂，问题逐渐变成：
- 规则是否透明、可重复和可验证？
- signal、holdings、state 和 evidence 是否能彼此区分？
- 历史结果差时，系统能否展示事实而不是用 AI 叙事安慰用户？
- 研究变体是否会静默改变正在观察的 Portfolio？
现在的核心路径是：
研究 -> 理解 -> 验证 -> 信任 -> 纪律 -> 长期观察 / 执行
这个路径比“表现变差就优化”更慢，但更容易保留假设、失败和不确定性。
AI 参与了什么
策引的代码、产品设计和文档开发都大量使用了 AI 辅助。这是开发方式，不等于 AI 拥有产品决策 authority。
在产品中，AI 可以：
- 检索和解释确定性的规则、指标、持仓和状态；
- 比较历史样本，整理限制、反例和仍然未知的部分；
- 帮助人类把研究问题整理成 canonical Strategy DSL；
- 在 Agent Lab 中协助会员执行受控、一次性的实验。
AI 不把 signal 变成买卖指令，不自主创建或修改 Formal Portfolio，也不替用户选择标的、仓位或“最佳策略”。外部 Agent Lab Harness 仍需遵守完整的 Portfolio envelope、canonical symbols、capital strategy 和 MCP validation contract。
策引的边界
策引不是荐股、喊单或默认自动交易系统。公开 Portfolio 是模拟研究样本；Research Library 是已发布的内容和证据；Community 用于讨论、反馈和支持；Agent Lab 才是会员受控研究入口。
正式 Portfolio 的规则、构造、资金和执行假设属于产品事实；AI 的解释不能覆盖 deterministic evidence。真实账户中的资金、仓位、税费、流动性和交易由用户独立决定。
如果你决定用策引
你不只是阅读一个结论，也是在观察一个个人项目如何把投资想法逐步变成透明系统。可以从从这里开始阅读一个官方 Portfolio 的规则、历史痛点、当前 state 和 evidence，再决定是否订阅、定制或提出研究问题。