HKUDS032: StudyMap4 - Agent Product / Workspace 系列路线图
这是 PENGYI_HKUDS_STUDYMAP 的第四张学习地图。
1
HKUDS032 -> StudyMap4
这篇不是单个 repo 详解。
它的作用是重新规划 HKUDS032 之后的路线：
1
先看 Agent Product / Workspace 系列。
原本第三张地图里，HKUDS020 之后的路线包括：
1
2
3
4
5
6
7
8
Forecasting
Video / Multimodal RAG
Code Intelligence
Agent Workspace
Graph / Knowledge Graph
Recommendation / Finance-adjacent
Spatiotemporal / Urban AI
Agent Product / Workspace
我们已经完成了其中几条关键主线：
1
2
3
4
5
6
7
8
9
10
11
12
HKUDS020 FutureShow
HKUDS021 VideoRAG
HKUDS022 FastCode
HKUDS023 OpenSpace
HKUDS024 GraphAgent
HKUDS025 OpenGraph
HKUDS026 GraphGPT
HKUDS027 HiGPT
HKUDS028 RecLM
HKUDS029 XRec
HKUDS030 AutoCF
HKUDS031 KGRec
其中 HKUDS028-031 把 Recommendation / Finance-adjacent 主线补得比较完整：
1
2
3
4
AutoCF -> sparse interaction representation
KGRec -> KG rationale and UI-KG alignment
RecLM -> semantic profile and ranking augmentation
XRec -> collaborative-grounded natural language explanation
现在我们暂时不急着进入：
1
UrbanGPT / OpenCity / EasyST / AutoST
而是先切到：
1
Agent Product / Workspace
原因很直接：
1
2
我们现在需要的不只是算法能力。
我们需要能把 AI scientist / Research OS 真正产品化、工作台化、日常化。
为什么现在切 Agent Product
前面我们已经看过很多 agent infrastructure。
已完成的基础层包括：
1
2
3
4
5
6
7
8
HKUDS003 nanobot
HKUDS004 CLI-Anything
HKUDS006 AgentSpace
HKUDS008 AutoAgent
HKUDS015 OpenHarness
HKUDS016 UpSkill
HKUDS017 AnyTool
HKUDS023 OpenSpace
这些解决的是：
1
2
3
4
5
6
agent 怎么运行
agent 怎么调用工具
agent 怎么接 workspace
agent 怎么演化 skill
agent 怎么做 harness
agent 怎么成为个人 shell
但下一阶段要解决的是另一类问题：
1
2
3
4
5
agent 怎么变成产品？
agent 怎么进入协作组织？
agent 怎么进入日常工作台？
agent 怎么写作、沟通、打电话、开会、做 deep research？
agent 怎么支撑个人和组织的生产力闭环？
这就是 Agent Product / Workspace 系列的意义。
它不是从算法论文角度看 agent。
它是从：
1
2
3
4
5
product surface
workflow loop
human-AI collaboration
organizational deployment
research artifact production
来看 agent。
对我们自己的目标来说，这条线非常关键：
1
2
3
4
5
6
Pengyi Research OS
Pengyi Quant Research OS
AI Scientist personal workspace
public research portfolio
RA / PhD / quant opportunity pipeline
open-source project execution system
这些都不是单个模型能解决的。
它们需要一组产品化 agent workspace。
本地 Repo Inventory
本地 HKUDS 工作区里，Agent Product / Workspace 相关 repo 已确认存在：
| Repo | Role in This Series |
|---|---|
ClawTeam | 多 agent team / AI organization / 协作团队形态 |
ClawWork | agent workspace / work execution / 工作台 |
FastAgent | 快速 agent runtime / lightweight agent product shell |
Litewrite | 写作产品 / research writing / blog and material generation |
OpenPhone | 通讯 agent / phone agent / 对外链接与 follow-up |
UpSkill | skill learning / failure-to-skill / 自我成长系统 |
MoChat | chat product / workspace chat / 多模态入口 |
VideoAgent | video agent / meeting and interview intelligence |
Auto-Deep-Research | practical deep research assistant |
DeepResearch-Eval | deep research output evaluation |
另外，已经做过但会在本系列中作为基础设施引用的 repo：
| Repo | 已完成编号 | 本系列中的位置 |
|---|---|---|
nanobot | HKUDS003 | personal agent shell |
CLI-Anything | HKUDS004 | computer / CLI action layer |
AgentSpace | HKUDS006 | organizational agent workspace |
AutoAgent | HKUDS008 | agent framework / factory |
