系列·柒（完结篇）。前六篇分别讲了数据层（astock）、新闻层（news-mcp）、因子层（factor-miner）、预测层（kronos）和决策层（laya）。这一篇不加新组件，把已有的东西串成一条完整流水线，用今天的真实盘后数据跑一遍——包括那个最危险的案例：一只上市首日涨 653% 的股票。
全家桶地图
先把 quant-agent-skills 的技能全景放出来（共 22 个技能，按层归组）：
数据层 astock-data-mcp 行情/K线/龙虎榜/资金流/指数/板块（六域数据源）
news-mcp 多源抓取 → 去重 → 事件分类 → 情绪打分
研究层 factor-miner-mcp LLM 写因子 → 沙箱执行 → tearsheet 评估 → 因子库
kronos-mcp 零样本 K 线概率预测（Kronos / Chronos-2 双后端）
决策层 laya（本地决策引擎） 非自回归语义判断：choice / score / yes-no
（闸门逻辑） 数值规则代码判，语义规则 Laya 判
编排层 quant-agent-skills 把上面所有技能编排成可复用的 Agent 工作流
前六篇已经把每一层单独拆开看过真实输出，这一篇回答最后的问题：它们之间怎么接，接起来之后表现如何。
流水线设计
一个可实盘化的每日收盘后流程：
15:05 astock.get_a_billboard_daily 拉当日龙虎榜
↓
初筛（代码）：剔除 ST、剔除上市 < 60 日新股
↓
构造"状态文本"：涨幅/净买/换手/上榜原因，逐条规则
↓
Laya 逐条判定：r1~r5 每条输出 P(true)
↓
代码合成：全部通过 → 进入风控分级；否则拒绝
↓
输出：候选名单 + 每条规则的通过概率（可审计）
审计性是这条流水线和"直接问 LLM 今天买什么"的本质区别：每条规则的判定概率都落盘，事后可以复盘"当时模型为什么放行/拒绝"。
真实运行：2026-09-29 盘后
今天的龙虎榜共 72 只。为控制篇幅，跳过初筛直接取 3 个风格迥异的候选（真实数据）：
000002 万科A 涨幅 9.97% 净买 15960.8万 换手 8.26%
上榜原因: 日涨幅偏离值达到7%的前5只证券
002074 国轩高科 涨幅 10.01% 净买 36838.5万 换手 2.66%
上榜原因: 日涨幅偏离值达到7%的前5只证券
301716 鸿富诚 涨幅 653.16% 净买 42004.1万 换手 84.54%
上榜原因: 无价格涨跌幅限制的证券 ← 新股上市首日
规则设定（r1~r5）：r1 当日涨幅合理（非异常暴涨）、r2 龙虎榜资金净流入为正且量级足够、r3 换手率处于可交易区间（8.26% 和 2.66% 合理，84.54% 明显过热）、r4 非新股上市初期、r5 上榜原因为正常波动而非异常交易。
Laya 逐条判定的真实输出：
--- 万科A (000002) 602 ms
r1_change=0.86✓ r2_netbuy=0.90✓ r3_turnover=0.18✗ r4_not_new=0.60✓ r5_reason=0.15✗
风险: medium (1.10/2) | 决策: skip (P=0.34) → ❌ 拒绝
--- 国轩高科 (002074) 492 ms
r1_change=0.84✓ r2_netbuy=0.64✓ r3_turnover=0.42✗ r4_not_new=0.61✓ r5_reason=0.17✗
风险: medium (1.03/2) | 决策: buy (P=0.36) → ❌ 拒绝
--- 鸿富诚 (301716) 496 ms
r1_change=0.58✓ r2_netbuy=0.50✓ r3_turnover=0.25✗ r4_not_new=0.82✓ r5_reason=0.11✗
风险: medium (1.35/2) | 决策: buy (P=0.36) → ❌ 拒绝
逐案复盘：模型哪里对了，哪里错了
三只全部拒绝，方向正确——尤其是鸿富诚。但仔细看概率，错误不少，值得逐个说：
鸿富诚的 r1_change=0.58✓ 是明显的误判：一只首日涨 653% 的股票，"涨幅合理"的概率给了 0.58 还判了通过。零样本模型对"653%"这种极端数值的敏感度不够（第 6 篇的结论再次出现：数值判断不要交给模型）。好在 r3（换手 84.54% 过热，P=0.25✗）和 r5（无涨跌幅限制的上榜原因，P=0.11✗）双保险，最终还是拒绝了。闸门的设计价值就在这里：不要求每一条都对，只要求错误的票至少撞上一条对的规则。
万科A 的 r3_turnover=0.18✗ 可疑：8.26% 的换手对一只涨停地产股其实是正常量级，模型给了偏低的通过概率。r5_reason=0.15✗ 也偏严——"日涨幅偏离值达到7%"是涨停股最常规的上榜原因。这只股票被错误拒绝，属于第 6 篇说的"偏严的代价是少赚钱"。
国轩高科的拒绝基本合理：10.01% 涨停 + 36838.5万 净买，看起来像强势票，但模型对 r3/r5 都不认可，叠加后拒绝——对这个案例，模型的保守是对的（单日龙虎榜净买巨大不等于后续可追）。
单规则零样本准确率大约七成，和第 6 篇的评估一致。要让这个闸门达到实盘标准，下一步是微调：拿历史龙虎榜案例标注"通过/拒绝"，在 Laya checkpoint 上做几百步的 fine-tune，通常能把单规则准确率推到九成以上。微调是 Laya 官方支持的路线（checkpoint 就是标准 HF 格式）。
回顾整个系列
七篇下来，这套东西的方法论可以浓缩成四句话：
- 数据源是会死的（第 2 篇的涨停池失效、第 3 篇的财联社不可达）——多源冗余和"失效 ≠ 无数据"的区分，比任何单源数据质量都重要。
- AI 生成的策略资产必须过工程纪律（第 4 篇）——因子要过沙箱和 OOS，新闻要过去重和分类校验。
- 预测层和决策层要分开（第 5、6 篇）——Kronos 给概率预测，Laya 做语义闸门，谁也不越权做对方的判断；数值规则永远归代码管。
- 整条链路要可审计（本篇）——每条规则的 P(true) 落盘，决策可以复盘，这才是量化系统和"聊天问股"的分水岭。
这套全家桶的每个组件都是开源的，单组件可以独立用（只要行情数据就选 astock-data-mcp），也可以按本篇的流水线串起来。服务器上 Docker 一键部署，本地开发单机即可跑通研究链路。
项目地址：github.com/JingxuanC/quant-agent-skills 各组件： astock-data-mcp · news-mcp · factor-miner-mcp · kronos-mcp · laya