HKUDS000: PENGYI_HKUDS_STUDYMAP

这是 PENGYI_HKUDS_STUDYMAP 的第一篇。

HKUDS000 -> Study Map

这一篇不是单个项目详解，而是先给 HKUDS 项目宇宙建立第一张地图。

本地 HKUDS 工作区已经找到了：

E:\2026\B面\香港大学\PENGYI笔记\PENGYI superCODEX PROJECT笔记！\hkuds

这个工作区里已经集中保存了 HKUDS / 黄超老师 Lab 的公开 GitHub 项目本地副本。

当前本地索引显示：

Item	Count / Status
HKUDS public repos indexed	87
standard shallow git clones	84
Windows repaired clone	1
Windows sparse clone	1
Windows source snapshot	1

所以 HKUDS 不是一个小项目，而是一个完整的 AI research ecosystem。

Why HKUDS

前面我们已经完成了 LLMQuant 第一阶段：

LLMQuant = AI-native finance research stack

HKUDS 的性质不一样。

我现在会这样区分：

LLMQuant = finance-domain research and workflow system
HKUDS    = AI research infrastructure and agent ecosystem

LLMQuant 更贴近金融任务：

market data
finance workflows
quant knowledge
trading agents
backtest / strategy research

HKUDS 更像底层 AI 研究能力地图：

agents
RAG
graph learning
recommendation
spatio-temporal intelligence
multimodal / video
AI research automation
LLM efficiency and reasoning

这对我们很重要。

因为我们要做的不是单纯量化项目，而是：

AI Scientist
  + Quant Research OS
  + R&D Agent
  + personal agent workspace
  + source-grounded knowledge system
  + public research output

HKUDS 正好给了 AI research infrastructure 的训练场。

Current focus

HKUDS 项目很多，不能一上来全拆。

第一阶段先聚焦三个：

LightRAG
Vibe-Trading
nanobot

原因很直接：

Repo	First role for us
LightRAG	knowledge / RAG / project memory infrastructure
Vibe-Trading	trading agent and quant research workspace
nanobot	lightweight personal agent shell

这三个刚好对应我们自己的三条主线：

Knowledge layer
Trading research layer
Personal agent layer

如果把它们和 LLMQuant 接起来，可以得到一个很清楚的系统方向：

LightRAG        -> Research memory / source-grounded retrieval
Vibe-Trading    -> Trading research / backtest / agentic quant workflow
nanobot         -> Personal always-on agent shell
LLMQuant stack  -> finance data / skills / quant knowledge / ecosystem map

Local snapshot

我本地看到的三个重点 repo 规模如下：

Repo	Files	Markdown	Python	TypeScript	JSON
LightRAG	683	48	406	100	23
Vibe-Trading	1547	374	992	75	7
nanobot	642	62	415	118	16

nanobot 当前有本地未提交改动：

M nanobot/agent/tools/long_task.py
M nanobot/providers/openai_compat_provider.py

所以后续读 nanobot 时要注意：只读不覆盖，不随便 pull，不改动这些未提交文件。

HKUDS macro map

本地 REPO_MEANINGS.md 把 HKUDS 大致分成六条主线。

我会先采用这个分法：

Line	Meaning	Representative repos
Agent and automation systems	personal agents, coding agents, coworker agents, research automation	nanobot, AutoAgent, OpenHarness, ClawTeam, ClawWork, DeepCode, AI-Researcher
RAG and knowledge systems	retrieval, KG, multimodal RAG, video RAG	LightRAG, MiniRAG, RAG-Anything, VideoRAG
Graph / LLM4Graph	graph foundation models and graph language models	OpenGraph, GraphGPT, HiGPT, GraphAgent, AnyGraph
Recommendation systems	SSL, GNN, diffusion, LLM recommendation, explainable recommendation	SSLRec, LightGCL, RecLM, RecGPT, XRec, LLMRec
Spatio-temporal / urban computing	traffic prediction, urban intelligence, ST graph learning	UrbanGPT, OpenCity, GPT-ST, FlashST, EasyST
LLM efficiency / reasoning / multimodal	reasoning transfer, compression, video agent, AI phone	LightReasoner, SepLLM, VideoAgent, OpenPhone, ViMax

这个宏观地图告诉我们：HKUDS 不是只有 agent。

它的底盘其实是：

agent + RAG + graph + recommendation + urban intelligence + multimodal

这对顶会研究非常有价值。

因为它不只是“产品 demo”，它背后有一组持续发表、持续开源、持续工程化的研究方向。

LightRAG

LightRAG 的一句话定位：

LightRAG = simple and fast graph-based RAG infrastructure

README 里讲得很明确：LightRAG 是一个 lightweight knowledge-graph RAG framework，也是 Microsoft GraphRAG 的高效替代方向。

它的核心不是普通向量检索，而是：

documents
  -> chunks
  -> entities
  -> relationships
  -> knowledge graph
  -> vector embeddings
  -> local / global / hybrid retrieval
  -> grounded generation

