perf(backend): 内存优化三项——全市场研究不再占满 8G

1) 数据装配流式+列裁剪：Repository 新增 stream_range_many_columns（只 SELECT
   所需列、SQL 侧转 REAL、yield_per 分批），引擎按 required_columns 取数
   （LocalEngine 仅 close+因子字段），消除 ORM/Decimal 全量物化；
2) 研究 Job 独立子进程执行（job.mode=subprocess）：python -m app.cli.run_job
   在子进程内设 RLIMIT_AS 上限，OOM 归档 failed 而非拖垮 API worker；
   子进程异常退出由父进程补记 failed；并发上限 2；
3) 服务启动清理：残留 queued/running Job 标记 failed（防永久 running）。

实测同款全市场回测：uvicorn worker RSS 稳定 ~220MB，任务峰值内存由 4.1GB+
降至 ~470MB，24s 完成并归档（此前 43s 未完成即 OOM）。
新增/更新测试 96 passed，ruff 干净。

backend/app/infrastructure/persistence/sqlalchemy/repositories/jobs_impl.py

@@ -42,6 +42,15 @@ class SqlAlchemyJobRepository:
             for r in self._session.scalars(stmt).all()
         ]
 
+    def list_by_status(self, status: str, limit: int = 100) -> list[JobRecord]:
+        rows = self._session.scalars(
+            select(JobModel)
+            .where(JobModel.status == status)
+            .order_by(JobModel.created_at)
+            .limit(limit)
+        ).all()
+        return [JobRecord.model_validate(r, from_attributes=True) for r in rows]
+
 
 class SqlAlchemyExperimentRepository:
     def __init__(self, session: Session) -> None:

backend/app/infrastructure/persistence/sqlalchemy/repositories/market_impl.py

@@ -8,11 +8,11 @@ Repository 以 domain.entities 类型进出（AGENT.md §10）。
 
 from __future__ import annotations
 
-from collections.abc import Sequence
+from collections.abc import Iterator, Sequence
 from datetime import date
 from typing import Any
 
-from sqlalchemy import select
+from sqlalchemy import Float, String, cast, select
 from sqlalchemy.orm import Session
 
 from app.domain.entities.market import (
@@ -32,6 +32,9 @@ from app.infrastructure.persistence.sqlalchemy.models.market import (
     TradingCalendarModel,
 )
 
+# 日线数值列白名单（研究面板只需这些；symbol/trade_date 恒返回）
+BAR_FLOAT_COLUMNS = ("open", "high", "low", "close", "volume", "amount")
+
 # 实体类型 → (ORM Model, 幂等键列)
 _TABLE = {
     Stock: (StockModel, ["symbol"]),
@@ -167,6 +170,41 @@ class SqlAlchemyDailyBarRepository:
         ).all()
         return [DailyBar.model_validate(r, from_attributes=True) for r in rows]
 
+    def stream_range_many_columns(
+        self,
+        symbols: Sequence[str],
+        start: date,
+        end: date,
+        columns: Sequence[str],
+    ) -> Iterator[tuple]:
+        """流式返回 (symbol, trade_date_iso, *float_cols) 元组，分批拉取。
+
+        内存优化：与 get_range_many 不同，不实例化 ORM 对象 / Decimal，
+        只 SELECT 所需列并在 SQL 侧 CAST 为 REAL，适合一次装配几十万~几百万行面板。
+        """
+        cols = list(columns)
+        unknown = [c for c in cols if c not in BAR_FLOAT_COLUMNS]
+        if unknown:
+            raise ValueError(f"不支持的行情列: {unknown}（可用: {BAR_FLOAT_COLUMNS}）")
+        numeric_expr = [cast(getattr(StockDailyModel, c), Float) for c in cols]
+        stmt = (
+            select(StockDailyModel.symbol, cast(StockDailyModel.trade_date, String), *numeric_expr)
+            .where(
+                StockDailyModel.symbol.in_(list(symbols)),
+                StockDailyModel.trade_date >= start,
+                StockDailyModel.trade_date <= end,
+            )
+            .order_by(StockDailyModel.symbol, StockDailyModel.trade_date)
+            .execution_options(yield_per=20000)
+        )
+        result = self._session.execute(stmt)
+        while True:
+            chunk = result.fetchmany(20000)
+            if not chunk:
+                break
+            for row in chunk:
+                yield tuple(row)
+
     def latest_date(self, symbol: str) -> date | None:
         return self._session.scalar(
             select(StockDailyModel.trade_date)