影子路径开 lean 模式，实测完整链路 1410 → 683ms

拉到新引擎后在服务器侧直接实测，没有沿用 3.4 倍那个换算——那是在旧代码上量的。

先做等价性验证。不能直接引用 step46 的对拍结论：它固化的是 bsp_list 那条链的
哈希，而影子路径走 find_fast_bsp3 + build_htf_zones + htf_fx_timeline +
attach_htf_context，两条链读的东西不一样。所以新建 verify_lean_parity.py 在
这条路径上逐根对拍 compute() 的每个返回字段。

其中一个坑：随机取窗口测不到信号分支。信号密度约 1/2000 根，头 12 个窗口命中
0 个，「一致」只覆盖了早退路径。改成一半窗口对齐到已知信号根，命中率才上来。
最终 180 窗口 / 两模式各 90 命中 / 零分歧。

生产实测（inner_ms，容器内同口径）：

  compute_ms      646 → 132ms   4.89x
  inner_ms        612 → 128ms   4.80x
  lag_signal_ms  1410 → 683ms   完整链路，落回 800ms 线内

比 3.4 倍更好，因为是引擎 ~3.5x 叠 lean ~1.35x。

两点判读上的订正：

- lag_data_ms 那 576→490ms 是噪声，不要记在引擎账上。均值 721±36 vs
  740±127，重叠；而且引擎本来就影响不到交易所与网络那一段。
- 仍有 44% 的根超 800ms，但尾部现在完全由数据腿主导（lag_data P90 1482ms
  vs compute P90 237ms）。计算既不是瓶颈也不是尾部主因了，继续压计算换不到
  尾部改善。800ms 那道闸取的是最近 30 根的中位数，683ms 已满足。

start.sh 加 SHADOW_LEAN（默认 1），设 0 可退回 full 复量两模式差异。

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

research/live/shadow_signal.py

@@ -39,12 +39,22 @@ for _v in ("OMP_NUM_THREADS", "OPENBLAS_NUM_THREADS", "MKL_NUM_THREADS"):
     os.environ.setdefault(_v, "1")
 
 
-def compute(df_l, df_h, entry_px: float | None = None) -> dict:
+LEAN = os.environ.get("SHADOW_LEAN", "1") not in ("0", "", "false")
+
+
+def compute(df_l, df_h, entry_px: float | None = None,
+            lean: bool | None = None) -> dict:
     """在 df_l 的最后一根上找信号。df_l/df_h 都只含已收盘 K 线。
 
     entry_px 是次根开盘价（回测 entry_delay=1 的成交价），用作 atr_pct 的
     分母。取不到时退回用信号根收盘价，并在返回里标 atr_ref="close"。
 
+    lean=True 让 TF_DF 只构建到中枢，跳过线段/走势中枢/MACD 状态机。本路径
+    只读 chan.dataframe 与 chan.klc_list，不碰 bsp_list/seg_list/chanmacd，
+    所以可以跳。但静态检查会漏间接依赖，等价性由 verify_lean_parity.py 在
+    这条路径上逐根实测，不套用 step46 那 5 个对拍用例——那些用例走的是
+    bsp_list，覆盖不到 fast_bsp3 + 嵌套上下文这条链。
+
     返回 dict：
       last_idx    最后一根在 chanlun 处理后 dataframe 里的下标
       n_bars      实际参与计算的根数
@@ -55,6 +65,8 @@ def compute(df_l, df_h, entry_px: float | None = None) -> dict:
     import numpy as np
     import pandas as pd
 
+    lean = LEAN if lean is None else lean
+
     try:
         from chanlun import TF_DF
         from lib.fast_bsp3 import find_fast_bsp3
@@ -63,7 +75,7 @@ def compute(df_l, df_h, entry_px: float | None = None) -> dict:
         from lib.nested_level import build_htf_zones
         from lib.shadow_budget import ATR_GATE_BP
 
-        chan_l = TF_DF(df_l, 1, "1m")
+        chan_l = TF_DF(df_l, 1, "1m", lean=lean)
         cdf = chan_l.dataframe
         last = len(cdf) - 1
         base = {"last_idx": last, "n_bars": int(len(df_l)), "hits": [],
@@ -99,7 +111,7 @@ def compute(df_l, df_h, entry_px: float | None = None) -> dict:
 
         # 5m 同向。算不出时 h1_agree 记 0，该信号自然不会通过 pass_all
         if df_h is not None and len(df_h) > 0:
-            chan_h = TF_DF(df_h, 1, "5m")
+            chan_h = TF_DF(df_h, 1, "5m", lean=lean)
             hdf = chan_h.dataframe
             tl = htf_fx_timeline(
                 signals_to_frame(extract_fx_signals(chan_h, hdf)), hdf)