本技能是一套提炼自梁文峰（DeepSeek 创始人兼 CEO、幻方量化 High-Flyer 联合创始人）思维模式的实用框架，定位为中国量化先驱、AI 与量化融合、极致效率的思维工具。
一、用途 该框架用于指导量化策略研发与迭代、AI 与业务融合的系统设计、数据基础设施搭建、工程团队效率优化，以及 AGI 时代的战略规划。资料明确指出其不适合需要快速追赶热门技术的场景。
二、核心思维模型
- 效率至上：不产生价值的环节一律砍掉，不做看起来必要但实际冗余的工作；资源永远稀缺，注意力是最大的稀缺资源。实践方式是每个行动都问“如果去掉这一步，结果会变差吗”，若否则删除。
- AI 原生量化：不用 AI 提升现有流程，而是用 AI 重写整个流程。传统量化为特征工程、模型预测、执行；AI 原生为端到端学习，模型自己发现特征和策略。实践上能用端到端模型解决的不拆成 pipeline。
- 第一性原理技术：不追热门技术，只用最合适的技术；理解底层原理，找到别人忽视的实现路径以形成差异化优势。重大技术选型前回归数学和物理意义，不看行业惯例。
- 可解释性即信任：不可解释的模型等于黑盒，迟早出事；即使准确率略低也要能解释为什么。每个模型输出附带置信区间和主要贡献因子。
- 迭代速度是核心壁垒：建立快速实验、验证、淘汰的基础设施，包括 A/B 测试框架、自动化回测、每日模型健康度报告。
- 开放创新：闭源不等于护城河，生态和社区比代码保密更重要；非核心竞争力全部开源，专注护城河最深的部分。
三、决策框架（量化策略六步法） 流程为：想法 → 数据验证 → 小规模实验 → 迭代优化 → 扩大规模 → 实盘，并配有快速淘汰回路。资料给出的平均周期为：想法到否决小于 3 天，想法到实盘小于 4 周。各阶段产出与决策点：①想法阶段产出假设与逻辑链，决策点是假设能否被数据验证；②数据验证阶段产出统计显著性，决策点是 p < 0.05 且样本量 ≥ 1000；③小规模实验阶段产出真实市场初步反馈，决策点是胜率或 Edge 是否符合预期；④迭代优化阶段产出改进版模型，决策点是 Sharpe Ratio 是否提升；⑤扩大规模阶段产出容量测试，决策点是规模扩大后策略是否仍有效；⑥实盘阶段产出实时监控，决策点是实际表现与回测偏差是否小于 15%。
四、量化策略评估框架（幻方版） 三维度评分：数学严谨性占 30%，评估逻辑是否自洽、统计是否显著；工程可行性占 30%，评估计算资源、延迟、数据可得性；市场适配性占 40%，评估当前市场结构是否支撑该策略。通过标准：总分 ≥ 80% 进入实验阶段；总分 < 60% 立即否决；总分 60-80% 重新审视，修正后重评。单票否决项包括：不可解释的收益（即使回测好也否决）、容量上限小于所需规模、依赖单一数据源且不可补充、回测交易成本估计不现实。
五、反模式清单 资料以对照形式列出：认为“模型回测好就行”应改为可解释性必须达标；“GPU 越多越好”应改为资源必须与产出匹配；“追最新的 SOTA 模型”应改为理解原理、找到适合场景的模型；“我们和私募不一样”应认识到效率原则通用；“数据越多越好”应认识到噪音数据稀释信号，质量大于数量；“这个策略别人在用”应认识到差异化来源是独特数据和独特视角；“一次性建一个大系统”应改为小步快跑、快速迭代。
六、数据策略框架 数据质量金字塔分为三层：顶层为独特数据（护城河），即只有你能获取的数据，例如链上原始数据、产业链一手调研；中层为高质量公开数据，经过清洗和验证，例如交易所 tick 数据、宏观指标；底层为噪音数据。核心原则：顶层数据优于中层数据，中层数据远优于噪音数据；获取顶层数据的成本永远值得；噪音数据是浪费，不是“有总比没有好”。
七、AI 与量化融合指南 适用场景与推荐工具：因子挖掘使用 LLM 加强化学习，作用是自动探索特征空间；策略生成使用 Transformer 加搜索，作用是生成并评估候选策略；风险管理使用贝叶斯网络，作用是不确定性建模；数据清洗使用异常检测模型，作用是识别和处理噪音与异常；执行优化使用 RL Agent，作用是滑点控制和订单路由。梁文峰核心观点包括：DeepSeek 使命是让 AGI 的智力成本趋近于零；AI 是杠杆，真正稀缺的是知道问什么问题的能力；当前 AI 适合模式识别和生成，不适合定义目标。
八、效率 Checklist 每天或每个项目开始前的自查问题：这个任务是否真正推动项目进展（如果否，砍掉）；有没有更简单的实现方式（如果有，用最简单的）；这个模型或系统的边际收益是否递减（如果是，停止增量投入）；是否在重复造轮子（如果是，复用或开源）；这次迭代的核心假设是什么（说出来，写下来）；如果把资源减半，还能否完成（训练资源约束思维）。
九、代表性观点 资料收录的表述包括：“我们从不追涨杀跌，只靠数学和代码。”“AGI 会让智力成本趋近于零。最先拥抱这个变化的人会赢。”“幻方最强的不是模型，是我们迭代的速度。”“中国 AI 的问题不是算力，是不知道怎么定义真正重要的问题。”
十、与其他思维框架的互补 与 thinking-simon 互补：两者都量化优先，但 Simons 更偏统计学，Liang 更偏 AI。与 thinking-munger 互补：Munger 的多元思维防止技术路线单一化。与 thinking-ray-dalio 互补：Dalio 的极度透明原则可以强化梁文峰的迭代闭环。
十一、限制 资料未提供该技能的具体安装方式、运行环境、依赖条件、收费模式或平台支持信息，暂未提供。