HKUDS0000: 中场 Map - 四大主线、已做 Repo 与下一阶段路线

这是 PENGYI_HKUDS_STUDYMAP 的中场 map。

HKUDS0000 -> Midgame Map

它不替代 HKUDS000，也不是某个单独 repo 的深挖。

HKUDS000 是第一张地图：我们刚开始看 HKUDS 时，先确认本地有哪些 repo、第一批优先看什么。

HKUDS0000 是中场地图：我们已经连续完成 HKUDS000 到 HKUDS013，现在需要把这些学习沉淀成几条明确主线。

到这里，我们已经不是在“随机看项目”。

我们已经形成了四条主线：

1. Quant / Finance
2. Research OS / AI Scientist
3. Agent Framework / Workspace
4. RAG / Knowledge

这四条线共同服务一个更大的目标：

Pengyi Research OS
+ Pengyi Quant Research OS
+ Pengyi AI Scientist Stack

当前已完成总览

目前已经完成的 HKUDS numbered posts：

ID	Repo / Topic	我们给它的定位
HKUDS000	Study Map	HKUDS 第一阶段总地图
HKUDS001	LightRAG	graph-based research memory
HKUDS002	Vibe-Trading	agentic quant research workflow
HKUDS003	nanobot	personal always-on agent shell
HKUDS004	CLI-Anything	agent-native software action layer
HKUDS005	AI-Trader	agent-native live trading platform layer
HKUDS006	AgentSpace	organizational agent workspace
HKUDS007	RAG-Anything	multimodal document ingestion
HKUDS008	AutoAgent	agent framework / agent factory
HKUDS009	DeepCode	paper-to-code / research-to-code implementation
HKUDS010	AI-Researcher	autonomous scientific discovery workflow
HKUDS011	DeepInnovator	scientific idea model training
HKUDS012	Auto-Deep-Research	practical deep research assistant
HKUDS013	DeepResearch-Eval	report evaluation + factuality checking

这已经形成一个非常完整的系统闭环：

knowledge ingestion
-> research memory
-> personal agent shell
-> tool / software action
-> quant workflow
-> live trading platform
-> organizational workspace
-> agent factory
-> research-to-code
-> autonomous scientific discovery
-> idea model training
-> deep research assistant
-> report evaluator

这一段是 HKUDS 学习的第一阶段成果。

四大主线

现在按我们的目标，把 HKUDS repo 重新分类。

主线一：Quant / Finance

目标：

建立 Pengyi Quant Research OS

这条线关注：

market data
research autopilot
factor hypothesis
backtest
broker / account
live trading
report library
risk diagnosis

已做

Repo	状态	价值
Vibe-Trading	已做 HKUDS002	quant research workflow / Research Autopilot / backtest layer
AI-Trader	已做 HKUDS005	agent-native live trading platform / strategy competition / copy trading

Vibe-Trading 更像：

Quant research workflow + data/backtest/report layer

AI-Trader 更像：

Live trading platform + agent strategy operation layer

这两个项目给我们的启发是：

Research 和 Trading 要分层。

研究层要回答：

这个想法有没有逻辑？
数据在哪里？
怎么回测？
哪里可能过拟合？
能不能复现？

交易层要回答：

如何接账户？
如何授权？
如何执行？
如何监控？
如何风控？
如何审计？

后续可做

Repo	为什么值得做
FutureShow	real-world forecasting，适合研究 prediction / forecast agent
RecLM	recommendation instruction tuning，可借鉴金融推荐 / 策略推荐
LLMRec	LLM + graph augmentation for recommendation
RLMRec	representation learning with LLM for recommendation
EasyRec	simple yet effective language model for recommendation
XRec	explainable recommendation，适合可解释策略推荐

Quant / Finance 线下一步不一定马上看传统推荐系统，但这批 repo 可以作为：

factor recommendation
asset recommendation
strategy recommendation
research idea recommendation

