What I am building now.
The current focus is to turn the RA/PhD transition into a visible pipeline of projects, writing, and research conversations.
RA Application Pipeline
Target labs and teams in LLM agents, AI for finance, quant research automation, RAG, AI infrastructure, and AI4Science-adjacent systems.
- Build a PI/lab list
- Write customized emails
- Attach one-page CV and project links
- Track meetings and next actions
Quant R&D Agent
Package a public-safe agent workflow that demonstrates factor ideation, implementation, backtesting, bias diagnosis, and next-plan generation.
- Sanitized factor examples
- CLI validation workflow
- Small benchmark report
- Technical write-up
Research OS
Maintain a clean experiment system with project specs, artifacts, reports, and reproducible runs.
- Project manifest
- Experiment lineage
- Report templates
- Research memory
Technical Writing
Turn projects into public artifacts: technical reports, workshop-style drafts, README narratives, and PhD/RA statements.
- One technical report per core project
- One public demo per system
- One concise application narrative
- One GitHub update loop per week
Learning should leave a trail.
This ledger starts with the current transition phase. Posts are published through the Jekyll/Chirpy blog archive at /archives/.
PWEB001: Full-Stack Engineering as a Public Evidence System
Published a public engineering report for PWEB: a deployable React + TypeScript + Cloudflare Worker + D1 learning system. The report maps 47 capability nodes across nine layers, explains typed contracts, persistence boundaries, testing and deployment evidence, and defines a constraint-driven full-stack learning loop rather than treating framework familiarity as proof of engineering ability.
FICC009: Rates Bond Quant - 我们自己的开源利率债量化项目
把 FICC 系列从研究地图推进到自己的可运行开源软件：拆解固定利率债券现金流与定价、Macaulay / Modified Duration、Convexity、平行利率冲击、持仓 P&L 和期限比较，并说明 Python quant core、FastAPI API scaffold、Next.js / TypeScript Dashboard、Cloudflare Pages 静态部署、七项单元测试、public-safe 市场案例、版本路线和 production rates trading 边界。
ICML2026003: Quant Paper Map - Data / Signal / Risk / Portfolio / Market / Financial Agent
Mapped the ICML 2026 papers most relevant to a complete quant research workflow. The note connects label-horizon design, latent market-state representation, multivariate and irregular time-series modeling, calibrated uncertainty, decision-focused and transaction-cost-aware portfolios, distributionally robust risk, market simulation, option pricing, data-market mechanisms, and professional financial agents into one Data-to-Decision Quant OS.
ICML2026002: Oral Paper Map - Production Agent / Document Reasoning / Safety / RL / Data Market
Mapped the ICML 2026 Oral papers most relevant to our Research OS. The priority path starts with Measuring Agents in Production, Strategic Navigation or Stochastic Search, and Monitoring Monitorability, then extends into sandbox escape, CVE-Factory, RL optimization, data-market pricing, reasoning-data selection, mechanistic data attribution, and reward-hacking diagnostics. Each paper is connected to a coding demo, system-design decision, and interview story.
ICML2026001: Spotlight Paper Map - Agent / Quant / RAG / RL / Research OS 推荐阅读地图
Started the ICML2026 learning series with a spotlight paper map. The note recommends a focused reading path around MASPOB, T²PO, HELIX, LLM knowledge update, HOBIT, WaterSIC, mechanistic interpretability, combinatorial RL, LLM annealing, and AI safety, mapping each paper to our Agent OS, Quant OS, RAG OS, Research OS, CV story, and future coding demos.
HKUDS053: OpenOPC - AI-Native Company / Self-Built Self-Run Self-Grown
Published HKUDS053 on OpenOPC as an AI-native company OS. The note analyzes Self-Built, Self-Run, and Self-Grown; maps its org chart, role assignment, work-item state machine, Office UI, approval, blocker handling, memory, and playbook design; and connects it to our A/B/C OS, FICC project workflow, CV delivery system, interview preparation, and future Founder OS.
Futures x Crypto HFT: 期货投研项目与高频做市项目对比
发布 Futures x Crypto HFT，对比 Futures001 和 MarketMakerHFT001 两条量化项目线：期货项目偏中低频 signal research / CTA / factor / ML / GP / backtest diagnostics，crypto HFT 项目偏 tick-level microstructure / order book / ASQ quoting / inventory / fee-rebate / fill realism。文章用同一套 Research OS 视角统一两者，强调一个训练 alpha research，一个训练 microstructure-aware and execution-aware research，并给出简历放法、30 秒中英文面试表达和 public-safe 边界。
MarketMakerHFT001: Crypto Case Study for High-Frequency Market Making
发布 MarketMakerHFT001，把一次 crypto tick-level 高频做市学习脱敏成 public-safe learning：不暴露原始数据、私有来源名称、私有路径或具体 alpha，只保留通用高频做市框架、market maker / taker、order book、mid price / adjusted mid price、order book imbalance、ASQ / Avellaneda-Stoikov 做市模型、库存约束、maker rebate、短期价格模型、回测成交假设、queue position、latency 和生产级 HFT 差距。文章明确这是学习原型和第一仗，而不是宣称精通 crypto 做市。
Futures001: 从期货 CTA 回测到 ML / GP 因子研究
发布 Futures001，把私有期货投研训练项目抽象成 public-safe 的量化研究框架：系统拆解 Dataset1 作为期货 CTA / time-series backtest 基础盘，Dataset2 作为 ML / GP / factor discovery 进阶包；文章讲解 OHLCVM、open interest、contract multiplier、ATR breakout、position rule、PnL、transaction cost、parameter sweep、cross-sectional futures factor、XGBoost、genetic programming，以及 look-ahead bias、signal-position alignment、time-series split、overfitting 和 public-safe 公开边界。
LightRAG Deepdown003: Tests / PR / Open Source Maintenance OS
发布 LightRAG Deepdown003，承接 Deepdown002 继续分析 LightRAG 的 tests、PR 和长期维护能力：拆解 pytest + pytest-asyncio、offline / integration / requires_db / requires_api marker、parser / pipeline / storage / API / LLM adapter / security regression / performance regression 测试体系，并结合 2026-07-06 观察到的 26 个 open PR、1664 个 closed PR、1302 个 merged PR 和最近 30 天 85 个 merged PR，说明 LightRAG 已经进入大开源 AI infrastructure 的维护状态。文章进一步总结我们自己的 Research OS / Quant OS / Agent Harness 应该如何学习它的 contract tests、regression tests、PR discipline 和 Open Source Maintenance OS。
LightRAG Deepdown002: Python Core / File Pipeline / Storage / Retrieval / Why Light
发布 LightRAG Deepdown002，继续深挖 LightRAG 的 Python 核心和系统设计：解释 Python 八成代码如何承担 core orchestration、data contracts、file processing pipeline、retrieval engine、multi-storage backend、LLM provider binding、API server、parser/chunker/sidecar、tests/tools 九层职责；进一步拆解 PDF / DOCX 等异构文件如何通过 parser routing 转成统一中间格式，storage 如何拆成 KV / Vector / Graph / DocStatus 四类抽象，retrieval 如何通过 naive/local/global/hybrid/mix/bypass 多路径完成 graph + vector hybrid retrieval，并总结 LightRAG 的 light 在于可轻量启动、可选组件、可替换后端、可渐进部署。
LightRAG Deepdown001: Coding OS - Python / TypeScript / TSX / HTML / CSS / JS / TOML / YAML / JSON
发布 LightRAG Deepdown001，从 coding language composition 角度拆解 LightRAG：Python 是 RAG engine 和后端大脑，TypeScript 是 API contract 和前端类型系统，TSX 是 React WebUI 产品层，HTML/CSS/JS 是浏览器入口、样式和运行时，TOML 管 Python package 工程配置，YAML 管 Docker/K8s/CI/CD 部署工作流，JSON 管前端生态、测试数据、locale 和 API 结构化数据。文章把这些语言统一到 Coding OS 视角：research idea 如何变成可运行、可部署、可协作、可产品化的 AI infrastructure。
Quant Open Source Package001: Qlib - Microsoft AI Quant Research Platform 深度学习
