该技能提供一套系统化方法，用于在多个评估指标下筛选高质量配置。核心思路：先把各指标原始值转换为百分位排名（scipy.stats.rankdata，None/NaN/Inf 记为 0，越低越好的指标取反），使不同量纲的指标可比较；然后为每个指标设置独立百分位阈值，只有同时通过所有指标阈值的配置才进入交集，从而避免单一指标冠军在其他维度表现极差。初始阈值默认 100（不过滤），再由优化器逐步收紧。
主要能力包括：定义 MetricSpec 注册表（名称、方向、来源、默认阈值）；按指标过滤与交集；检测绑定指标（放宽后交集增大者）与惰性维度（取值无区分度者）；通过环境变量 RBP_RANK_CUT_{METRIC_NAME_UPPER} 覆盖阈值；用 Optuna TPE 做单目标、NSGA-II 做多目标搜索，内置多种目标函数（幸存数/阈值比、目标规模质量、最紧非空、多样性奖励、Pareto 效率）；优化后进行跨目标一致性、特征主题、收紧曲线与绑定序列等取证分析。
使用方式：依赖 pip install scipy numpy optuna>=4.7；数据为预计算指标 JSONL；须预加载数据以提升优化速度，并固定 sampler seed=42 保证可复现；搜索空间常用 step=5、下限 5。限制：资料未提供具体价格、平台支持或效果承诺；方法为领域无关原则，附带量化交易案例，实际效果取决于数据与指标设计。