用途：面向量化研究流程的方法论技能，用于校验发现、设计置换零假设、检查标签泄漏、审查因果特征，降低前视偏差与虚假信号风险。
主要能力（六项纪律）：
- 因果特征不变量：触发条件在 bar i 使用的特征只能用 bars[0:i]，窗口取 lo:i（上限独占），不得使用 bars[i] 或 bars[i+1:]。资料给出规范写法与因果性验证测试，通过对未来数据加扰动比对前段结果是否一致来检测前视。异常特征包括结果异常干净。
- 标签泄漏：前向标签须按触发 bar 自身区间缩放，不能使用整窗缩放；资料给出基于 bar 内高低差的本地三重障碍标签做法。
- 置换零假设设计：按假设类别选择置换对象（特征值、触发掩码、过滤器通过项）。规则是先写出一句话备择假设；置换次数建议 z<3 时至少 100 次，z<2 时至少 1000 次。
- 智能体显著性校正：LLM 智能体常高估 z 值，需自行按 (real - null.mean)/null.std 复算，并考虑多重检验，K 次检验的 Bonferroni 阈值约为 sqrt(2*ln K)。资料给出的信任阈值为 z>5 且 N>500 视为可能真实，z 在 3~5 需强制门控验证，2~3 需相邻格梯度与零假设检验，z<2 视为零结果。
- 记录纪律：采用 append-only 台账与审计目录，条目字段含 id、date、status、supersedes、superseded_by、headline、key_numbers、evidence、sha256_results；新结论不应删除旧审计目录。
- 放弃前复盘：为每笔交易补充 20~30 个因果入前特征，导出逐笔 parquet 与 CSV，供多视角智能体寻找区分盈亏的过滤器，并对过滤器做置换零假设检验。资料提供杀伤选择性指标 losers_killed / max(1, winners_killed)，并说明不同取值区间含义。
使用方式：按上述顺序阅读与实践；新增特征函数时加入因果性验证测试；在信任任何结果前完成对应置换零假设测试。资料未提供具体安装命令或代码库集成步骤。
适用场景：量化信号研究、特征工程审查、交易策略回测验证、研究结果归档。
限制：文中确认次数为特定会话 ca9d7ffa 的临时统计，第 6 项原则仅一次确认，属暂定结论；资料未提供完整代码示例、安装方式与平台要求，相关部分暂未提供。