发布 Quant Open Source Package001，精细研究 Microsoft Qlib：把它拆成 data layer、expression engine、DataHandlerLP、DatasetH、forecast model、portfolio strategy、backtest、recorder、analysis、RL 和 online serving 等模块；文章进一步把 Qlib 与 WorldQuant-style factor research、LLMQuant、HKUDS 和 Pengyi AI Quant Research OS 连接起来，提出 public-safe factor card、model comparison、experiment ledger 和主动面试拷打问题。
专题001: HKUDS x LLMQuant 六项目对比 - LightRAG / Vibe-Trading / AI-Trader / NanoBot / Skills / Data MCP
发布 Learning Special001，把 HKUDS LightRAG、Vibe-Trading、AI-Trader、NanoBot 与 LLMQuant Skills、Data MCP 放到同一张 AI Quant Research OS 地图里横向比较；文章把六个项目分别定位为 evidence access、knowledge memory、finance workflow routing、agent runtime、quant research workflow 和 trading / evaluation platform，并进一步给出 Pengyi AI Quant Research OS v0 的六层架构、主动 Mock 问题、面试表达、public-safe demo 路线和后续行动。
LLMQuant x WorldQuant: 从因子投研流程到 AI Quant Research OS
发布 LLMQuant x WorldQuant 投研流程共鸣总结，把 WorldQuant-style factor research 的 idea、factor hypothesis、expression、simulation、diagnosis、memory、iteration，映射到 LLMQuant 的 QuantMind、data-mcp、skills、llmquantpengyistrategy、pengyi_quant_rd_agent、Magents 和 awesome-trading-agents。文章强调公开安全边界，不暴露具体 alpha，而是沉淀 AI-assisted quant research workflow：从 evidence grounding 到 factor card、backtest protocol、bias diagnosis、next research plan 和 human review。
LLMQuant x HKUDS x FICC: AI 金融研究系统合作地图
发布 LLMQuant x HKUDS x FICC 合作地图，把 LLMQuant 的 finance / quant domain layer、HKUDS 的 RAG / Graph / Agent / Harness / Evaluation infrastructure，以及 FICC 的真实金融研究场景合成一个 AI Finance Research OS。文章按 Data Layer、Knowledge Layer、Graph Layer、Agent Layer、Harness Layer、Quant Workflow Layer、Evaluation Layer、Artifact Layer 拆解合作方式，并给出 FICC Data MCP、FICC Knowledge RAG、FICC Graph RAG、FICC Agent Harness、FICC Event-to-Signal、FICC Forecast Ledger 和 public-safe demo 路线。
FICC008: FICC AI Agent Harness - 从 FICC001-FICC007 到可控研究 Agent 系统
发布 FICC008，把 FICC001-FICC007 的 domain knowledge、daily brief、event-to-signal、AI Research OS 和系列总结进一步收束成 Agent Harness 控制层：定义 task contract、data policy、tool policy、memory policy、output schema、validation rules、human review、redaction、ledger 和 audit log。文章系统拆解 Daily Brief Harness、Event-to-Signal Harness、Quant Validation Harness、RAG Harness、Graph Harness、Skeptic Harness、Redaction Harness、Ledger Harness 和 Evaluation Harness，强调在 FICC research 这种复杂高风险场景里，agent 必须 public-safe、evidence-grounded、reviewable、auditable。
FICC007: FICC 系列总复盘 - 从三大资产到 AI Research OS
发布 FICC007，对 FICC000-FICC006 做总复盘：把 Fixed Income、FX、Commodities 三大金融知识主线，与 Daily Brief、Event-to-Signal、RAG、Graph RAG、Agent Workflow、Quant Validation、Forecast / Research Ledger、Human Review 和 Public-safe Artifact Layer 统一成 FICC x AI Research OS。文章包含逐篇总结、总比对表、能力矩阵、主线图、公开安全边界、后续路线和面试总表达，把整个系列整理成一张可复用的 AI 金融研究系统地图。
FICC006: FICC x AI Research OS - RAG / Agent / Quant Workflow
发布 FICC006，把 FICC000-FICC005 合成完整 AI Research OS：用 RAG 管研究记忆和 evidence pack，用 Graph RAG 管 cross-asset relationship，用 Agent Workflow 管 Daily Brief、Event Extraction、Hypothesis Generation、Quant Validation、Skeptic Review 和 Report Writing，用 Forecast / Research Ledger 管 claim、hypothesis、validation 和复盘，用 Human Review 管质量、边界和公开安全。文章进一步拆解 data ingestion、FICC knowledge base、agent harness、quant workflow、evaluation / governance、artifact layer、MVP 目录结构、CLI 入口和面试表达。
FICC005: Event-to-Signal Workflow - 从市场事件到研究假设、验证与复盘
发布 FICC005，把 FICC Daily Brief 进一步升级成 Event-to-Signal Workflow：从 macro surprise、central bank signal、rates / FX / commodities move、inventory shock、risk-off event 等结构化事件出发，生成 testable hypothesis、feature spec、outcome spec、event study、validation report、bias diagnostic report、forecast / research ledger 和 human review。文章重点强调 signal candidate 不是交易指令，而是 public-safe research hypothesis，并系统拆解 look-ahead bias、timestamp alignment、selection bias、multiple testing、regime dependency、transaction cost 和 public-safety review。
FICC004: Daily FICC Brief Generator - 把 FI / FX / Commodities 合成每日研究工作流
发布 FICC004，从 FICC 知识学习进入系统搭建：设计 Daily FICC Brief Generator，把 market data、macro calendar、central bank text、official reports、news events、forecast ledger 和 FICC000-FICC003 知识层接入同一条工作流，生成 Market Snapshot、Rates / Credit、FX / Basis、Commodities、Cross-Asset Causal Chain、Evidence、Counter-Evidence、Forecast Ledger Review、Watchlist 和 Human Review。文章进一步定义了 markdown 模板、JSON schema、agent workflow、harness 规则、RAG / Graph 设计、evaluation 指标和 MVP 文件结构。
FICC002: Currencies / FX - 汇率、远期、掉期、利差、套息与跨境资金流
发布 FICC002，补齐 FICC 中的 Currencies / FX 主线：系统讲解 FX spot、forward、swap、option、NDF、cross-currency swap、base / quote currency、forward points、covered interest parity、cross-currency basis、G10 FX、EM FX、USD liquidity、rate differential、carry trade、balance of payments、central bank divergence、risk sentiment、safe haven、commodity FX，以及如何把 FX research 接入 RAG、Event Graph、Forecast Ledger、Daily FX Brief 和 Human Review。
FICC003: Commodities - 能源、金属、农产品、期货曲线、库存与供需
发布 FICC003，系统拆解 Commodities：Energy、Metals、Agriculture 三大块，覆盖 crude oil、natural gas、refined products、gold、copper、iron ore、wheat、corn、soybeans 等核心品种；文章重点解释 spot / futures / forward、futures curve、contango、backwardation、cost of carry、convenience yield、inventory、calendar spread、roll yield、basis、supply-demand balance、seasonality、geopolitics，以及 EIA / WASDE 等公开报告如何进入 Commodity Research OS。
FICC001: Fixed Income / Rates / Credit - 债券、利率曲线、久期与信用利差
发布 FICC001，深入拆解 Fixed Income 的地基：债券现金流、price-yield 反向关系、yield curve、front end / belly / long end、央行 reaction function、nominal yield / real yield / breakeven、duration、DV01、convexity、repo、interest rate swaps、credit spread、IG / HY、default probability、recovery、ratings、CDS、OAS 和 FI daily research workflow；文章进一步把 Fixed Income 映射到 RAG、Graph、Curve Monitor、Credit Brief、Forecast Ledger 和 Pengyi Fixed Income Research OS v0。
FICC000: FICC 总地图 - Fixed Income / Currencies / Commodities 三大类
发布 FICC000，把 Fixed Income、Currencies、Commodities 三大类系统拆开：FI 包括 rates、bonds、credit、yield curve、duration、spread、repo、swap；Currencies 包括 FX spot、forward、swap、option、carry、央行政策分化和资本流动；Commodities 包括 energy、metals、agriculture、futures curve、inventory、supply-demand 和 geopolitics；文章进一步把 FICC 映射到 RAG、Graph、Forecast Ledger、Daily Brief Generator、Human Review 和 Pengyi FICC Research OS v0。
AI_CONF000: AI 顶会地图 - ML / NLP / CV / Agent / RAG / Data Mining / Robotics / Systems
发布 AI 顶会总地图，把 NeurIPS、ICML、ICLR、AAAI、IJCAI、ACL、EMNLP、CVPR、KDD、SIGIR、TheWebConf、AAMAS、CoRL、AISTATS、UAI、MLSys、CHI、FAccT 等 venue 重新整理成 Core ML、NLP/LLM、CV/Multimodal、Data Mining/Web/IR/Rec、Agents/Robotics、Systems、Human-AI、Responsible AI 八条主线；文章进一步映射到我们的 Agent Harness、RAG、Quant Research OS、AI Scientist 和顶会选题路线。
HKUDS052: HKUDS Quant 系列专题总结 - Vibe-Trading / AI-Trader / FutureShow / UrbanGPT 对比
发布 HKUDS052 Quant / Forecasting / Trading 专题总结，把 Vibe-Trading、AI-Trader、FutureShow、UrbanGPT 重新放进同一张 Quant Research OS 地图：Vibe-Trading 对应 research workflow / backtest layer，AI-Trader 对应 agent-native trading platform，FutureShow 对应 forecast ledger / prediction market benchmark，UrbanGPT 对应 structured tensor -> LLM -> numeric prediction head；文章进一步把 RAG、Graph、Recommendation、Agent Harness、Memory Governance 和 Artifact Layer 串成 Pengyi Quant Research OS v0 的十层架构。
HKUDS051: HKUDS RAG 系列专题总结 - LightRAG / RAG-Anything / MiniRAG / VideoRAG 对比
