量化策略助手

量化策略助手：自然语言→策略生成→回测→优化→QMT模拟/实盘。三轮交互闭环。

Security Scan

Skill appears to implement the claimed quant backtest / trade workflows, but its runtime instructions include automated token extraction from user messages and automatic local environment scanning/reading of .env files, which is disproportionate and could lead to accidental secret capture or unintended real trading — review before use.

Purpose & Capability

The name/description (quant strategy generation → backtest → optimize → QMT simulate/live) matches the provided code and docs: backtest orchestrator, vnpy integrations, qgdata docs, QMT gateway code and scripts are present and appropriate for the stated purpose.

Instruction Scope

SKILL.md instructs the agent to run local scripts (preflight, pipeline_orchestrator.py) and to auto-scan the system for QMT project roots and QMT paths. Critically, it contains a mandatory 'Token 自动提取规则' that tells the agent to automatically extract 60–70 character alphanumeric strings from user messages and pass them to commands (with masked logging). It also directs reading .env files in the engine root and home. These behaviors broaden scope to capture secrets from conversation and local files, which is not necessary for natural-language→strategy generation in many cases and risks inadvertent exfiltration or misuse.

Install Mechanism

There is no remote download/install spec; the skill is instruction-first and contains code files (preflight, backtests, gateways) that will be executed locally. No external URLs, archive extracts, or opaque installers are specified in the manifest. The preflight may recommend pip install commands if dependencies are missing, but it does not auto-download arbitrary binaries.

Credentials

The manifest declares no required env vars, but SKILL.md and scripts expect and will read environment variables and .env files (QUANTCLAW_ROOT/QMT_PROJECT_ROOT, QGDATA_TOKEN, QMT_ACCOUNT_ID, QMT_PATH, etc.). The forced token-extraction rule instructs capturing token-like strings from chat messages and using them automatically. Reading .env and home config files plus extracting tokens from messages is a disproportionate request for a helper that could otherwise ask the user to provide explicit credentials when needed.

Persistence & Privilege

always:false and normal autonomous invocation are used (no forced always-on). The skill will write generated strategy files to the engine's strategies directory and run trading commands capable of starting live/simulated trading. That is consistent with its purpose but increases potential impact: if the agent is allowed to act autonomously and the user triggers 'simulate'/'start trading', it can initiate real trading flows — users should be aware and control that behavior.

What to consider before installing

This skill contains substantial code for backtests and live trading and mostly matches its description, but two behaviors merit caution before you install or run it: (1) SKILL.md requires the agent to automatically extract any 60–70 character alphanumeric 'token' it sees in conversation and supply it to commands (even if that token was accidentally pasted). That can capture secrets you did not intend to share. (2) The preflight and orchestrator scripts scan the local filesystem for the project, read .env files (engine root and ~/.openclaw/.env), and will use any QGDATA_TOKEN or account IDs found. If you keep API tokens or brokerage credentials on your machine, the skill may discover and use them. Recommended actions: (a) do not paste API keys or long tokens into chat with the agent; (b) inspect the skill's scripts (scripts/preflight.py and backtests/pipeline_orchestrator.py) locally to confirm behavior; (c) run preflight manually in an isolated environment to see what it detects; (d) if you plan to use real trading, ensure QMT_ACCOUNT_ID and trading permissions are controlled and test in a sandbox/simulated account first; (e) consider removing or modifying the automatic token-extraction rule or disabling autonomous invocation until you are comfortable with the code. If you want, I can point out the exact lines in scripts/preflight.py and SKILL.md that implement token extraction and filesystem scanning.

兼容说明：本文档既是 OpenClaw Skill，也可作为任意 AI Agent 的操作手册。只要 Agent 能读取文件、执行命令、生成代码，即可按下方协议使用。YAML 头部的 metadata.openclaw 为 OpenClaw 平台专用字段，其他 Agent 忽略即可。

回测三轮交互闭环 → 用户按需选择参数优化 / 模拟实盘。

能力分层

能力	引擎	依赖	说明
CTA回测	vnpy_ctastrategy	python3 + qgdata	单标的择时策略，任意平台
Portfolio回测	vnpy_portfoliostrategy	python3 + qgdata	多标的组合/轮动策略，任意平台
参数优化	vnpy OptimizationSetting	同回测	回测后由用户触发，穷举/遗传算法
模拟/实盘	miniQMT + vnpy CTA引擎	QMT 交易端	qmt-check 检测 → trade 启动自动交易，含探针单验证

