Cloudflare 开源多阶段安全审计技能：面向编码代理的可验证发现
该技能为编码代理提供多阶段安全审计流程，产出可独立验证的机器可读发现，提升审计自动化与可信度。
01 DAILY RESEARCH SIGNALS / 2026-10-20
把市场噪声
压缩成可研究的信号。
聚合量化论文、开源项目与 AI 工程进展。每条信号经过筛选、排序与结构化，帮助研究者更快抵达真正重要的信息。
浏览今日信号 ↓
全部数据源检查完成，管线运行正常
02 CURATED INDEX
历史信号库
按内容类型浏览，或直接搜索标题与标签。
INDEXED 15
01 / REP
GitHub
SELECTED SIGNALS 03
vLLM：高吞吐且显存高效的 LLM 推理服务引擎
vLLM 在 GitHub Trending Daily 上榜，其项目自述为面向大语言模型的高吞吐、显存高效的推理与服务引擎。它的新意在于以系统级优化同时追求吞吐与显存效率，对需要部署 LLM 服务的开发者具有直接参考价值。
ponytail：让 AI 代理写更少代码的策略
这是一个出现在 GitHub Trending 的项目，主张让 AI 代理像“最懒的资深开发者”那样思考：最好的代码是没写的代码。它的新意在于把“减少代码量”作为代理行为目标，对关注 AI 编程工具成本与复杂度的人有参考价值。
02 / PPR
论文
SELECTED SIGNALS 11
RegimeRank：可解释的行业轮动排序模型
该研究提出RegimeRank模型，将行业轮动任务形式化为按预期风险调整主动绩效排序行业，并通过专家定义的时间特征、宏观状态条件化和跨行业依赖建模提升排序表现，同时保持可解释性。其新意在于融合宏观状态感知与注意力机制，为量化选股提供可诊断的排序工具。
TimeART：基于工具增强的智能体时间序列推理框架
TimeART 提出一种融合强工具分析能力与大语言模型推理能力的智能体框架，用于时间序列问答（TSQA），并构建 10 万条专家轨迹数据集 TimeToolBench 及四阶段训练策略，以提升基于 LLM 的时间序列推理模型（TSRM）的工具使用与泛化能力。
分支签名模型：通用逼近与高效计算框架
该论文提出分支签名模型，基于分支粗糙路径理论推广经典几何粗糙路径，并证明其通用逼近定理；通过构造扩展映射将分支签名转化为经典几何签名，为粗糙波动率校准和最优执行等数据驱动建模提供计算方案。
语言模型智能体的策略记忆与信念修正用于非平稳配对交易
提出MOIRA框架，将配对交易建模为分层强化学习问题，用大语言模型分别参数化高层资产对选择与低层执行策略，并通过提示更新和文本反馈进行优化，无需梯度微调。
分解集成框架耦合SSA与波动自适应LSTM预测股价
该研究提出CEEMDAN-SE-SSA-VMGL框架，针对现有CEEMDAN混合模型的高频模态混叠与波动异质性未匹配问题，引入样本熵聚类、奇异谱分析去噪及可微分GARCH层调制LSTM遗忘门，在五条中美金融序列上相对最佳基准降低9%至24%的预测误差。
合作多智能体强化学习在预测市场做市中的应用研究
该研究针对Polymarket薄订单簿的挑战，重构订单级数据并训练合作式多智能体做市策略；其价值在于揭示了奖励设计对分解式做市的关键作用及未实现正收益的证据边界。
博弈论框架让LLM学会反制电话诈骗
该研究提出一种博弈论框架，使大语言模型无需微调即可通过上下文经验学习动态反制策略，并用纳什均衡作为评估基准。其新意在于将诈骗者与反诈 baiting 的交互建模为双人博弈，并释放带策略标签的对话数据集，为主动反诈提供了可量化的策略优化路径。
条件扩散模型实现限价订单簿概率预测
该研究提出LOBGrad，将自回归循环神经网络编码器与条件扩散模型结合，用于限价订单簿的概率预测，并首次为一步DDPM噪声预测目标建立了超额风险oracle不等式，在BTC/USDT、GOOGL和META数据上优于无编码器消融版本。
NIOCIS 路由层：以类型化决策与节点条件选项空间优化工具智能体
NIOCIS 将工具使用智能体的执行日志压缩为循环折叠的动作图，通过小模型单次输出类型化选项分布，以极低延迟替代耗时的大模型逐跳推理。
四交易代理规则遵守评估：新工具区分纪律与运气
该研究通过2627笔平仓交易，检验四个AI交易代理是否遵守策略与风控规则，并提供可复用的代理评估工具，帮助在赋予代理自主权或资金前区分规则遵循与运气。
TimeGAN情景替换与补充在Rachev比率组合中的可靠性比较
该研究评估TimeGAN生成情景在Rachev比率组合优化中的可靠性，通过12只ETF比较历史、替换与混合策略，发现合成情景低估波动与尾部损失、扭曲依赖结构，且收益差异不显著。
03 / VID
视频
SELECTED SIGNALS 01
上下文工程课程：应对智能体上下文腐化
该课程介绍智能体长期运行时上下文累积重复、矛盾或过期信息导致模型表现下降的“上下文腐化”问题，并给出可操作的工程方法。其价值在于用 Python 从零构建智能体框架，将检索、上下文管理与记忆作为独立模块来设计，而非仅依赖更大的上下文窗口。