发布 HKUDS051 RAG 系列专题总结，把已研究的 LightRAG、RAG-Anything、MiniRAG、VideoRAG 重新放到一张知识基础设施地图里横向比较；文章区分普通 Vector RAG、Graph RAG、Multimodal RAG、Video RAG、Lightweight RAG，系统分析 ingestion、chunking、entity/relation extraction、graph memory、source grounding、timestamp evidence、local memory、agent integration、memory governance 和 Pengyi Research OS RAG Layer v0 的架构。
CLOUDFLARE000: Cloudflare 网站部署与全栈应用总地图
发布 PENGYI_CLOUDFLARE_MAP 第一篇总地图，系统整理 Cloudflare Pages、Pages Functions、Workers、D1、KV、R2、custom domain、部署流程和全栈网站架构；文章把 Cloudflare 定位为以后个人网站、项目展示页、交互型网站、用户型 full-stack 小产品、AI / Quant demo site 的默认 Cloudflare-first 部署平台候选，并明确 GitHub Pages 与 Cloudflare 的使用边界。
NEETCODE007: Coding Interview Execution OS
发布 NEETCODE007，把前面所有 NeetCode 题型收束成一套 coding interview 执行系统：Restate、Clarify、Examples、Brute Force、Pattern、Optimize、Code、Test & Explain；文章进一步设计错题复盘模板、复杂度表达纪律、每日训练模板、面试沟通节奏，以及把 NeetCode 转成 coding agent harness benchmark 和个人 GitHub credit OS 的方法。
NEETCODE006: Math & Geometry / Bit Manipulation
发布 NEETCODE006，精细整理 Math & Geometry 与 Bit Manipulation：矩阵坐标纪律、spiral matrix、rotate image、fast power、happy number、XOR、count bits、bitmask subset、常见边界坑；重点训练公式化、坐标边界、整数/取模、二进制表示、mask 和状态压缩能力，并映射到工程系统里的 flags、permissions、compact state 与 agent 低层精度评测。
NEETCODE005: Dynamic Programming / Greedy / Intervals
发布 NEETCODE005，系统拆解 1-D DP、2-D DP、Greedy、Intervals：DP 五步法、state / transition / base case / iteration order / answer，LCS 例子，greedy 的 exchange argument / staying ahead / invariant，intervals 的排序、合并、冲突和扫描线；文章重点训练最优子结构、局部最优证明、区间事件流和 quant 时间窗口迁移。
NEETCODE004: Backtracking / Graphs / Advanced Graphs
发布 NEETCODE004，深入整理 Backtracking、Graphs、Advanced Graphs：choose / explore / undo、subsets、permutations、combination sum、DFS、BFS、grid graph、topological sort、union find、Dijkstra、Bellman-Ford，以及 graph algorithm router；文章把这些题型映射到状态空间建模、Graph RAG、asset relation graph、research lineage graph 和 coding agent 长程推理评测。
NEETCODE003: Trees / Heap / Tries
发布 NEETCODE003，整理 Trees、Heap / Priority Queue、Tries 三类非线性结构：tree DFS / BFS、BST low-high 约束、递归返回值、heap top-k / k-way merge / two heaps、Trie node / insert / search / prefix / wildcard；文章强调 hierarchy、priority、index 三类工程结构，以及它们在 task decomposition、priority scheduler、structured retrieval 和 agent harness 里的迁移。
NEETCODE002: Stack / Binary Search / Linked List
发布 NEETCODE002，细化 Stack、Binary Search、Linked List：普通 stack、monotonic stack、binary search on sorted structure、binary search on answer、最小可行 / 最大可行模板、dummy node、reverse linked list、fast / slow pointer、merge two lists；文章重点训练延迟结算、单调性、边界控制、指针重连和 coding agent 实现纪律。
NEETCODE001: Arrays & Hashing / Two Pointers / Sliding Window
发布 NEETCODE001，精细拆解线性结构三大基础题型：Arrays & Hashing 的 seen set / count map / complement lookup / normalized key，Two Pointers 的 left-right / slow-fast / read-write 与不变量，Sliding Window 的最长合法窗口、最短覆盖窗口和窗口状态三问；文章把这些能力映射到序列数据处理、rolling window、timestamp alignment 和 coding agent 基础 reasoning benchmark。
NEETCODE000: NeetCode 题型总地图 - DSA / Coding Interview / Agent Harness 训练系统
发布 PENGYI_NEETCODE_MAP 第一篇总地图，把 NeetCode 150 的 18 类题型整理成 DSA、coding interview、工程算法直觉和 coding agent harness 的统一训练系统；文章覆盖 Arrays & Hashing、Two Pointers、Sliding Window、Stack、Binary Search、Linked List、Trees、Heap、Backtracking、Tries、Graphs、Advanced Graphs、DP、Greedy、Intervals、Math & Geometry、Bit Manipulation，并提炼题型识别、复杂度控制、边界测试、面试表达和 agent benchmark 设计方法。
MLRL005: Quant / Agent / LLM 里的 ML-RL 统一视角
发布 MLRL005，把 Quant、Agent、LLM 放进统一的 ML-RL-Harness 框架：ML 负责从数据里学规律，RL 负责从反馈里学行为，LLM 提供通用 policy 和 representation engine，Harness 定义环境、动作、约束、日志和评估；文章系统对照 quant research、coding agent、research OS、RAG / Graph RAG、evaluation，并把它们统一映射到 Pengyi Quant Research OS、DeepSeek Coding Agent Harness 和 AI Scientist 路线。
MLRL004: RLHF / Agent Training
发布 MLRL004，细化 RLHF 与 Agent Training：从 pretraining、SFT、preference data、reward model、PPO-style RLHF、DPO / preference optimization 讲到 agent trajectory、outcome reward、process reward、evaluator、reward hacking 和 harness；重点解释 coding agent 与 quant research agent 如何把 state、action、reward、trajectory、tool feedback 和 evaluator 串成可训练、可评估的行为优化系统。
MLRL003: Reinforcement Learning 基础
发布 MLRL003，系统梳理强化学习基础：agent、environment、state、observation、action、reward、policy、trajectory、return、MDP、value function、Q function、exploration vs exploitation、credit assignment，并进一步拆解 value-based methods、Q-learning、DQN、policy gradient、actor-critic、PPO、model-free / model-based、offline RL，以及它们在 LLM agent、coding agent 和 trading agent 中的对应关系。
MLRL002: Transformer 架构
发布 MLRL002，精细拆解 Transformer：从 tokenizer、token id、embedding、positional information 进入 Q / K / V、scaled dot-product attention、multi-head attention、causal mask、FFN、residual connection、LayerNorm、encoder-only、decoder-only、encoder-decoder、KV cache；进一步说明 Transformer 如何成为 LLM、RAG、Agent、Quant text modeling 的底层结构。
MLRL001: PyTorch 架构与训练循环
发布 MLRL001，系统讲解 PyTorch 的工程底座：Tensor、shape / dtype / device / requires_grad、autograd、zero_grad / backward / optimizer.step、nn.Module、Dataset / DataLoader、loss、optimizer、scheduler、train loop、eval loop、checkpoint、mixed precision 和常见坑位；文章把 PyTorch 训练循环直接接到 quant model、reward model、embedding model、agent evaluator 和 Research OS 的可复现实验要求上。
MLRL000: Machine Learning / Reinforcement Learning / PyTorch / Transformer 总地图
发布 PENGYI_ML_RL_MAP 第一篇总地图，把 machine learning、deep learning、PyTorch、Transformer、reinforcement learning 压成一张基础能力地图；系统解释 supervised / unsupervised / self-supervised / RL 的关系，PyTorch 的 Tensor / autograd / nn.Module / DataLoader / optimizer / training loop，Transformer 的 tokenization / embedding / QKV attention / FFN / residual / LayerNorm / encoder-decoder variants，以及 RL 的 agent / environment / state / action / reward / policy / value / Q / actor-critic / PPO / RLHF；最后映射到 Pengyi Quant Research OS、AI Harness、Research OS 和后续 MLRL001-005 学习路线。
X2STRATEGY000: X2Strategy 单独章节 - Paper-to-Strategy Compiler 与 Quant Research Harness
发布 X2Strategy 独立学习章节，把它从 QuantMind / LLMQuant / HKUDS 对比对象升级为单体项目主线；系统拆解 ALAGENT-HKU/x2strategy 如何将 PDF / MD / DOCX / TXT 等 research input 转成 PaperContent、ExtractionResult、StrategySpec、可执行 Backtrader code、validation、backtest 与 diagnosis report；重点分析 paper2spec 的 parser Mode A / Mode B、5-layer extraction、StrategySpec schema、needs_human_review、operator pitfall retrieval、spec2code validator、reference docs、UPSA example，以及它对 Pengyi Quant Research OS 的 strategy compiler / quant harness 启发。
HKUDS050: Remaining Repo Map - 未完成项目总览、分类与后续学习路线
发布 HKUDS 剩余 repo 总览地图：基于本地 HKUDS repo index 与 GitHub API 当前列表，确认 HKUDS public repos 约 89 个、已系统覆盖 44 个、剩余 45 个；把未做项目分类为 Urban / Spatio-temporal Intelligence、Recommendation Foundation Stack、Graph Foundation / Graph Structure Learning、Survey / Meta / Lab Knowledge Map 四大主线，并给出 OpenCity、EasyST、AutoST、AnyGraph、LLMRec + RLMRec、SSLRec 等后续优先路线；后续编号已插入 HKUDS051 RAG 系列专题与 HKUDS052 Quant 系列专题，OpenCity 顺延到 HKUDS053。
PENGYI_HARNESS001: DeepSeek Coding Agent Harness - Claude Code vs Codex 的产品启示与工程预演
从 DeepSeek PM 视角拆解 coding agent harness：比较 Claude Code 的 cockpit-first collaborative control 与 Codex 的 factory-first delegated execution，明确二者不是绝对二分，而是默认产品哲学不同；进一步提出 DeepSeek Coding Agent Harness 应该成为 mode-aware agent execution OS，支持 Cockpit、Clarify-before-Execute、Delegated Worker、Review-only、Autonomous Batch、Research / Planning 六种模式，并给出 TaskSpec、Context、Mode Router、Tool Runtime、Permission / Sandbox、Verification、Artifact / Review / Memory 的工程预演。