的参考。

主线二：Research OS / AI Scientist

目标：

建立 Pengyi AI Scientist Stack

这条线关注：

paper reading
deep research
idea generation
research planning
implementation
experiment analysis
paper/report writing
evaluation
personal tutoring
scientific output

已做

Repo	状态	价值
DeepCode	已做 HKUDS009	paper-to-code / research-to-code
AI-Researcher	已做 HKUDS010	autonomous scientific discovery workflow
DeepInnovator	已做 HKUDS011	train model to generate better scientific ideas
Auto-Deep-Research	已做 HKUDS012	practical deep research assistant
DeepResearch-Eval	已做 HKUDS013	report quality evaluation + factuality checking

这条线现在已经非常强：

Auto-Deep-Research -> 生成深度研究报告
DeepResearch-Eval  -> 评估报告质量和事实性
DeepCode           -> 把研究需求转成代码
AI-Researcher      -> 跑完整科研 workflow
DeepInnovator      -> 训练更会产生 idea 的模型

它已经接近一个 AI scientist loop：

read
-> think
-> propose
-> implement
-> evaluate
-> write
-> improve

后续可做

Repo	为什么值得做
DeepTutor	个性化学习 agent，适合构建 AI scientist self-training loop
Paper2Slides	paper -> presentation，把科研结果转成表达输出
Litewrite	writing agent，适合 research statement / paper / blog 写作
VideoRAG	视频资料 RAG，适合课程、访谈、讲座学习
VideoAgent	video understanding/editing/remaking，适合视频型知识处理

这条线下一篇最适合：

HKUDS014 -> DeepTutor

原因是它承接我们当前最核心的个人目标：

把自己训练成 AI scientist。

DeepTutor 可以帮助我们思考：

如何把论文、项目、课程、代码练习组织成个性化学习系统？
如何让 agent 变成 tutor，而不是只做工具？
如何把学习过程变成可评估、可反馈、可迭代的 loop？

主线三：Agent Framework / Workspace

目标：

建立 Pengyi Agent Runtime + Workspace + Skill System

这条线关注：

agent loop
tool calling
MCP
workspace
multi-agent collaboration
approval
audit
skills
failure-to-skill
self-evolving agents

已做

Repo	状态	价值
nanobot	已做 HKUDS003	personal agent shell / always-on workspace
CLI-Anything	已做 HKUDS004	software action layer / agent-native CLI ecosystem
AgentSpace	已做 HKUDS006	human + agents in one workspace
AutoAgent	已做 HKUDS008	fully automated agent factory / zero-code workflow creation

这条线给我们的核心启发：

agent 不是只有 prompt。
agent 是 runtime + tools + memory + workspace + permission + audit + skill。

nanobot 更偏个人：

personal agent shell

AgentSpace 更偏组织：

human + agents + workspace

CLI-Anything 更偏工具生态：

make software agent-native

AutoAgent 更偏生产 agent：

create agents / tools / workflows automatically

后续可做

Repo	为什么值得做
OpenHarness	agent harness / built-in personal agent，补 agent runtime 管理层
OpenSpace	smarter, low-cost, self-evolving agents，接 AgentSpace / AutoAgent
UpSkill	failure -> reusable skill，和 Codex skill / agent 进化高度相关
AnyTool	universal tool-use layer，补工具抽象
ClawTeam	agent swarm intelligence，多 agent 协作
ClawWork	AI coworker / automation product，组织生产力视角
MoChat	social agent，适合沟通型 agent
CatchMe	personal agent personalization，适合个人长期记忆与习惯适配

这条线下一阶段非常关键。

因为如果我们要真正做 Pengyi Research OS，不能只是有 RAG 和几个工具，而是要有：

workspace
roles
agents
tools
skills
logs
approvals
review
deploy
cost control

我建议在 DeepTutor 后面接：

HKUDS015 -> OpenHarness
HKUDS016 -> UpSkill
HKUDS017 -> AnyTool

这样 agent runtime、skill evolution、tool-use layer 会补齐。

主线四：RAG / Knowledge

目标：

建立 Pengyi Knowledge Layer / Evidence Vault

这条线关注：

document ingestion
multimodal parsing
knowledge graph
vector retrieval
source grounding
long-term memory
small-model RAG
video RAG
graph foundation model

