◼本研究围绕AI 因子研究中的“搜索能力”与“沉淀能力”展开：一方面将大语言模型的金融逻辑推理能力引入遗传编程搜索，另一方面让大语言模型在代码空间中生成因子并自主沉淀工具函数，最终进一步封装为可复用的选股因子迭代Skill。传统量价因子研究通常依赖研究员人工提出假设、编写表达式并反复回测，研究效率和搜索广度均受到限制；而单纯依靠大语言模型直接生成因子，又面临推理成本较高、批量探索能力不足、历史反馈难以沉淀等问题。

本文尝试从两个维度解决上述矛盾：第一，在表达式空间中引入LLM 增强遗传编程，用大语言模型提供金融逻辑和子表达式基因，用遗传算法完成高强度搜索；第二，在函数空间中让LLM 直接生成可运行的Pandas/Numpy  因子函数，并通过历史反馈和工具函数库持续迭代。

两条路线分别对应“可控表达式搜索”和 “开放函数式生成”，共同目标并不是让AI 机械地产生更多公式，而是让AI 参与因子研究的完整链条：提出假设、生成信号、接受评测、吸收反馈，并将可复用经验沉淀下来