PENGYI_HARNESS_MAP000: Harness 总览 - Agent / Research / Quant / Tool / Memory / Product 六类 Harness
发布 Pengyi Harness Map 第一篇总览，把 HKUDS、LLMQuant、X2Strategy 里反复出现的 harness 思想抽象成六类：Agent Execution Harness、Research Task Harness、Quant / Trading Harness、Tool Harness、Memory Harness、Product / Workspace Harness；系统解释 OpenHarness、FastAgent、AutoAgent、Auto-Deep-Research、DeepResearch-Eval、Magents、Vibe-Trading、AI-Trader、CLI-Anything、AnyTool、data-mcp、MGP、CatchMe、SepLLM、LightRAG、AgentSpace、OpenSpace、ClawTeam、Litewrite、MoChat、ViMax 等项目在 Pengyi Research OS Harness 中的位置。
LLMQUANT008: LLMQuant 学习总览与 000-007 项目作用清单
发布 LLMQuant 第一阶段总索引，把 LLMQUANT000-007 压缩成一张可调用地图；总结 data-mcp、skills、quant-mind、Magents、awesome-trading-agents、docs、llmquant-book、quant-wiki、.github、asset 以及 Pengyi 本地 llmquant-os / llmquantpengyi 扩展层，明确 LLMQuant 是 AI-native finance research ecosystem，并映射到 Pengyi Quant Research OS 的 EvidenceAccess、WorkflowRouter、KnowledgeLayer、DomainGrounding、ExperimentRuntime、EcosystemRadar、Human PM Review 和 Public Artifact Pipeline。
HKUDS049: UrbanGPT 作为 Spatio-Temporal LLM、Urban Forecasting Foundation Model 与 Quant OS 时空预测层
发布 HKUDS UrbanGPT 深度学习笔记，正式进入 Urban / Spatio-Temporal AI 主线；把 UrbanGPT 拆成 ST encoder、TCN / gated dilated convolution、ST projector、special tokens、<ST_HIS>、<ST_PRE>、<ST_patch>、<ST_start> / <ST_end>、STLlamaModel、STLlamaForCausalLM、forecasting token hidden state、regression / classification prediction head、instruction generation、time / region / POI context、Vicuna instruction tuning、Ray multi-GPU eval、MAE / RMSE / MAPE / F1 metrics，并映射到 Quant OS 的 market tensor -> domain encoder -> market tokens -> LLM -> alpha / risk / backtest head。
HKUDS048: MGP 作为 Governed Agent Memory Protocol、Policy/Audit Layer 与 Research OS Memory Governance Layer
发布 HKUDS MGP 深度学习笔记，进入 governed persistent memory / memory protocol / policy / audit / lifecycle 主线；把 MGP 拆成 spec、schemas、OpenAPI、reference gateway、policy hook、audit sink、adapter router、BaseAdapter、memory/file/graph/postgres/oceanbase/lancedb/mem0/zep adapters、Python SDK、Nanobot sidecar、off/shadow/primary rollout、compliance suite、memory object、memory candidate、policy context、return mode、merge/conflict、expire/revoke/delete/purge，并映射到 Pengyi Research OS 的 memory governance layer、Quant Research OS 的 experiment/factor/artifact memory governance，以及 R&D Agent 的 candidate -> policy -> persistent memory -> recall -> audit loop。
HKUDS047: SepLLM 作为 Long-Context Compression、KV Cache Efficiency 与 Research OS Memory Compression Layer
发布 HKUDS SepLLM 深度学习笔记，进入 long-context / KV cache / sparse attention / memory compression 主线；把 SepLLM 拆成 TrainingFree-SepLLM、Streaming-SepLLM、Training-SepLLM、SepCache、KV cache manager、SepAttention、segmented attention mask、flex attention kernel、mode checker、positional encoding shifting、separator token ids、initial tokens、separator tokens、local window 和 cold storage analog，并映射到 Pengyi Research OS 的 SepMemory、Quant Research OS 的 factor research memory，以及 R&D Agent 的长期上下文压缩层。
HKUDS046: LightReasoner 作为 Reasoning Efficiency、Expert-Amateur Teaching 与 Research OS Skill Distillation Layer
发布 HKUDS LightReasoner 深度学习笔记，进入 reasoning / efficiency / skill distillation 主线；把 LightReasoner 拆成 Expert-Amateur contrast、KL-guided critical token selection、plausible token set、contrastive soft-label supervision、LoRA fine-tuning、model merging、GSM8K / MATH data prep、Qwen2.5-Math evaluation、analysis scripts 和 reproducibility guard，并映射到 Pengyi Research OS 的 skill distillation layer、Quant OS 的 research decision distillation，以及我们 R&D Agent 如何从高信息量差异点中学习。
HKUDS045: CatchMe 作为 Personal Digital Footprint、Agent Memory Layer 与 Research OS Context Engine
发布 HKUDS CatchMe 深度学习笔记，把它定位成 personal digital footprint recorder、agent memory layer 与 Research OS context engine；拆解 recorder layer、SQLite raw event store、FTS5、window span、mouse screenshot blob、browser extension、Engine、Organizer、SummaryQueue、Day -> Session -> App -> Location -> Action activity tree、bottom-up LLM summarization、tree-based retrieval、CLI、Web API、MCP server、agent skill，以及它对 Pengyi Research OS、Quant OS、R&D Agent、个人研究黑匣子和长期上下文系统的启发。
HKUDS044: ViMax 作为 Agentic Video Generation、AI Creative Studio 与 Research OS Multimodal Production Layer
发布 HKUDS ViMax 深度学习笔记，接在 VideoRAG / VideoAgent 之后进入 video generation 与 multimodal production layer；把 ViMax 定位成 Director + Screenwriter + Producer + Video Generator + Agent Loop / TUI 的 agentic video production system，拆解 Idea2Video、Novel2Video、Script2Video、AutoCameo 四个入口，重点分析 Idea2VideoPipeline、Script2VideoPipeline、Novel2MoviePipeline、camera tree、reference image selection、first/last frame、video clip concatenation、RenderBackend provider abstraction、AgentLoop event stream、SessionIndex、artifact checklist、stale flags、.vimax logs、planning/render separation 和 human review gate；最后映射到 Pengyi Research OS 的 project demo video、research explainer video、RA/PhD presentation、open-source launch video，以及 Quant OS 的 strategy explainer / PM update artifact。
HKUDS043: HKUDS 学习总览与 000-042 项目作用清单
发布 HKUDS000-042 阶段总索引，把目前所有 study map、RAG / knowledge、quant / forecasting、agent runtime / workspace、research / AI scientist、graph / recommendation、agent product 项目重新压缩成一张作用清单；逐项列出 LightRAG、VIBE-TRADING、nanobot、AutoAgent、DeepCode、AI-Researcher、Auto-Deep-Research、DeepResearch-Eval、FutureShow、VideoRAG、FastCode、GraphAgent、RecLM、XRec、ClawTeam、ClawWork、FastAgent、Litewrite、OpenPhone、MoChat、UpSkill、VideoAgent 等节点在 Pengyi Research OS 和 Quant Research OS 中的模块位置，并明确后续可以继续推进 Urban / Spatiotemporal、Graph / Rec 二刷、Research OS v0、Quant R&D Agent 原型和开源 PR contribution track。
HKUDS042: Agent Product Phase Review 作为 Pengyi Research OS Agent Product Stack 阶段复盘
发布 Agent Product / Workspace 系列阶段复盘，把 HKUDS033-041 抽象成 Pengyi Research OS Agent Product Stack：ClawTeam 对应 organization layer，ClawWork 对应 work / contract / accountability，FastAgent 对应 execution engine，Litewrite 对应 output workspace，OpenPhone 对应 real-world mobile interface，MoChat 对应 communication / opportunity layer，UpSkill 对应 skill growth，VideoAgent 对应 video / meeting workflow，Auto-Deep-Research + DeepResearch-Eval 对应 deep research producer + evaluator loop；最后提炼 owner、role、workspace、tool schema、memory、skill、communication、artifact、evaluation、audit trail 十条 agent product 原则，并确定 Research OS v0 的优先级。
HKUDS041: Auto-Deep-Research / DeepResearch-Eval Revisited 作为 Deep Research Product Loop 与 AI Scientist Evaluation Layer
发布 Auto-Deep-Research 与 DeepResearch-Eval 二刷综合笔记，不重复 HKUDS012/013 的单仓拆解，而是把 Auto-Deep-Research 定位成 research report producer，把 DeepResearch-Eval 定位成 research report evaluator，组合成 question -> plan -> search/read/code -> evidence -> synthesis -> report -> quality / redundancy / factuality evaluation -> gap diagnosis -> next research plan 的 Deep Research Product Loop；重点拆解 System Triage Agent、Web Surfer、File Surfer、Coding Agent、case_resolved lifecycle、judge_score、judge_fact、quality rubric、repeatability 和 fact checking，并映射到 AI scientist、RA/PhD research、Quant R&D Agent、human PM review 和可 PR 的 evidence schema / quant evaluator 方向。
