refactor: 归档策略进化模块+新建评估页面+API

- 归档 evolution/ + meta_growth/meta_watchdog/ab_research_daily
- docs/evolution-archive-readme.md: 归档说明(旧模块功能+替代方案)
- server.py: 新增 /api/research/effectiveness + effectiveness/summary + recommendation_log + execution_log
- static/effectiveness.html: 新评估页面(概览/详细评估/推荐记录/执行记录)
- 策略进化改为人驱动闭环(评估→用户决策→调整)

docs/evolution-archive-readme.md

@@ -0,0 +1,52 @@
+# 策略进化模块归档说明（2026-08-21）
+
+## 归档内容
+
+### evolution/ 目录
+| 文件 | 功能 |
+|---|---|
+| evolution_engine.py | 策略进化引擎：自动调整策略参数（止损/止盈/买入区）|
+| evolution_api.py | 进化API：暴露进化结果给前端 |
+| hypothesis_miner.py | 假设挖掘：从历史数据中发现潜在的策略改进假设 |
+| lesson_extractor.py | 教训提取：从策略失败中提取可复用的教训 |
+| b_group_miner.py | B组候选挖掘：发现新的候选股票 |
+| merge_b_group.py | B组合并：将新发现的候选合并到策略池 |
+| precompute_evolution.py | 预计算：提前计算进化所需的数据 |
+| health_monitor.py | 健康监控：监控进化系统的运行状态 |
+
+### 独立脚本
+| 文件 | 功能 |
+|---|---|
+| meta_growth.py | 元自成长：自动调整策略的元参数（如仓位系数、风险权重）|
+| meta_watchdog.py | 元监控：监控元自成长系统的运行状态 |
+| ab_research_daily.py | AB研究：每日对比不同策略版本的表现 |
+
+## 归档原因
+
+1. **策略进化模块**（evolution/）的设计目标是"自动调整策略参数"，但它与重评流程（per_stock_reassess）的功能高度重叠。重评本身就是"根据最新数据调整策略参数"，进化引擎做的是类似的事。
+
+2. **元自成长**（meta_growth.py）试图自动调整策略的元参数（仓位系数等），但这些参数应该由用户（老莫）根据经验判断，不应该由系统自动调整。
+
+3. **AB研究**（ab_research_daily.py）对比不同策略版本的表现，但现在有了 `strategy_effectiveness` 表（策略到期评估），功能已被替代。
+
+4. **策略自我进化**的目标是"让系统自动改进策略"，但根据老莫的方法论，策略改进应该是**人驱动的**（基于评估结果 + 经验判断），不是系统自动的。
+
+## 替代方案
+
+| 旧模块 | 新方案 |
+|---|---|
+| evolution_engine（自动调参）| 重评流程（per_stock_reassess）+ 用户决策 |
+| meta_growth（元参数自动调整）| 用户根据经验手动调整 |
+| ab_research（版本对比）| strategy_effectiveness（到期评估）|
+| hypothesis_miner（假设挖掘）| 策略自我进化（待实现，人驱动）|
+| lesson_extractor（教训提取）| strategy_effectiveness 的 improvement_suggestion |
+
+## 后续方向
+
+策略自我进化应该是**人驱动的闭环**：
+1. strategy_effectiveness 自动评估策略表现
+2. 评估结果显示在 MoFin 研究页面
+3. **用户（老莫）根据评估结果决定是否调整策略**
+4. 用户调整后，系统记录新的策略版本
+
+而不是系统自动调参——那会导致"黑箱"问题。