Capabilities › 自研证明案例
Quant v1.1
用高风险决策场景，验证 AI 系统如何被治理
（具体而言，这是一个跨美/港/中三市场的量化交易系统——但本页讲的不是量化交易能力，而是它在治理、证据、协作三个维度上证明了什么。）
这个项目不是为了展示我们会做量化交易，而是为了证明：当 AI 建议、研究系统和人工判断都可能影响关键结果时，系统必须有边界、审批、证据和不可绕过的执行纪律。
Quant v1.1 是 yunforce 三类核心能力的自研证据——治理、证据闭环、人主导多 Agent 开发，都能在真实压力下成立。
三个维度，三类能力的证据
本案例分三个维度展开。每个维度对应 yunforce 的一项核心能力——这不是阅读顺序，而是能力证明顺序。
当 AI 建议遇上机构纪律
一个治理控制平面，把 AI 顾问信号和研究产出转化为已审批、可审计、可执行的决策——没有任何路径能绕开审批触达执行。
7 个固定 RBAC 角色 · 16 个标准审计事件 · 0 次执行旁路
阅读→不是 Demo，而是证据闭环
阶段关闭的判据不是“看起来能跑”，而是执行、治理、重启、纪律、心跳——五类证据全部闭合。
7/7 连续生产可运行 · 24 个冻结配置 · 0 次无声 alpha 漂移
阅读→我们如何用 AI 开发 AI 系统，而不让 AI 失控
5 个 Agent 角色加 1 个人类审批者；3 个强制暂停点；最终方向永远在人手上。这是我们在自己的工程实践里管住 AI 的方式。
4 层框架 · 3 个暂停点 · 1 个最终权威
阅读→项目本身：作为一个堆栈来理解它
作为客户读到这里，你已经看到了能力证据的三个维度。下面这一段，是 Quant v1.1 这个项目内部的工程结构——它解释了为什么这个项目能同时承担那三类能力的证据角色。
Quant v1.1 最好被理解为三层堆栈，而不是一段连续的开发流水。每一层只解决一个问题，每一层都继承下面一层，而不是悄悄地重新定义它。这种边界纪律，是后续层能够安全叠加的唯一原因。
决定**什么**值得交易
边界承诺：产出一个被冻结的研究基线。后续阶段消费它，不重调它。
证明系统能**安全地**交易它
边界承诺：不创造新的策略边界。围绕已冻结的研究产出，建立可信的执行、重启行为和证据。
让 AI 建议和研究产出能**进入**而不**绕过**
边界承诺：执行守护进程仍是唯一权威。没有任何模型、API、顾问能绕开它触达关键执行系统。
两个反直觉的取舍
这个项目最值得展示的不是“做了多少功能”，而是两个被刻意做出的、与行业主流叙事相反的决策。
Phase 2 不创造新的策略边界，它围绕已冻结的策略产出创造可信的执行、重启行为和证据。
许多 AI 项目会在工程阶段悄悄回头调整模型或策略，让最终数字更好看。我们选择把研究产出冻结、严格分离——这样后续任何运营或治理上的声明，都能诚实地说出“工程变更没有在隐藏算法漂移”。这是一条边界，也是一个承诺。
Phase 3 不是一个自主交易代理，而是决策源和执行系统之间缺失的那一层。
在“全自主 AI 代理”成为流行叙事的当下，我们刻意做了相反的选择：把 AI 建议、研究产出、人工裁量都收敛为需要被审批的“治理对象”。审批仍然在人手上。这不是技术能力的退让，而是对“什么样的 AI 系统真正能被机构采纳”的判断。
每一层都继承下面一层，而不是悄悄地重新定义它。 这是这个项目最难做到的事——也是这三项能力之所以能成立的根。