HKUDS040: VideoAgent 作为 Agentic Video Workflow、Meeting Intelligence 与 Multimodal Production OS
发布 HKUDS VideoAgent 深度学习笔记，把它定位成 video / meeting agent layer：自然语言输入经过 intent analysis、intent-to-tool mapping、Agent Graph / Agent Chain / User Input Graph 生成、graph judge 与 reflection，再调用 VideoPreloader、VideoSearcher、VideoEditor、VideoSummarizationGenerator、VideoContentQA、RhythmDetector、VoiceGenerator 等多模态 role；重点区分 VideoRAG 是 video memory backend，VideoAgent 是 video workflow frontend，并梳理它如何把访谈、课程、讲座、会议、quant seminar 和 AI researcher interview 转成 transcript、timestamped evidence、summary、QA、storyboard、edited video、research notes、follow-up tasks 和 reusable skill。
HKUDS039: UpSkill Revisited 作为 Agent Skill Growth Layer 与 Research OS 复利系统
发布 HKUDS UpSkill 二刷学习笔记，把它从 HKUDS016 的 failure-to-skill benchmark 重新放回 Agent Product 主线，定位成 agent skill growth layer：session trace capture、Teacher diagnosis、SKILL.md generation、Student Ralph validation、persistent skill store 和 future session retrieval；重点拆解 Claude Code integration 的 capture-prompt、before/after session hooks、save-session、upskill-build worktree pipeline、parse-skill、upskill-store、/upskill-run、interactive / auto serve modes，并把它连接到 MoChat 的沟通流、OpenPhone 的真实 app 操作流、Litewrite 的研究产出流和 Quant OS 的 backtest / factor research failure recovery；最后提出 Pengyi Skill Library、website-publish skill、repo-study skill、quant-backtest-sanity skill 等可立即沉淀的个人 Research OS 复利资产。
HKUDS038: MoChat 作为 Agent-Native IM、Networking Wingman 与 AI Organization Interface
发布 HKUDS MoChat 深度学习笔记，继续 Agent Product / Workspace 系列第六站；把 MoChat 定位成 agent-native communication platform 和 networking wingman：它让 agent 拥有 identity、token、DM、group、panel、session、real-time event 和 owner binding，不再只是传统 IM 里的 bot workaround；拆解 OpenClaw adapter 的 config / API client / channel plugin / Socket.IO cursor persistence / cold bootstrap / message dedupe / inbound mention detection / replyDelayMode non-mention / delay buffer / mochat_session tool，梳理 Nanobot built-in channel 和 ClaudeClaw 的 tmux + file queue + per-conversation Claude --resume 架构；最后映射到 Pengyi Research OS / Quant OS：MoChat 可以成为沟通层、关系层、机会流层和 human PM review interface，把 Research Agent、Backtest Agent、Writing Agent 与人类 owner 组织到真实协作网络里。
HKUDS037: OpenPhone 作为 AI Phone Agent、现实 App 操作入口与 Mobile Research Agent
发布 HKUDS OpenPhone 深度学习笔记，继续 Agent Product / Workspace 系列第五站；把 OpenPhone 定位成 real-world mobile interface：它不只是手机控制脚本，而是 OpenPhone-3B mobile agentic foundation model、AndroidLab-style evaluation playground、OpenPhone CLI、PhoneClaw iOS Ralph Loop、two-layer self-learning memory 和 device-cloud collaboration 的组合；拆解 CLI 的 agent-driven mode、`snapshot --json`、`tap/type/swipe/open/wait` 原子动作、`skills/openphone/SKILL.md` agent-discoverable capability、PhoneClaw 的 planner / executor / evaluator / memory / experience / learn mode、WDA action layer、human demo learning、SFT + GRPO training pipeline 和 evaluation result generation；最后映射到 Pengyi Research OS / Quant OS：agent 不能只在论文、代码、数据和报告里工作，最终要进入手机、IM、邮件、CRM、broker、bank/OA 等真实业务界面。
HKUDS036: Litewrite 作为 AI Research Writing Workspace 与 Vibe Writing Product
发布 HKUDS Litewrite 深度学习笔记，继续 Agent Product / Workspace 系列第四站；把 Litewrite 定位成 research artifact production layer：它不是普通写作助手，而是 Next.js + Yjs + FastAPI AI Server + TeXLive Compile Server + nanobot + Redis / MinIO / Prisma 组成的 AI-powered collaborative LaTeX workspace；拆解 TAP smart completion、Ask / Agent mode、MainAgent + ReadAgent / EditAgent / ResearchAgent、统一 Tool Layer、shadow document review flow、directApply internal gate、Yjs collaboration、Deep Research streaming、LaTeX compile sandbox、nanobot Telegram / Feishu 入口和 Git-style Merkle Tree versioning；最后映射到 Pengyi Research OS / Quant OS：研究系统必须有 output workspace，承接 paper、report、proposal、blog、CV / PS / RP、quant memo、backtest report 和 human PM review。
HKUDS035: FastAgent 作为 DeepResearch + Computer Use 的高速 Agent Execution Engine
发布 HKUDS FastAgent 深度学习笔记，进入 Agent Product / Workspace 系列第三站；把 FastAgent 定位成 agent 时代的高速执行引擎：通过 HostAgent 做规划和任务拆解，GroundingAgent 做 Shell / GUI / MCP / Web / System 跨后端执行，EvalAgent 做选择性质量验证；用 Kanban card 把 planning / execution / evaluation / response 显式状态化，用 WorkflowEngine 通过规则触发 agent，用 GroundingClient 统一 provider、session、tool cache、tool invocation，用 Smart Tool RAG 在工具过多时检索 top relevant tools，用 ToolQualityManager 根据成功率、延迟和描述质量调整工具信用，用 Memory / ContentProcessor 对执行结果分层压缩，用 local Flask server 打通 Computer Use、截图、shell、文件和 GUI 操作；最后映射到 Pengyi Research OS / Quant OS：我们需要 planner / executor / evaluator 分工、Quant Tool RAG、统一回测/数据/MCP 工具层、研究 Kanban、质量闸门和完整 execution audit trail。
HKUDS034: ClawWork 作为 AI Coworker 与 Economic Accountability Layer
发布 HKUDS ClawWork 深度学习笔记，继续 Agent Product / Workspace 系列第二站；拆解 ClawWork 如何把 AI assistant 推进成 economically accountable coworker：用 GDPVal 220 个真实专业任务和 44 个职业类别构造 work contract，通过 TaskManager 分配任务和 BLS wage / hours 定价，通过 LiveAgent daily loop 执行 work / learn 决策，通过 submit_work 提交文本或文件 artifact，通过 WorkEvaluator / LLMEvaluator / meta_prompts 按职业 rubric 打分，通过 EconomicTracker 记录 token/API 成本、余额、实际付款、0.6 质量阈值、survival status，并用 FastAPI + React dashboard 展示 income、cost、quality、task completion、leaderboard；同时分析 ClawMode 如何嵌入 Nanobot / OpenClaw，用 /clawwork command、TaskClassifier、TrackedProvider 和 cost footer 把任意对话任务变成可估价、可评价、可付费的 live work；最后映射到 Pengyi Research OS / Quant Research OS：研究任务也应该有 budget、artifact、rubric、quality score、ROI、PM approval 和下一轮资源分配。
HKUDS033: ClawTeam 作为 Agent Swarm Intelligence 与 AI Organization Layer
发布 HKUDS ClawTeam 深度学习笔记，正式进入 Agent Product / Workspace 系列；拆解 ClawTeam 如何把 agent 组织成可执行的 team：通过 team/task/inbox/plan/lifecycle schema、~/.clawteam 文件状态层、FileTaskStore 并发锁、Mailbox transport、tmux / subprocess spawn backend、git worktree 隔离、board / Web UI、MCP tools、agent skill 和 TOML team templates，让 leader agent 能创建团队、拆任务、spawn workers、发消息、监控进度、checkpoint / merge 工作区；同时映射到 Pengyi Research OS / Quant Research OS 的 PM Agent、Research Agent、Backtest Agent、Risk Agent、Report Agent 组织层。
HKUDS032: StudyMap4 - Agent Product / Workspace 系列路线图
发布 HKUDS 第四张学习地图，重新规划 HKUDS032 之后先进入 Agent Product / Workspace 系列；在已完成 nanobot、CLI-Anything、AgentSpace、AutoAgent、OpenHarness、AnyTool、OpenSpace 等 agent infrastructure，以及 FutureShow、GraphAgent / OpenGraph / GraphGPT / HiGPT、RecLM / XRec / AutoCF / KGRec 等 decision intelligence 主线后，明确下一阶段按 ClawTeam、ClawWork、FastAgent、Litewrite、OpenPhone、UpSkill、MoChat、VideoAgent、Auto-Deep-Research / DeepResearch-Eval 和 Agent Product Phase Review 推进，把 HKUDS agent 项目转化为 Pengyi Research OS 的产品架构参考。
HKUDS031: KGRec 作为 Knowledge Graph Self-Supervised Rationalization 与 KG-Grounded Recommendation Layer
发布 HKUDS KGRec 深度学习笔记，完成 Recommendation / Finance-adjacent 主线的 KG-grounded recommendation 补强；拆解 KGRec 如何把 user-item interaction graph、entity-relation knowledge graph、AttnHGCN relation-aware attention、KG edge rationale score、masked KG edge reconstruction、adaptive UI / KG contrastive views 和 BPR ranking 连接起来，让 recommendation 不只依赖 collaborative interaction，也能识别哪些 knowledge edges rationalize the recommendation；同时映射到 Quant Research OS 的 factor / strategy / paper / repo knowledge graph、rationale edge selection、PM review evidence layer 和 grounded explanation pipeline。