已做

Repo	状态	价值
LightRAG	已做 HKUDS001	graph-based RAG / research memory
RAG-Anything	已做 HKUDS007	multimodal document ingestion / all-in-one RAG

这两个是我们的知识基建核心：

RAG-Anything -> 把 PDF / Office / image / table / formula 等复杂资料吃进来
LightRAG     -> 把知识组织成 graph + vector + KV memory，并支持 query

对于我们来说，它们可以支撑：

paper memory
project memory
CV / PS / RP material memory
quant research evidence vault
company / lab / professor knowledge base

后续可做

Repo	为什么值得做
MiniRAG	small-model RAG / low-cost RAG，适合低成本知识系统
VideoRAG	chat with videos，适合课程、访谈、讲座学习
GraphAgent	agentic graph language assistant，接知识图谱问答
GraphGPT	graph instruction tuning for LLMs
OpenGraph	graph foundation models
AnyGraph	graph foundation model in the wild
Awesome-LLM4Graph-Papers	LLM4Graph survey / paper map
Awesome-LLM4Urban-Papers	urban / spatio-temporal paper map

这条线要服务两个方向：

Research OS 的 evidence memory
Quant OS 的 market / paper / report / project knowledge memory

如果要继续补 RAG，建议：

HKUDS018 -> MiniRAG
HKUDS019 -> VideoRAG
HKUDS020 -> GraphAgent

当前四条线的完成度

主线	已做核心	当前完成度	下一步
Quant / Finance	Vibe-Trading, AI-Trader	40%	看 FutureShow 或 recommendation 系列
Research OS / AI Scientist	DeepCode, AI-Researcher, DeepInnovator, Auto-Deep-Research, DeepResearch-Eval	65%	看 DeepTutor, Paper2Slides, Litewrite
Agent Framework / Workspace	nanobot, CLI-Anything, AgentSpace, AutoAgent	55%	看 OpenHarness, UpSkill, AnyTool, OpenSpace
RAG / Knowledge	LightRAG, RAG-Anything	45%	看 MiniRAG, VideoRAG, GraphAgent

这张表说明：我们不是平均推进。

我们现在最强的是：

Research OS / AI Scientist

最贴近量化落地的是：

Quant / Finance

最需要补工程底盘的是：

Agent Framework / Workspace

最需要继续沉淀长期资产的是：

RAG / Knowledge

下一阶段推荐编号

我建议后续这样排：

Next ID	Repo	主线	理由
HKUDS014	DeepTutor	Research OS / AI Scientist	个性化学习 agent，直接服务 AI scientist self-training
HKUDS015	OpenHarness	Agent Framework / Workspace	agent harness / runtime 管理层
HKUDS016	UpSkill	Agent Framework / Workspace	failure -> reusable skill，和 Codex skill 高度相关
HKUDS017	AnyTool	Agent Framework / Workspace	universal tool-use layer
HKUDS018	MiniRAG	RAG / Knowledge	low-cost / small-model RAG
HKUDS019	Paper2Slides	Research OS / AI Scientist	paper -> presentation，科研表达输出
HKUDS020	FutureShow	Quant / Finance	forecasting agent，接量化/预测系统
HKUDS021	VideoRAG	RAG / Knowledge	视频资料进入知识系统
HKUDS022	FastCode	Research OS / Coding	code understanding acceleration
HKUDS023	OpenSpace	Agent Framework / Workspace	self-evolving agent space