回测是核心能力，不依赖 QMT。用户请求模拟/实盘时才运行 qmt-check。

CTA vs Portfolio 自动路由（强制）

条件	模式	策略基类
单一标的 + 无组合关键词	cta	CtaTemplate
以下任一条件满足	portfolio	StrategyTemplate（vnpy_portfoliostrategy）

portfolio 判定规则（分层，LLM 和 parse_requirement() 均遵循）：

1. 强信号（任一出现即 portfolio）：轮动/组合/多标的/全市场/等权/仓位分配/前N名
2. 弱信号 + 多标的上下文（二者共现才 portfolio）：弱信号 排序/筛选/选股/调仓/排列/持仓周期 需同时存在多标的上下文（板块/成分股/指数/行业/概念/股票池）
3. 标的数量 > 1：--symbols 含 2 只以上自动 portfolio

注意："多头排列"中的"排列"、"均线排序"在单标的场景不触发 portfolio。

路由由 parse_requirement() 自动判定并写入 parsed["mode"]，agent 生成策略代码时必须使用对应基类。

Portfolio 引擎驱动约束：Portfolio 回测引擎仅支持 DAILY 和分钟级驱动。周级策略用 --interval DAILY，在 on_bars(bars) 中按 list(bars.values())[0].datetime.weekday()==0（周一）判断调仓日；周线指标直接用 pro.weekly() 获取，无需从日线合成。

股票池所有权契约（强制）：股票池由 --symbols 参数唯一定义 → 引擎加载数据 → 策略通过 self.vt_symbols 接收。策略代码 __init__ 中禁止覆盖 vt_symbols，必须使用引擎传入的列表。所有标的代码使用 vnpy 格式（600519.SSE/000858.SZSE），不可使用 qgdata 格式（.SH/.SZ）。选股逻辑在 on_bars(bars) 中基于 self.vt_symbols 遍历和筛选。

板块/指数成分股由引擎自动解析（强制）：用户说"人工智能板块"/"沪深300成分股"/"银行行业"等时，引擎会自动解析出完整成分股列表到 --symbols。策略代码中禁止自行调用 pro.ths_member()/pro.ths_index()/pro.dc_member() 等板块 API。

回测日期约束（强制）：用户的回测日期意图必须由你转换为标准 --start YYYYMMDD --end YYYYMMDD 参数。例如用户说"最近1年"则根据当天日期计算 today-365 输出对应日期。用户未提及任何日期时，不传 --start/--end（引擎默认最近1年，即 today-365 ~ today）。第1轮确认摘要中日期栏必须写"引擎默认最近1年"而非自行编造"近2年"等。禁止编造与用户意图不符的固定日期。

模拟/实盘交易（独立流程，不走三轮协议）

用户提及 模拟/实盘/模拟交易/开始交易/QMT 时触发。前提：至少有一次成功的回测（status=completed）。

第 1 步：环境检测（自动发现 QMT 路径，无需用户手动配置路径）

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" qmt-check

输出 JSON 含 ready（布尔）和 hint（状态说明）：

• platform != Windows → 提示用户在 Windows + QMT 环境运行
• QMT 路径自动扫描失败 → 提示确认 QMT 已安装
• QMT 终端未运行 → 提示"请先打开 QMT 并以极简模式登录"
• 缺少资金账号 → 提示通过 --account-id 或 QMT_ACCOUNT_ID 提供
• ready=true → 进入第 2 步

第 2 步：启动交易（内含自动探针验证：100股跌停价挂单→确认→撤单，可选单独跑 probe --symbol {代码} --account-id {账号}）

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" trade \
  --run-id "{最近成功回测的 run_id}"

返回 JSON 分流：

• status=trading_started → 告知用户：✅ 交易已启动，附带日志路径
• status=platform_redirect → 告知用户：需在 Windows + QMT 环境运行，给出命令
• status=error → 告知具体错误

第 3 步：停止交易（用户说「停止交易」时）

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" trade-stop --run-id "{run_id}"

仅需用户提供 资金账号（--account-id 或 QMT_ACCOUNT_ID）；QMT 路径自动扫描各盘符下 userdata_mini 目录（可通过 QMT_PATH 覆盖）。