HKUDS030: AutoCF 作为 Automated Self-Supervised Collaborative Filtering 与 Recommendation Backbone Layer
发布 HKUDS AutoCF 深度学习笔记，继续 Recommendation / Finance-adjacent 主线；拆解 AutoCF 如何在 sparse Yelp / Gowalla / Amazon user-item graph 上，用 LocalGraph 自动选择 masking seeds，用 RandomMaskSubgraphs 构造 encoder / decoder adjacency，再通过 GCN encoder、graph transformer decoder、recommendation objective、contrastive regularization 和 local-global seed reward 学习鲁棒的 collaborative filtering representation；同时把它定位成 RecLM / XRec 下面的 recommendation backbone layer，并映射到 Quant Research OS 的 factor / strategy / paper / repo interaction graph 表示学习底座。
HKUDS029: XRec 作为 Explainable Recommendation 与 Collaborative-Signal-to-Language Layer
发布 HKUDS XRec 深度学习笔记，继续 Recommendation / Finance-adjacent 主线；拆解 XRec 如何用 LightGCN 从 user-item interaction graph 学到 user/item embedding，再通过 MoE adapter 把 64 维协同过滤信号投影到 LLaMA 4096 维 hidden space，并借助 <USER_EMBED> / <ITEM_EMBED> / <EXPLAIN_POS> special token、embedding replacement 和 modified LLaMA attention Q/K/V injection，生成被 collaborative signal 约束的 recommendation explanation；同时总结它对 Quant Research OS 的 factor / strategy / repo / paper recommendation explanation layer 的启发。
HKUDS028: RecLM 作为 Recommendation Instruction Tuning 与 Profile-Augmented Ranking Layer
发布 HKUDS RecLM 深度学习笔记，正式进入 Recommendation / Finance-adjacent 主线；拆解 RecLM 如何把 Llama-2 LoRA SFT、collaborative instruction tuning、user/item profile generation、chosen/rejected reward modeling、PPO profile enhancement 和 BiasMF / LightGCN / NCF / SGL / SimGCL 等 base recommender 连接起来，把 LLM 生成的 semantic profile 作为 plug-and-play feature 增强推荐排序；同时总结它对 Quant Research OS 的 factor profile、strategy profile、PM preference modeling、research idea recommendation 和 profile-augmented ranking layer 的启发。
HKUDS027: HiGPT 作为 Heterogeneous Graph Language Model 与 Structured Multimodal Layer
发布 HKUDS HiGPT 深度学习笔记，拆解它如何把 GraphGPT 的 graph-language instruction tuning 推进到 heterogeneous graph 场景：通过 HG_grounding 做 CLIP-style text-graph contrastive alignment，用 MetaHGT / MetaHeteroLinear / ParameterGenerator 把 node type 与 edge type 语义转成动态图编码参数，再通过 offline heterogeneous graph tokenizing、HeteroLlama、<g_patch> token replacement、heterogeneous graph instruction tuning 和 Mixture-of-Thought augmentation，让 LLM 理解不同 schema 的结构化关系；同时明确它属于 Graph-Language / Structured Multimodal，而不是传统图像多模态，并总结它对 Quant Research OS 的 company-event-asset graph、factor-risk-regime graph 和 R&D Agent graph instruction dataset 的启发。
HKUDS026: GraphGPT 作为 Graph Instruction Tuning 与 Graph-Language Alignment Layer
发布 HKUDS GraphGPT 深度学习笔记，拆解它如何把 LLaVA-style multimodal alignment 迁移到 graph-language 场景：通过 text-graph grounding 训练 GraphCLIP / graph transformer，将 PyG 子图编码成 graph tokens，再由 GraphLlama、graph projector、<g_start> / <g_patch> / <g_end> token 注入 Vicuna / Llama embedding space，并通过 stage-1 graph matching 与 stage-2 NC / LP / CoT instruction tuning 让 LLM 学会图任务；同时总结它和 GraphAgent / OpenGraph 的分工，以及它如何启发 Pengyi Research OS / Quant Research OS 的 graph instruction dataset、factor graph reasoning 和 R&D Agent 诊断规划层。
HKUDS025: OpenGraph 作为 Open Graph Foundation Model 与 Zero-Shot Graph Generalization Layer
发布 HKUDS OpenGraph 深度学习笔记，拆解它如何用 LLM-enhanced graph data generation、InitialProjector 统一 graph tokenizer、SVD/topology-aware projection、TopoEncoder adjacency smoothing、anchor-sampled GraphTransformer、link prediction pretraining 和 node classification evaluation 构建跨图 zero-shot generalization 能力；同时总结它和 GraphAgent 的分工，以及它如何启发 Pengyi Research OS / Quant Research OS 的 graph foundation layer、factor graph、asset-event graph 和 research opportunity link prediction。
HKUDS024: GraphAgent 作为 Agentic Graph Language Assistant 与 Graph Reasoning Layer
发布 HKUDS GraphAgent 深度学习笔记，拆解它如何把 user instruction 先规划成 predictive / generative task，再通过 scaffold node extraction、scaffold text parsing、keyword extraction 构造 PyG HeteroData，并用 SentenceTransformer、MetaHGT graph tokenizer、graph special tokens、HeteroGraphLLMForCausalLM 和 graph projector 把异构图 embedding 注入 Llama-style language model；同时总结 stage-1/stage-2 训练链路、dataset/benchmark、它和 LightRAG / VideoRAG / QuantMind 的区别，以及它如何成为 Pengyi Research OS / Quant Research OS 的 graph memory 与 graph-aware execution layer。
HKUDS023: OpenSpace 作为 Self-Evolving Agent Workspace 与 Skill Economy Layer
发布 HKUDS OpenSpace 深度学习笔记，拆解它如何把 agent execution 变成可记录、可评估、可进化、可共享的 skill lifecycle system；重点分析 OpenSpace.execute 主链路、GroundingAgent 多轮工具执行、SkillRegistry 的 skill 发现与注入、SkillStore 的 SQLite lineage/quality ledger、ExecutionAnalyzer 的任务后复盘、SkillEvolver 的 FIX / DERIVED / CAPTURED 三种进化、MCP 四工具接口、cloud skill community、dashboard、GDPVal cold/warm benchmark，以及它如何成为 Pengyi Research OS / Quant Research OS 的 self-evolving workflow layer。
HKUDS022: FastCode 作为 Code Intelligence Acceleration 与 Repo-Level Research Engineering Layer
发布 HKUDS FastCode 深度学习笔记，拆解它如何把代码仓库转换成 file / class / function / documentation 四层 CodeElement，并结合 semantic embedding、BM25、call/dependency/inheritance graph、repo overview selection、iterative agent、MCP server、REST API、Web UI 与 Nanobot/Feishu 接入，成为 repo-level code intelligence acceleration layer；同时总结它对 Pengyi Research OS / Quant Research OS 的意义：更快读 repo、更快定位 PR 机会、更快把研究想法转成工程产出。
HKUDS021: VideoRAG 作为 Extreme Long-Context Video Memory 与 Multimodal Knowledge Ingestion Layer
发布 HKUDS VideoRAG 深度学习笔记，拆解它如何把极长视频转成 segment-level、timestamped、multimodal、graph-indexed 的可检索知识对象；重点分析 VideoRAG-algorithm、Vimo Desktop、30 秒视频切片、ASR、MiniCPM-V caption、ImageBind visual embedding、text chunk、entity graph、text / graph / visual 三通道检索、LongerVideos benchmark、Flask backend、Electron/React frontend，以及它如何成为 Pengyi Research OS 的视频知识入口层。
HKUDS020: FutureShow 作为 Forecasting Agent Benchmark 与 Quant Judgment Layer
发布 HKUDS FutureShow 深度学习笔记，拆解它如何把 AI agent 的判断变成 timestamped、baseline-adjusted、outcome-verifiable 的 forecast object；重点分析 Polymarket prediction market、watchlist、forecast agent、trading agent、web/news/social evidence tools、forecasts.jsonl、tracking.jsonl、result.json、accuracy、human baseline、prediction value、dashboard，以及它如何成为 Pengyi Quant Research OS 的 judgment ledger 与 forecast benchmark layer。
HKUDS00000: StudyMap3 - HKUDS020 之后的八条后续路线
发布 HKUDS 第三张学习地图，明确 HKUDS020 之后按 FutureShow、VideoRAG、FastCode、OpenSpace、GraphAgent / OpenGraph / GraphGPT / HiGPT、RecLM / XRec / AutoCF / KGRec、UrbanGPT / OpenCity / EasyST / AutoST、ClawTeam / ClawWork / FastAgent / Litewrite 的路线推进；把后续拆成 Forecasting、Video / Multimodal RAG、Code Intelligence、Agent Workspace、Graph / Knowledge Graph、Recommendation / Finance-adjacent、Spatiotemporal Intelligence、Agent Product / Workspace 八条系列，服务 Pengyi Research OS 与 Quant Research OS 的下一阶段能力扩展。
HKUDS019: Paper2Slides 作为 Research-to-Presentation Artifact Generation Layer
发布 HKUDS Paper2Slides 深度学习笔记，拆解它如何把论文、报告和项目文档转成 slides/poster artifact；重点分析 rag、summary、plan、generate 四阶段 pipeline，RAG-Anything / LightRAG / MinerU 文档解析与检索，PaperContent / OriginalElements / ContentPlan 中间结构，checkpoint resume、fast mode、parallel slide generation、FastAPI session backend、React/Vite frontend，以及它如何成为 Pengyi Research OS / Quant Research OS 的科研表达层和 PM pitch artifact layer。