本地顶层目录显示它已经是一个完整工程：

lightrag/
lightrag_webui/
docs/
examples/
k8s-deploy/
prompts/
tests/

重点特性包括：

API server
WebUI
KG / vector / storage backend
role-specific LLM configuration
multimodal document processing
reranker
citations
document deletion and KG regeneration
PostgreSQL / Neo4j / MongoDB / OpenSearch and other storage options
Docker / k8s deployment

对我们来说，LightRAG 应该先放在：

Pengyi Research OS / Knowledge Memory Layer

它可以支撑：

paper memory
project memory
CV / PS / RP material retrieval
quant research notes retrieval
source-grounded answer generation
website learning archive search

后续 HKUDS001 可以专门拆：

LightRAG indexing pipeline
LightRAG query pipeline
storage abstraction
API server
how to connect it to Pengyi Research OS

Vibe-Trading

Vibe-Trading 的一句话定位：

Vibe-Trading = personal trading agent workspace

README 的定位是：

Your Personal Trading Agent
One Command to Empower Your Agent with Comprehensive Trading Capabilities

它对我们非常直接。

因为它不是抽象 agent framework，而是把交易研究工作流做成了可运行系统：

natural-language market research
market-data loaders
strategy generation
backtesting
reports
exports
persistent research memory
multi-agent research teams
broker / data connectors
MCP tools
Web UI

本地顶层目录：

agent/
frontend/
wiki/
tools/
scripts/

README 里最值得我们关注的能力包括：

self-improving trading agent
multi-agent trading teams
cross-market data and backtesting
shadow account
research autopilot
alpha zoo
run cards
MCP / API
persistent memory
provider routing
security hardening

这个项目和我们的 Quant R&D Agent 极度相关。

它已经接近我们一直说的闭环：

research question
  -> hypothesis
  -> signal engine
  -> backtest
  -> attribution
  -> report
  -> next research

后续 HKUDS002 应该重点拆：

agent runtime
tool registry
market data loader
backtest engine
Research Autopilot
Alpha Zoo
Shadow Account
MCP/API boundary

它也可以和 LLMQuant 的 data-mcp、skills、Magents 做强对比。

nanobot

nanobot 的一句话定位：

nanobot = ultra-light personal AI agent shell

README 里说得很直白：

open-source, ultra-lightweight personal AI agent you can truly own

它不是专门做交易，也不是专门做 RAG。

它更像一个个人 agent operating layer：

CLI
WebUI
chat channels
tools
memory
MCP
model routing
automation
deployment
project workspaces
long-running goals

本地顶层目录：

nanobot/
webui/
docs/
bridge/
case/
scripts/
tests/

对我们来说，nanobot 最重要的是“轻”。

我们不是一上来就需要一个巨大的 agent platform。

我们需要的是：

能长期陪跑
能接工具
能记忆
能接 Telegram / WebUI / CLI
能处理长任务
能被自己读懂和改造

这正好对应我们的个人生产力系统：

Pengyi Personal AI Operating Loop

后续 HKUDS003 应该重点拆：

AgentRunner
tool call loop
memory system
MCP server/client
provider routing
channel integrations
goal mode
project workspace

First integration idea

如果只看三个项目本身，它们已经很强。

但真正有价值的是把它们合起来：

nanobot = personal agent shell
LightRAG = project memory and source-grounded retrieval
Vibe-Trading = quant research and trading workspace
LLMQuant = finance data, skills, knowledge, and ecosystem

组合后可以形成：

Pengyi AI Scientist Workbench
  -> nanobot runs the personal agent loop
  -> LightRAG stores papers, notes, project docs, CV/PS/RP materials
  -> Vibe-Trading provides trading research and backtest workflows
  -> LLMQuant supplies finance-specific data, skills, and knowledge structures

这就是 HKUDS 系列对我们最直接的价值。

不是“多看几个 repo”。

而是把它们变成自己的系统组件。

Reading order

第一阶段建议这样走：

Post	Project	Focus
HKUDS000	study map	overall map and first three priorities
HKUDS001	LightRAG	RAG / KG / storage / API server / WebUI
HKUDS002	Vibe-Trading	trading agent / Research Autopilot / backtest / MCP
HKUDS003	nanobot	personal agent loop / tools / memory / channels
HKUDS004	comparison	LightRAG + Vibe-Trading + nanobot + LLMQuant integration

这条路线足够聚焦。

HKUDS 有 87 个公开 repo，我们现在不需要把 87 个全拆。

先把这三个拆透，就已经能支撑我们做自己的：

AI Scientist Workbench
Quant R&D Agent
Personal Research OS

My takeaway

HKUDS 第一眼看上去很大。

但如果从我们的目标出发，它可以先压缩成三块：

LightRAG     -> knowledge memory
Vibe-Trading -> quant research workflow
nanobot      -> personal agent shell

这三块加上 LLMQuant 的 finance stack，正好组成我们下一阶段要做的系统骨架。

所以 HKUDS000 的结论是：

HKUDS is the AI infrastructure side of our Research OS.
LLMQuant is the finance-domain side.
Our next task is to connect them through our own Pengyi Quant R&D Agent.