环境

项目	值
项目根目录	QUANTCLAW_ROOT（兼容 QMT_PROJECT_ROOT）
vnpy_qmt源码	$QUANTCLAW_ROOT/vnpy_qmt
策略输出	$QUANTCLAW_ROOT/strategies/
回测输出	$QUANTCLAW_ROOT/backtests/
回测数据源	qgdata（建议预先配置 QGDATA_TOKEN）
实盘交易	miniQMT (xt_gateway.py)，需 QMT 交易端已启动
Python解释器	PYTHON_BIN（默认 python3）

回测默认参数：capital=1000000 / rate=0.0003 / slippage=0.01 / size=1 / pricetick=0.01

配置指南: https://gitee.com/GuojinQuant/quant-claw#第四步配置环境变量 （仓库自带 .env.example）

关键变量（优先从 .env / 环境变量自动推导，不需要写死）：

• QUANTCLAW_ROOT：项目根目录（兼容 QMT_PROJECT_ROOT）
• MONITOR_PUBLIC_BASE：监控公网基址（可留空；OpenClaw 环境下可由 OPENCLAW_CONTROL_URL 自动推导）
• ORCH_MONITOR_PORT_CANDIDATES：白名单端口（默认 8767，必须在防火墙放通）
• QGDATA_TOKEN：数据 Token（可选；未配置时自动使用内置共享试用Token，有每日额度限制）

Token 自动提取规则（强制）：若用户对话中出现 60~70 位连续字母数字串（如"我的token是 Mj9mN2xP..."），自动提取并通过 --token 参数传给 submit 命令。日志和回复中只显示前 6 位+***，绝不回显完整 Token。提取到个人 Token 后提示用户：已使用您的个人Token，不消耗共享试用额度。

---

核心原则（强制）

• 回测请求走三轮交互协议（见下方工作流）。
• 编排器路径："${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py"。
• 严禁读取或引用历史报告文件（.html/.png/.json），只使用 orchestrator 的 status 命令输出获取结果。
• 策略代码由 agent 在第 2 轮使用 LLM 生成，写入 ${QUANTCLAW_ROOT}/strategies/ 目录。
• 禁止在首条回复前做长轮询。
• 监控页是透明主通道，聊天页只给里程碑与结论。
• 失败时必须回复 status + error + next_action，禁止只说"失败了"不给下一步。
• 实盘能力保留，默认不进入实盘；用户请求模拟/实盘时执行 qmt-check 检测。
• 触发词分四类：
  • 回测第1轮：回测、策略、自动编排、均线、上穿、下穿、买入、卖出 → 进入三轮交互协议
  • 回测第2轮：开始生成、生成策略、好、开始、继续、1（或任何第1轮确认后的用户消息）；若同条消息同时包含完整需求+第2轮触发词，直接视为已确认并进入第2轮
  • 参数优化：优化、调参、参数优化、网格搜索 → 执行 optimize（回测完成后触发）
  • 模拟/实盘：模拟、模拟盘、模拟交易、开始交易、实盘、实盘交易、QMT → 执行 qmt-check + trade（独立流程，不走三轮协议）

---

第 0 步：环境预检（每次会话首次触发时执行一次）

运行 Skill 内置预检脚本（scripts/preflight.py，相对于本 Skill 目录）。脚本内部使用 sys.executable 自适应解释器，直接调用即可：

Linux/macOS：

python3 "<本Skill目录>/scripts/preflight.py"

Windows PowerShell：

python "<本Skill目录>\scripts\preflight.py"

输出 JSON，按字段消费：

• ready=true → 取 engine_root 作为 QUANTCLAW_ROOT，进入第 1 轮
• ready=false + engine_found=true → 依赖缺失，向用户展示 blockers 和 fix_cmd
• ready=false + engine_found=false → 引擎未找到，返回 status=config_missing + 配置指南链接。禁止降级为手动脚本。
• hints 非空 → 非阻塞提示（如 Token 状态），向用户如实展示
• 预检通过后可选执行 doctor_cmd 做深度配置诊断（端口/Token/公网等）