OpenHarness | HKUDS015 | agent harness runtime |
AnyTool | HKUDS017 | universal tool-use routing |
OpenSpace | HKUDS023 | self-evolving agent workspace |
所以 StudyMap4 不是从零开始。
它是在前面 agent infrastructure 的基础上，进入：
1
agent productization layer
新路线总表
后续先按这张表推进。
| 编号 | Repo / Topic | 系列 | 为什么看 |
|---|---|---|---|
HKUDS032 | StudyMap4 | Roadmap | 明确 Agent Product / Workspace 这一阶段路线 |
HKUDS033 | ClawTeam | Agent Organization | 多 agent team、AI organization、协作组织形态 |
HKUDS034 | ClawWork | Agent Workspace | 工作台、任务执行、组织协作、agent-native work OS |
HKUDS035 | FastAgent | Agent Runtime / Product Shell | 快速 agent runtime，轻量产品化封装 |
HKUDS036 | Litewrite | Writing Product | 写作、blog、research statement、paper note、申请材料 |
HKUDS037 | OpenPhone | Communication Agent | 电话、沟通、follow-up、对外链接 |
HKUDS038 | UpSkill | Skill Growth | failure-to-skill、自我提升、个人长期能力系统 |
HKUDS039 | MoChat | Chat Workspace | chat product、多模态入口、个人 AI OS interface |
HKUDS040 | VideoAgent | Video / Meeting Agent | 访谈、课程、会议、视频知识工作流 |
HKUDS041 | Auto-Deep-Research / DeepResearch-Eval | Deep Research Product | 自动研究和研究报告评估闭环 |
HKUDS042 | Agent Product Phase Review | Review Map | 总结 Agent Product 如何接入 Pengyi Research OS |
一句话版本：
1
2
HKUDS032 之后先做 Agent Product / Workspace：
ClawTeam -> ClawWork -> FastAgent -> Litewrite -> OpenPhone -> UpSkill -> MoChat -> VideoAgent -> Auto-Deep-Research / DeepResearch-Eval -> Phase Review
Series Position
这条线和前面的 HKUDS 学习不是割裂的。
我们可以把前面已完成内容压成五层。
第一层，Knowledge / Memory：
1
2
3
4
LightRAG
RAG-Anything
MiniRAG
VideoRAG
第二层，Action / Tool：
1
2
3
CLI-Anything
AnyTool
OpenHarness
第三层，Agent / Workspace Infrastructure：
1
2
3
4
nanobot
AgentSpace
AutoAgent
OpenSpace
第四层，Research / Engineering Intelligence：
1
2
3
4
5
6
DeepCode
AI-Researcher
Auto-Deep-Research
DeepResearch-Eval
FastCode
Paper2Slides
第五层，Graph / Recommendation / Decision Intelligence：
1
2
3
4
5
6
7
8
9
GraphAgent
OpenGraph
GraphGPT
HiGPT
FutureShow
RecLM
XRec
AutoCF
KGRec
现在 Agent Product / Workspace 要做的是：
1
把这些能力放进人真正每天使用的 product surface。
也就是：
1
2
not just capability
but usable workflow
HKUDS033: ClawTeam
ClawTeam 应该作为这一阶段第一篇。
原因是它最像：
1
AI organization
我们要看的重点不是“几个 agent 聊天”。
而是：
1
2
3
4
5
6
team structure
role assignment
task decomposition
multi-agent collaboration
human supervision
workflow artifacts
对 Pengyi Research OS 来说，ClawTeam 可以映射成：
1
Research Team Agent
例如：
1
2
3
4
5
6
PM Agent
Research Agent
Developer Agent
Reviewer Agent
Data Agent
Writing Agent
这正好接我们之前一直说的：
1
R&D Agent for Quant Research
未来的 Quant Research OS 不应该只有一个 monolithic agent。
更合理的是：
1
一组可分工、可审计、可交接、可复盘的 research team agents。
所以 ClawTeam 是本阶段最合适的起点。
HKUDS034: ClawWork
ClawWork 紧跟 ClawTeam。
如果 ClawTeam 关注：
1
team
那么 ClawWork 很可能关注：
1
2
3
work
workspace
task execution
我们要看它如何把 agent 从“对话”推进到“工作”：
1
2
3
4
5
6
任务如何创建？
任务如何分配？
结果如何记录？
人如何介入？
工作台如何组织上下文？
agent 的输出如何变成 artifact？
对我们来说，ClawWork 可以映射成：
1
Research Workbench
也就是：
1
2
3
4
5
6
7
idea
-> task
-> experiment
-> code
-> report
-> review
-> next plan
这和我们的 Research OS 主线非常贴。