HKUDS018: MiniRAG 作为 Lightweight Graph RAG 与 On-Device Knowledge Layer
发布 HKUDS MiniRAG 深度学习笔记，拆解它如何面向 SLM 与端侧 RAG，用 semantic-aware heterogeneous graph indexing、lightweight topology-enhanced retrieval、entity_name_vdb、answer_type_keywords、2-hop graph neighborhood、edge voting、path2chunk、LiHua-World benchmark、FastAPI/Ollama-compatible server，把 LightRAG 思路压缩成更轻量的本地知识层；并分析它如何成为 Pengyi Research OS / Quant Research OS 的 lightweight memory tier。
HKUDS017: AnyTool 作为 Universal Tool-Use Layer 与 Capability Routing Layer
发布 HKUDS AnyTool 深度学习笔记，拆解它如何作为 Universal Tool-Use Layer，把 MCP、shell、GUI、web deep research、system meta tools 统一到 GroundingAgent 下面；重点分析 AnyToolConfig、GroundingAgent multi-step loop、GroundingClient provider/session/tool cache、Smart Tool RAG、LLM pre-filter、keyword/semantic/hybrid ranking、ToolQualityManager、local/server execution mode、recording layer，以及它如何成为 Pengyi Research OS / Quant Research OS 的 capability routing layer。
HKUDS016: UpSkill 作为 Failure-to-Skill Distillation 与 Agent Self-Improvement Layer
发布 HKUDS UpSkill 深度学习笔记，拆解它如何把 agent failure / success session 转成可验证、可存储、可检索、可复用的 SKILL.md；重点分析 Teacher / Student / Daily Model 三角色、Terminal-Bench 2.0 89 tasks、25/64 train-test split、Brew / Curate / Ralph / Serve / Analyze 实验链路、51.6% Student+ACP test pass rate、serving cost 与 brewing overhead 的区别、Claude Code hooks、capture-prompt、before-session / after-session、upskill-build、parse-skill、upskill-store、interactive / auto serve mode、slash commands、Ralph Loop，以及它如何成为 Pengyi Research OS / Quant Research OS 的 skill acquisition 与 agent self-improvement layer。
HKUDS015: OpenHarness 作为 Agent Harness Runtime 与 Personal Agent Infrastructure Layer
发布 HKUDS OpenHarness 深度学习笔记，拆解它如何作为 lightweight agent harness runtime，把 streaming agent loop、tool registry、43+ tools、permissions / governance、PreToolUse / PostToolUse hooks、skills、plugins、MCP、memory、auto-compaction、sandbox、provider workflows、dry-run preview、background tasks、swarm coordination、React terminal UI、ohmo personal agent、Feishu / Slack / Telegram / Discord channel gateway 与 repo autopilot 组织成可运行、可扩展、可治理的 agent infrastructure，并说明它如何成为 Pengyi Research OS 和 Pengyi Quant Research OS 的底层 runtime 参考。
HKUDS014: DeepTutor 作为 Agent-Native Personalized Tutoring 与 AI Scientist Self-Training Layer
发布 HKUDS DeepTutor 深度学习笔记，拆解它如何从 tutoring chatbot 升级为 agent-native personalized learning workspace；重点分析统一 agent loop、Chat / Quiz / Research / Visualize / Solve / Mastery Path、Learning Space、Knowledge Center、LlamaIndex / PageIndex / GraphRAG / LightRAG / LightRAG Server、document parsing engines、L1/L2/L3 Memory、Memory Graph、Partners / My Agents、Codex / Claude Code subagents、skills / MCP / EduHub、Co-Writer / Book / Question Bank，以及它如何成为 Pengyi Research OS 的 AI scientist self-training layer。
HKUDS0000: 中场 Map - 四大主线、已做 Repo 与下一阶段路线
发布 HKUDS 中场 map，把 HKUDS000-013 已完成内容重新整理为 Quant / Finance、Research OS / AI Scientist、Agent Framework / Workspace、RAG / Knowledge 四大主线；总结 LightRAG、Vibe-Trading、nanobot、CLI-Anything、AI-Trader、AgentSpace、RAG-Anything、AutoAgent、DeepCode、AI-Researcher、DeepInnovator、Auto-Deep-Research、DeepResearch-Eval 的系统位置，并预告 DeepTutor、OpenHarness、UpSkill、AnyTool、MiniRAG、Paper2Slides、FutureShow、VideoRAG、FastCode、OpenSpace 等后续可做 repo。
HKUDS013: DeepResearch-Eval 作为 Report-Centric Evaluation 与 Factuality Checking Layer
发布 HKUDS DeepResearch-Eval 深度学习笔记，拆解它如何从最终 research report 反推 DeepResearch 系统质量；重点分析 `judge_score.py` 的 report quality scoring、comprehensiveness / coherence / clarity / insightfulness / overall 五维评分、random paragraph-pair redundancy detection、checkpoint design、`judge_fact.py` 的 Jina / Firecrawl webpage scraping、factuality label -1/0/1、LLM-as-a-Judge prompt、100 topics + 100 Qwen-DeepResearch reports，以及它如何成为 Pengyi Research OS 的 report evaluator 和 factuality checking layer。
HKUDS012: Auto-Deep-Research 作为 Open Deep Research Product 与 AutoAgent Application Layer
发布 HKUDS Auto-Deep-Research 深度学习笔记，拆解它如何把 AutoAgent 框架产品化为一个开源、低成本、可一键启动的 Deep Research assistant；重点分析 `auto deep-research` CLI、multi-LLM provider support、function-calling / non-function-calling compatibility、Docker/browser/file environments、System Triage / WebSurfer / FileSurfer / Programming agents、web/file/tool/memory layers、GAIA benchmark positioning、cookie/file privacy boundary，以及它如何成为 Pengyi Research OS 的 practical deep research product layer。
HKUDS011: DeepInnovator 作为 Scientific Idea Foundation Model 与 Research Innovation Training Layer
发布 HKUDS DeepInnovator 深度学习笔记，拆解它如何把科研 idea generation 从 agent workflow 推进到 model training recipe；重点分析 arXiv paper crawling、layer0 paper memory、layer1 paper grouping、layer2 connections / serendipity / research trending、idea_spark schema、preprocess RL dataset、DeepInnovatorInteraction、DeepInnovatorAgentLoop、conversation-level reward、delta_reward、token_amount、VERL/GRPO training，以及它如何成为 Pengyi Research OS 的 scientific idea model layer。
HKUDS010: AI-Researcher 作为 Autonomous Scientific Discovery 与 Research Agent Benchmark Layer
发布 HKUDS AI-Researcher 深度学习笔记，拆解它如何把参考论文和研究任务转成 idea generation、survey、reference codebase selection、implementation plan、ML implementation、judge review、experiment analysis、paper writing 与 benchmark evaluation；重点分析 Level 1 / Level 2 tasks、InnoFlow、MetaChain runtime、Prepare / Idea / Survey / Plan / ML / Judge / Experiment Analysis agents、benchmark/final 五类任务、Windows snapshot 限制，以及它如何成为 Pengyi Research OS 的 autonomous scientific discovery layer。
HKUDS009: DeepCode 作为 Paper2Code 与 Agentic Coding Implementation Layer
发布 HKUDS DeepCode 深度学习笔记，拆解它如何把论文、URL、文档和自然语言需求转成可运行代码项目；重点分析 Paper2Code、Text2Web、Text2Backend、多 agent coding pipeline、MCP servers、CodeRAG、planning / implementation phase、FastAPI + WebSocket task service、persistent sessions、per-task logs、nanobot integration，以及它如何成为 Pengyi Research OS 的 research-to-code implementation layer。
HKUDS008: AutoAgent 作为 Self-Developing Agent Factory 与 Zero-Code Workflow Creation Layer
发布 HKUDS AutoAgent 深度学习笔记，拆解它如何把自然语言需求转成 agent form、tool creation、agent creation、workflow creation 和 run/test loop；重点分析 MetaChain runtime、registry、System Triage Agent、Agent Editor、Workflow Editor、Docker/Browser/File/Code environments、GAIA/MultiHopRAG/Math500 evaluation，以及它如何成为 Pengyi Research OS 的 agent production layer。
HKUDS007: RAG-Anything 作为 Multimodal Document Ingestion 与 All-in-One RAG Layer
发布 HKUDS RAG-Anything 深度学习笔记，拆解它如何在 LightRAG 之上处理 PDF、Office、图片、表格、公式和复杂文档，通过 MinerU/Docling/PaddleOCR、content_list、modal processors、context-aware processing、VLM-enhanced query、batch processing、parse cache 和 failure-mode checklist，成为 Pengyi Research OS 的多模态文档入口层。
HKUDS006: AgentSpace 作为 Organizational Agent Workspace 与 Digital Employee Operating Layer
发布 HKUDS AgentSpace 深度学习笔记，拆解它如何把人类和 agent 放进同一个组织级 workspace，把 agent 从个人工具升级成有 role、owner、runtime、skill、knowledge、permission、approval、audit、cost 和 task queue 的 digital employee，并说明它如何与 LightRAG、Vibe-Trading、nanobot、CLI-Anything、AI-Trader 共同组成 Pengyi Research OS 的组织层。
HKUDS005: AI-Trader 作为 Agent-Native Live Trading Platform Layer