退出码：0=就绪　1=引擎未找到　2=依赖缺失可修复

编排器脚本内置路径回退（Path(__file__).parents[1]），即使环境变量未设置，只要找到脚本就能正常运行。

---

三轮交互协议

第 1 轮：需求确认

目标：理解用户意图，确认关键参数，引导进入代码生成轮。

1. 解析需求：提取标的、周期、信号（仓位/风控缺失时使用默认并说明）
2. 做数据能力检查：

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/data_capability_guard.py" \
  --requirement "{用户原始需求}"

3. 确认并引导：回复至少包含：
   • 已理解的参数摘要（标的/周期/信号/方向）
   • 若 data_capability_guard 输出含 token_hint（非空字符串），必须在确认摘要之后、引导词之前如实告知用户。这表示检测到 Portfolio 策略 +（未传 Token 将回退共享试用 Token / 正在使用共享试用 Token）的组合，数据调用量大可能触发频率限制。直接呈现 token_hint 内容即可，不要包装为广告
   • 明确引导用户触发下一轮：

需求已确认：{标的} / {模式cta或portfolio} / {日线/分钟线} / {做多/做空} / {回测区间或"引擎默认最近1年"}
{若有token_hint则在此呈现，无则省略此行}
请回复「开始生成」，我来为你生成策略代码并提交回测。

第 1 轮禁止：不做代码生成、不调用 submit、不创建文件。 第 1 轮最多命令：data_capability_guard.py（1条）。

第 2 轮：代码生成 + 提交（极速流程）

触发：第 1 轮确认后，用户发送任意消息（开始生成/好/1 等）；若同条消息同时包含完整需求+第2轮触发词，也可直通第2轮。

直通首响（强制）：直通第2轮时先立即回复一句 已收到，开始生成中...，再执行代码生成与提交，避免长时间无反馈。

第 2 轮速度约束（强制）：

• 禁止重跑 data_capability_guard（第 1 轮已检查）
• 禁止单独跑 py_compile（submit 内部已含编译+静态检查+冒烟测试）
• 理想路径 2 次工具调用：① 写策略文件 ② submit
• submit 同步等待预检（compile→lint→dryrun，通常 10~60 秒）再返回结果：
  • 预检通过 → 返回 status: "accepted" + monitor_url（回测已在后台运行）
  • 预检失败 → 返回 status: "lint_error"/"compile_error"/"dryrun_error" + error + strategy_file（不返回 monitor_url）
• 预检失败时 在 Round 2 内立即修复：
  1. 先告知用户当前情况（如"检测到 import 路径错误，正在自动修复..."），保持透明
  2. 读 error + strategy_file → 修复代码 → 重新 submit
  3. 最多 6 轮修复重试，超过交由用户决策
• submit 返回 accepted 后若回测运行时/超时/数据失败 → 已有 monitor_url，在第 3 轮处理

1. 生成策略代码（agent 使用 LLM 能力，直接写入文件）：
   • 根据 parsed["mode"] 选择正确模板：
     • cta → 继承 CtaTemplate，on_bar(self, bar)，self.buy(price, vol) / self.sell(price, vol)，self.pos，初始化用 self.load_bar(N)（单数，N=bar 数量）
     • portfolio → 继承 StrategyTemplate（vnpy_portfoliostrategy），on_bars(self, bars: dict)，self.buy(vt_symbol, price, vol) / self.sell(vt_symbol, price, vol)，self.get_pos(vt_symbol)，初始化用 self.load_bars(days)（复数，days=天数）
   • 严禁混用：CTA 策略禁止用 load_bars，Portfolio 策略禁止用 load_bar
   • 仓位计算（强制——用户未指定时默认全仓）：
     • 用户明确说了手数/股数/仓位比例 → 按用户要求
     • 用户未提仓位 → 默认全仓（用 self.available_cash 动态计算最大可买手数）
     • 绝对禁止 fixed_size = 100 或任何硬编码固定股数作为默认仓位（这是 vnpy 教程示例值，不是真实交易逻辑）
     • CTA 全仓计算参考：

       vol = int(self.available_cash / (bar.close_price * 1.0003)) // 100 * 100  # 主板100股整数倍
       if vol >= 100:
           self.buy(bar.close_price, vol)
       

     • Portfolio 等权全仓参考：

       per_capital = self.available_cash / max(len(target_symbols), 1)
       vol = int(per_capital / (bar.close_price * 1.0003)) // 100 * 100
       if vol >= 100:
           self.buy(vt_symbol, bar.close_price, vol)
       