这里的顺序不是唯一的，但它符合我们当前最重要的目标：

先增强自己学习和科研输出能力
再补 agent runtime / skill / tools
再补 RAG 和 quant forecast

我们已经形成的系统图

如果把当前已做的项目放到 Pengyi Research OS 里，大概是：

Pengyi Research OS

1. Knowledge Layer
   - RAG-Anything
   - LightRAG

2. Personal Agent Layer
   - nanobot

3. Tool Action Layer
   - CLI-Anything

4. Quant Research Layer
   - Vibe-Trading

5. Live Trading Layer
   - AI-Trader

6. Workspace / Organization Layer
   - AgentSpace

7. Agent Factory Layer
   - AutoAgent

8. Research-to-Code Layer
   - DeepCode

9. Autonomous Research Layer
   - AI-Researcher

10. Idea Model Layer
   - DeepInnovator

11. Deep Research Product Layer
   - Auto-Deep-Research

12. Report Evaluation Layer
   - DeepResearch-Eval

这个系统图已经有很强的叙事力。

它不是单一 repo。

它是一个完整 stack：

data / knowledge
-> agent
-> tools
-> workflow
-> workspace
-> research
-> code
-> evaluation
-> human PM

对 Quant Research OS 的映射

如果专门映射到量化：

Quant Research OS

Knowledge Intake
  - RAG-Anything
  - LightRAG

Public Research
  - Auto-Deep-Research
  - DeepResearch-Eval

Hypothesis / Idea
  - DeepInnovator
  - AI-Researcher

Implementation
  - DeepCode
  - CLI-Anything
  - AutoAgent

Backtest / Trading Workflow
  - Vibe-Trading

Live / Platform
  - AI-Trader

Agent Workspace
  - nanobot
  - AgentSpace

Human PM Review
  - report evaluator
  - factuality checking
  - approval / audit / next-round plan

这正好对应我们之前说的：

R&D Agent for Quant Research
= 自动提出因子假设
+ 自动实现
+ 自动回测
+ 自动诊断偏差
+ 自动生成下一轮研究计划
+ 人类 PM 审核

现在要补一句：

+ 自动评估研究报告和事实可靠性

对个人成长的映射

这条 HKUDS 学习路线也不是只为了项目地图。

它也是我们的个人成长路线：

成为 AI scientist
成为 full-stack research engineer
成为能做顶会项目的人
成为能构建自己开源系统的人

对应能力是：

能力	HKUDS 参考
读论文和资料	Auto-Deep-Research, LightRAG, RAG-Anything
组织知识	LightRAG, MiniRAG, GraphAgent
写代码实现	DeepCode, FastCode, CLI-Anything
设计 agent	AutoAgent, nanobot, OpenHarness
组织多 agent 工作	AgentSpace, OpenSpace, ClawTeam
做科研流程	AI-Researcher, DeepInnovator
做研究评估	DeepResearch-Eval
做量化系统	Vibe-Trading, AI-Trader
做表达输出	Paper2Slides, Litewrite
训练自己	DeepTutor, UpSkill

所以 HKUDS0000 的意义是：

我们已经从看项目，进入到构建自己的能力地图。

中场结论

HKUDS0000 的一句话总结：

HKUDS000-013 已经为 Pengyi Research OS 搭出了第一版骨架：
RAG/knowledge、agent runtime、tool action、quant workflow、workspace、research automation、
idea generation、deep research 和 report evaluation 都已经有对应参考实现。

下一阶段要做的不是继续无序扩张，而是围绕四条主线补关键缺口：

Quant / Finance        -> FutureShow, RecLM, XRec
Research OS / AI Sci   -> DeepTutor, Paper2Slides, Litewrite
Agent Framework        -> OpenHarness, UpSkill, AnyTool, OpenSpace
RAG / Knowledge        -> MiniRAG, VideoRAG, GraphAgent

我建议下一篇：

HKUDS014 -> DeepTutor

原因很明确：

我们正在把自己训练成 AI scientist。
DeepTutor 正好对应 personal learning / personalized tutoring / self-training loop。

这会把 HKUDS 学习从“看项目”推进到“用项目训练自己”。