影子信号走增量：清空十币 560ms → 247ms

compute() 每根新建 TF_DF 换成按 (symbol, timeframe) 缓存的流式对象。worker
进程被复用，所以缓存跨根存活；2 worker 轮流拿 10 币，每个 worker 最终缓存
全部 20 条流，实测内存开销落在噪声里（597→598MiB）。

## 前提先验，否则整个改动建立在沙子上

init_stream/append_bar **没有 trim**，dataframe 靠 pd.concat 无界增长。所以
增量必然让窗口每根 +1，只能周期性重建拉回，两次重建之间窗口是 [W, W+500]
而非恒定 W。于是必须先证明 compute() 输出对窗口长度不敏感——否则增量等于
静默换掉一批信号，不报错不崩。

verify_window_sens.py：三币 75 个信号窗口，+200/+500/+1000 三档全部逐字段
一致。step39 说的是「命中率在 2000 根饱和」，饱和不等于不变，这是两回事。

## 对拍

verify_incr_parity.py：三币 1,800 根、21 个命中、各跨 1 次重建边界，逐字段
零分歧。不能引用 HANDOFF §5.5——那验的是 bsp_list 那条链的整体哈希，而这里
是 find_fast_bsp3 那条链，且流式对象跨根复用，状态污染只会让信号悄悄换一批。

对拍顺带定论一件读代码定不了的事：cal_bi_list **不依赖** klc.trend。
init_stream/append_bar 从不调 cal_trend（它只在 get_klc_list 里），所以追加
出来的 klc 其 trend 恒为 UNKNOWN，而批量构建的有值；两者结果逐字段相同。
HANDOFF §5.5 那句「bi.py:221 读 klc.trend，笔的计算依赖它」不成立——221 行
在 cal_trend 自己的循环里，读的是它自身的序列状态。

## 重建不走 init_stream

init_stream 是逐行 dataframe.iloc[idx]，正是引擎提速刚修掉的反模式：2001 根
要 238.5ms，而批量 lean 只 74.3ms，慢 3.2 倍。第一版用它重建，10 个币启动时
各来一次，清空反而涨到 1686ms。改用 TF_DF(df, lean=True) 重建，append_bar
靠 _ensure_stream_state 就能接上。

## 实测

append_bar 21.8ms vs 批量 lean 重建 77.7ms = 3.56x，与研究侧测的 3.7x 一致。
拆解：add_indicators 全表 7.5ms（34%，为加一根重算 2001 行）+ cal_bi_list
整表重扫 11.1ms（51%）+ concat 1.4ms。这两项都在引擎侧，值得反馈。

十币 / 2 核：清空 560→247ms，排队 92→10ms，纯计算 219→108ms。判定从
「加 worker 无用，唯一出路是增量」变成「宽裕，无需优化」。

注意 inner 108ms 里 chan 构建只占约 22ms，其余是 build_htf_zones /
find_fast_bsp3 / attach_htf_context。**瓶颈已不在 chan 构建**，再压增量收益
有限。

stream_bars 落到 latency CSV：恒等于 2001 说明缺口判定在每根都回退重建、
增量静默失效，这一点从耗时上看不出是哪一环。实测窗口稳定长大。

Co-authored-by: Cursor <cursoragent@cursor.com>

research/live/shadow_hb.py

@@ -363,7 +363,8 @@ class Shadow:
             # compute_ms 含排队；queue_ms/inner_ms 把它拆开，用来判断加核有没有用
             "compute_ms", "queue_ms", "inner_ms",
             "n_bars", "n_hits",
-            "n_pass", "atr_bp", "lag_med_ms", "lag_ok"])
+            "n_pass", "atr_bp", "lag_med_ms", "lag_ok",
+            "stream_bars"])
         # 无条件漂移：每根都记，用来和信号根上的条件漂移对照
         self.f_drf, self.w_drf = _writer(d / "shadow_drift.csv", [
             "site", "sym", "kline_ts", "delay_label", "delay_ms",
@@ -571,7 +572,7 @@ class Shadow:
 
         t0 = time.perf_counter()
         payload = (df_l[NUM_COLS].values.tolist(),
-                   df_h[NUM_COLS].values.tolist(), baseline, time.time())
+                   df_h[NUM_COLS].values.tolist(), baseline, time.time(), sym)
         loop = asyncio.get_running_loop()
         from shadow_signal import compute_packed
         try:
@@ -610,7 +611,10 @@ class Shadow:
             "queue_ms": res.get("queue_ms"), "inner_ms": res.get("inner_ms"),
             "n_bars": res.get("n_bars", 0),
             "n_hits": len(hits), "n_pass": n_pass, "atr_bp": atr_bp,
-            "lag_med_ms": lag_med, "lag_ok": int(lag_ok)})
+            "lag_med_ms": lag_med, "lag_ok": int(lag_ok),
+            # 增量流当前窗口。恒等于 2001 说明缺口判定在每根都
+            # 回退重建，增量静默失效——只从耗时上看不出是哪一环
+            "stream_bars": res.get("stream_bars")})
         self.f_lat.flush()
 
         if baseline is not None and np.isfinite(baseline):