     • 引擎会自动管理资金扣减/回款，并在资金不足时自动调减到可买最大手数
   • 账户属性（引擎自动注入，策略直接用）：
     • self.available_cash — 可用现金（买入扣减，卖出回款）
     • self.total_value — 账户总值（现金+持仓市值）
     • self.closable_pos — CTA可卖数量（T+1 自动扣减当日买入）
     • self.closable_positions — Portfolio per-symbol可卖量dict（self.closable_positions.get(vt_symbol, 0)）
     • self.capital — 等于 available_cash（兼容）
     • self.trade_calendar — 交易日历（set of "YYYYMMDD"），可用 date_str in self.trade_calendar 判断交易日
     • self.last_order_status — 最近一次下单结果（{"ok":True/False,"reason":"...","symbol":"..."}）
     • self.order_reject_log — 最近200条被拒订单记录（停牌/涨跌停/资金不足等）
   • 资金不足兜底：引擎会自动调减买入量到可用现金能买的最大手数，无需策略手动检查
   • 停牌/涨跌停兜底：引擎自动拦截停牌日下单和触及涨跌停价格的委托，返回空列表。策略判断下单是否成功应优先检查 buy()/sell() 返回值（空列表=被拒），而非假设一定成功
   • 交易所合规（强制）：沪深主板/创业板 100 股整数倍，科创板(688xxx) 200 股起步+1 股递增（205 股合法）
   • ArrayManager API：均线用 am.sma()，禁止用 am.ma()（vnpy 不存在此方法）
   • CTA 必须在 on_bar 开头调用 am.update_bar(bar)：否则 ArrayManager 永远不会 inited，导致全程 0 交易。引擎有运行时兜底但不能依赖
   • 写入 ${QUANTCLAW_ROOT}/strategies/{module_name}.py

Portfolio 轮动策略速查（减少生成思考时间）：

• 周轮动：on_bars(self, bars) 中 list(bars.values())[0].datetime.weekday()==0 判断周一调仓
• 排序选股：遍历 self.vt_symbols 计算因子 → sorted() → 取前N名
• 等权全仓：每只 self.available_cash / N，按交易所规则取整手
• 周线数据：pro.weekly(ts_code=code, start_date=..., end_date=...) 直取，无需从日线合成

2. 直接提交（submit 内置编译+静态检查+预导入，无需单独 py_compile）：

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" submit \
  --requirement "{用户原始需求}" \
  --strategy-file "${QUANTCLAW_ROOT}/strategies/{module_name}.py" \
  --strategy-module "{module_name}" \
  --strategy-class "{class_name}" \
  --symbols "{策略中所有vt_symbol逗号分隔}" \
  --monitor-public-base "${MONITOR_PUBLIC_BASE:-}" \
  --monitor-port-candidates "${ORCH_MONITOR_PORT_CANDIDATES:-8767}" \
  --timeout-sec 1200

• submit 内部同步执行预检：py_compile → _lint_strategy → _preflight_import → dryrun
• 预检通过后自动启动回测，返回 status: "accepted" + monitor_url
• 预检失败返回 status: "<error_type>" + error + strategy_file，不启动回测、不返回 monitor_url
• agent 判断 submit 输出：
  • status == "accepted" → 进入步骤 3（回复用户）
  • status 为 compile_error/lint_error/dryrun_error → 先输出一句话告知用户（如"检测到 xxx 错误，正在修复第 N/6 次..."）→ 读 error + strategy_file → 修复代码 → 重新 submit（最多 6 轮）
  • 6 轮后仍失败 → 将最后一次错误信息告知用户，交由用户决策

3. 回复用户（仅在 submit 返回 accepted 后）：
   • run_id + monitor_url + 当前状态
   • 引导词（必须覆盖两个语义点）：
     • A：打开监控页实时查看策略代码/曲线/交易
     • B：完成后发送「查看结果」获取摘要与报告链接

第 3 轮：查看结果 / 诊断修复

触发词：查看结果、结果、status、重新生成

1. 查询状态：

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" status --run-id "{run_id}"

2. 根据状态分流：

status	处理
running	告知当前进度，提示继续等待
completed	输出摘要 + 强制输出 report_url，不用 monitor_url 表述完整报告
failed	根据 last_error.error_type 分流处理（见下方错误分流表）