发布 HKUDS AI-Trader 深度学习笔记，拆解它如何把 agent 注册、skill onboarding、strategy、discussion、realtime operations、copy trading、heartbeat、leaderboard、challenge、experiment、team mission、market-intel、research export 和 FastAPI/React 服务组合成 agent-native live trading platform，并说明它为什么适合作为 Pengyi Live Trading OS 的平台层参考。
HKUDS004: CLI-Anything 作为 Agent-Native Software Action Layer
发布 HKUDS CLI-Anything 深度学习笔记，拆解它如何把真实软件包装成 agent 可发现、可安装、可调用、可测试的 CLI 生态：CLI-Hub、registry、matrix、HARNESS 七阶段流程、SKILL.md、preview bundle、real backend、REPL、JSON output，以及它如何成为 Pengyi Research OS 的 software action layer。
HKUDS003: nanobot 作为 Personal Agent Shell 与 Always-On Research Workspace
发布 HKUDS nanobot 深度学习笔记，拆解它如何以小核心 agent loop 连接 CLI、WebUI、chat channels、MessageBus、AgentLoop、AgentRunner、providers、tools、memory、Dream、cron、MCP 和 security boundaries，并说明它为什么适合作为 Pengyi Research OS 的 personal always-on agent shell。
HKUDS002: Vibe-Trading 作为 Agentic Quant Research Workflow
发布 HKUDS Vibe-Trading 深度学习笔记，拆解它如何把自然语言金融问题转化为数据加载、策略生成、回测、Alpha Zoo、Research Autopilot、多智能体研究团队、MCP 工具、run artifacts 和 evidence ledger，并说明它为什么是 Pengyi Quant Research OS 的 action / workflow / backtest layer。
HKUDS001: LightRAG 作为知识图谱 RAG 与 Research Memory 基建
发布 HKUDS LightRAG 深度学习笔记，拆解 graph-based RAG 的文档解析、chunking、entity/relation extraction、KG/vector/KV storage、local/global/hybrid/naive/mix 查询模式、API server/WebUI、role-specific LLM 配置，以及它如何成为 Pengyi Research OS 的 source-grounded research memory layer。
HKUDS000: PENGYI_HKUDS_STUDYMAP
发布 HKUDS 第一阶段学习地图，确认本地 HKUDS 工作区已包含 87 个公开 repo，并把第一期聚焦到 LightRAG、Vibe-Trading、nanobot：分别对应 knowledge memory、quant research workflow、personal agent shell，作为 Pengyi Research OS 与 Quant R&D Agent 的 AI infrastructure 侧。
LLMQUANT007: ecosystem coverage matrix 第一阶段总复盘
发布 LLMQuant 第一阶段总复盘，按 GitHub 当前 10 个 public repo 建立 coverage matrix：8 个核心技术/研究项目已覆盖，2 个支持仓已归类，并把 data-mcp、skills、quant-mind、Magents、awesome-trading-agents、docs、llmquant-book、quant-wiki 映射到 Pengyi Quant Research OS 的系统层。
LLMQUANT006: finance knowledge layer 作为金融知识底座
发布 LLMQuant finance knowledge layer 学习笔记，拆解 Finance Context/docs、llmquant-book、quant-wiki.git 三类知识资产：workflow encyclopedia、curriculum、searchable knowledge base，并说明它们如何进入 Pengyi Quant Research OS 的知识层、RAG 语料、PM review checklist 和 R&D Agent grounding。
LLMQUANT005: awesome-trading-agents 作为交易 Agent 生态雷达
发布 LLMQuant awesome-trading-agents 学习笔记，拆解 Agents、MCPs、Skills 三大支柱、19 个子类、114 个生态条目、贡献质量标准、双语 README 规则，以及它如何帮助 Pengyi Quant Research OS 做项目选型、学习路线和 PR opportunity map。
LLMQUANT004: Magents 作为多策略回测与仿真层
发布 LLMQuant Magents 深入学习笔记，拆解 event-driven backtesting engine、strategy pods、signal/execution agents、order lifecycle、portfolio accounting、risk manager、strategy factory，以及它如何成为 Pengyi Quant Research OS 的 strategy execution and simulation layer。
LLMQUANT003: QuantMind 作为金融知识结构化层
发布 LLMQuant QuantMind 深入学习笔记，拆解 knowledge schema、BaseKnowledge provenance、Flatten/Tree/Graph knowledge shapes、paper flow、batch runner、magic input resolver，以及它如何成为 Pengyi Quant Research OS 的 financial knowledge structuring layer。
LLMQUANT002: skills 作为金融 workflow 路由层
发布 LLMQuant Skills 深入学习笔记，拆解 18 个 category skills、79 个 workflows、router SKILL.md、workflow data contract、freshness、fallback、guardrails，以及它如何成为 Pengyi Quant Research OS 的 finance workflow routing layer。
LLMQUANT001: data-mcp 作为数据工具层
发布 LLMQuant data-mcp 深入学习笔记，拆解 TypeScript MCP 架构、FastMCP server flow、Zod schema、API client 边界、tool catalog、progressive disclosure、remote MCP auth，以及它如何成为 Pengyi Quant Research OS 的 evidence access layer。
LLMQUANT000: PENGYI_LLMQUANT_STUDYMAP
Started the PENGYI_LLMQUANT_STUDYMAP series with a project-level overview of LLMQuant as an AI-native finance research ecosystem, mapping data-mcp, skills, QuantMind, Magents, awesome-trading-agents, and Pengyi's local Research OS extensions.
把田渊栋访谈当下饭视频看
Published a personal diary note about watching Silicon 101's Yuandong Tian interviews as high-quality research-life input, and turning that inspiration into the pengyistudymap_yuandong learning series.
yuandong000: study map for Yuandong Tian's projects
Started the pengyistudymap_yuandong series as a public learning map for Yuandong Tian's projects, from paper recommendation and personal research tools to ELF, DarkForest, RL systems, theory, and optimization.
HKUDS quant and trading projects learning log
Published a learning log mapping HKUDS Vibe-Trading, AI-Trader, FutureShow, LightRAG, RAG-Anything, and nanobot into an auditable AI trader research OS path.
HKUDS and LLMQuant project similarities
Published a project-to-project similarity map connecting HKUDS agent/RAG/research-automation infrastructure with LLMQuant finance-domain data, skills, QuantMind, Magents, and strategy workflows.
HKUDS vs LLMQuant project map comparison
Published a comparison of HKUDS as AI research infrastructure and LLMQuant as a finance-domain workflow system, with a path toward PM2.0, Paper Auto OS, FI-C-C OS, and X2Strategy integration.
HKUDS, LLMQuant, and X2Strategy integration roadmap
Published a public-safe roadmap for integrating AI research infrastructure, quant finance domain systems, and paper-to-strategy execution loops.
QuantMind and X2Strategy comparison
Published a learning note comparing QuantMind as a structured financial knowledge layer and X2Strategy as a strategy compiler/backtest pipeline.
RA and PhD research path
Published a public-safe note on RA and PhD opportunities as research bridges for stronger technical output, research training, and long-term AI scientist development.
First technical blog batch
Published early public research notes covering the public profile OS, Quant R&D Agent, and LLMQuant learning map.
Personal GitHub Pages portfolio v0.2
Converted the website from three draft versions into a formal public-facing portfolio and learning index.
Quant R&D Agent direction
Defined the research loop: hypothesis generation, implementation, backtest, bias diagnosis, and next-round research planning with human PM review.
Research OS v0
Started a reproducible project system for experiments, factor specs, reports, and artifacts.
RA and PhD application package system
Built a versioned CV/application workspace for RA, PhD, AI research, and quant roles.
Core learning tracks.
AI Agents
Planning, tool use, memory, multi-agent workflows, RAG, evaluation, and agent reliability.
Quant Research
Factor research, financial time series, backtesting, market microstructure, risk, and portfolio construction.
Research Engineering
Reproducible repos, CLI tools, data pipelines, tests, reports, benchmarks, and experiment governance.
What can be published.
The site should compound credibility without leaking private or confidential information.
Publish
- Open-source code and sanitized demos
- Research notes and paper summaries
- Technical reports and benchmark results
- Public CV and application narratives
Do Not Publish
- Employer confidential data or internal documents
- Private factor libraries without sanitization
- Client names, internal processes, or non-public metrics
- Anything that violates contract, IP, or compliance rules