3. 错误分流（agent 决策表）：

error_type	含义	agent 策略
compile_error	py_compile 失败	读 strategy_file + traceback → LLM 修复代码 → 重新提交
lint_error	静态检查 blocker（如 am.ma()、vnpy.trading 导入）	同 compile_error 处理
dryrun_error	冒烟测试失败（50根K线采样回放运行时异常）	同 compile_error 处理：读 strategy_file + traceback → LLM 修复 → 重新提交
runtime_error	回测运行时异常	读 strategy_file + traceback → LLM 分析修复 → 重新提交
compat_error	引擎兼容性（如 portfolio+WEEKLY 未降级）	提示用户调整参数，通常不应出现（parse_requirement 已自动降级）
data_error	数据加载失败/为空	提示用户检查标的代码/日期范围/token
config_error	环境/配置问题	提示用户检查配置
timeout_error	超时	建议缩短日期范围或标的数量

• 只对 compile_error、lint_error、dryrun_error 和 runtime_error 尝试自动修复，其余直接报告用户。
• Round 2 预检失败（compile/lint/dryrun）自动修复最多 6 轮；Round 3 运行时修复最多 3 轮。超过交由用户决策。

3.5 结果校验告警（status=completed 时优先检查）：

status 输出中若包含 result_warnings 字段（非空列表），说明回测结果校验发现语义异常：

• 读 result_warnings + strategy_file → LLM 分析是否为策略 bug
  • 若判断为 bug → 修复策略代码 → 重新提交
  • 若判断为正常行为（如趋势策略在熊市期间无反向信号）→ 照常输出结果，附带告警说明

常见告警类型：零交易、单边信号（有买无卖/有卖无买）、胜率极端值（100%/0%）。

4. 完成后引导（status=completed 时必须附带）：

回测已完成，{摘要}。您可以：
1. 回复「优化参数」对策略参数进行网格搜索
2. 回复「模拟交易」在 QMT 中启动自动交易（需 Windows + QMT 环境）

---

参数优化流程（回测完成后由用户触发）

触发词：优化、调参、参数优化、网格搜索

前提：已完成至少一次回测（数据已缓存在数据库中）。

1. 确认优化方案：agent 分析当前策略的可调参数，向用户确认：

   • 优化目标（默认 sharpe_ratio，可选 total_return/annual_return/max_ddpercent）
   • 参数范围（[起始, 终止, 步长]）
   • 预估组合数

2. 执行优化：

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" optimize \
  --strategy-file "${QUANTCLAW_ROOT}/strategies/{module_name}.py" \
  --strategy-class "{class_name}" \
  --symbols "{vt_symbol}" \
  --start "{YYYYMMDD}" --end "{YYYYMMDD}" \
  --optimize-params '{"target":"sharpe_ratio","params":{"fast_window":[5,30,5],"slow_window":[10,60,10]}}'

支持 "algorithm":"ga" 使用遗传算法（大参数空间时推荐）。

3. 展示结果：输出 JSON 含 best（最优参数+指标）和 results（Top N），agent 以表格形式呈现。

4. 后续选择：用户可选择用最优参数重新回测验证，或继续调整参数范围。

---

绝对禁止清单（违反任何一条 = 严重事故）

链路禁止

• 禁止在项目目录或工作目录下创建 .html 报告文件
• 禁止读取、搜索、引用 reports/ 目录下的历史文件
• 禁止直接调用 backtest_runner.py、monitor_server.py、/api/code
• 禁止使用 python -m http.server 或任何临时 HTTP 服务
• 禁止生成临时回测脚本或手工拼接回测执行流程
• 禁止在 submit 之前检查"策略是否已存在"
• 禁止在编排器找不到时降级为手动脚本、akshare/yfinance 临时方案、或任何非编排器回测方式

输出禁止

• 禁止寒暄/自我介绍/营销文案
• 禁止承诺"完成后自动推送摘要"或"跨轮次自动再回复"
• 禁止使用"模拟数据演示"口径替代真实回测
• 禁止硬编码市场数据
• 禁止繁琐状态输出 [run_id][N/M][状态]
• 禁止发了"请确认"却自动继续
• 禁止前台启动长驻进程

安全禁止

• 禁止硬编码绝对路径（统一使用 QUANTCLAW_ROOT）
• 禁止在 SKILL 或脚本中提交明文凭据
• 禁止策略文件路径指向 strategies/ 目录之外