HKUDS035: FastAgent
FastAgent 放在第三篇。
原因是我们看完组织和工作台后，需要看：
1
agent runtime / product shell
很多 agent 系统的问题不是能力不够，而是太重、太慢、太难接入真实工作流。
FastAgent 要重点看：
1
2
3
4
5
6
runtime abstraction
agent config
tool invocation
session management
developer experience
deployment simplicity
对 Pengyi Research OS 来说，它可能提供：
1
轻量 agent product skeleton
也就是我们未来自己做：
1
Pengyi Research OS desktop / CLI / web workspace
时可以参考的 runtime 设计。
HKUDS036: Litewrite
Litewrite 很重要。
因为我们现在已经在持续把学习输出变成：
1
2
3
4
5
6
7
blog
study map
technical notes
RA / PhD materials
research statement
project README
public narrative
写作不是附属能力。
对 AI scientist 来说，写作就是研究闭环的一部分：
1
2
3
4
5
6
thinking
structuring
communicating
publishing
applying
fundraising / career positioning
Litewrite 可以接：
1
2
3
4
5
6
technical blog writing
paper note writing
CV / PS / RP material drafting
research update writing
PR description writing
weekly review writing
这会直接服务我们的网站和申请材料。
HKUDS037: OpenPhone
OpenPhone 这一篇会接“人与组织链接”。
我们不能只在电脑前做系统。
真实机会来自：
1
2
3
4
5
导师沟通
RA 套磁
quant senior 咨询
开源项目维护者交流
PM / founder / recruiter follow-up
电话、语音、沟通 agent 的价值在于：
1
2
3
4
5
prepare talking points
record conversation
extract commitments
generate follow-up
track relationship state
对我们来说，它可以映射成：
1
Opportunity Communication OS
这条线非常现实。
HKUDS038: UpSkill
UpSkill 之前已经作为 HKUDS016 做过一篇，但在 Agent Product 系列里可以重新引用。
如果需要独立再做，可以做：
1
HKUDS038: UpSkill Revisited
这次关注点不是底层算法，而是：
1
2
3
如何把失败变成 skill
如何把工作流沉淀成 personal capability
如何形成长期 self-improvement loop
对我们来说，这就是：
1
只要在 coding，就每天都能复利进步。
但这个复利不能只靠情绪。
它要被系统化：
1
2
3
4
5
failure
-> diagnosis
-> skill extraction
-> reusable workflow
-> next task improvement
HKUDS039: MoChat
MoChat 可以作为 chat workspace 入口来看。
我们未来自己的 Research OS 需要一个入口：
1
2
3
4
5
6
chat
task
memory
tools
files
research artifacts
chat 不只是聊天。
它可能是：
1
personal AI OS interface
要重点看：
1
2
3
4
5
6
conversation state
workspace context
multimodal input
tool integration
artifact output
session memory
这能帮助我们设计自己的个人 AI scientist workspace。
HKUDS040: VideoAgent
VideoAgent 接的是视频和会议。
我们现在已经很重视：
1
2
3
4
5
6
访谈
课程
讲座
会议
路演
技术分享
前面 VideoRAG 解决了：
1
video knowledge ingestion
VideoAgent 要看的是：
1
agent 如何围绕视频执行任务？
例如：
1
2
3
4
5
6
看访谈
抽取 research worldview
生成学习笔记
定位重要片段
形成 follow-up tasks
接入 personal knowledge base
这很适合我们之前提到的：
1
把田渊栋访谈、硅谷101、课程、seminar 变成研究输入。
HKUDS041: Auto-Deep-Research / DeepResearch-Eval
这两个我们之前已经分别做过：
1
2
HKUDS012 Auto-Deep-Research
HKUDS013 DeepResearch-Eval
但在 Agent Product 系列最后，可以把它们重新组合成：
1
Deep Research Product Loop
重点不是重复拆 repo。
而是总结：
1
2
3
4
5
deep research assistant
-> report generation
-> evidence grounding
-> evaluation
-> iteration
这正好接我们的 AI scientist 目标：
1
2
3
4
自动研究
自动写报告
自动评估
自动发现下一轮问题
它可以作为 Agent Product 系列和 AI Scientist 系列的桥。
HKUDS042: Agent Product Phase Review
最后做一个阶段复盘：
1
HKUDS042 -> Agent Product Phase Review
这篇要回答：
1
2
3
4
5
6
7
8
Agent Product 到底怎么接入 Pengyi Research OS？
哪些 repo 是 runtime？
哪些 repo 是 workspace？
哪些 repo 是 communication？
哪些 repo 是 writing？
哪些 repo 是 skill learning？
哪些 repo 是 deep research？
我们自己的系统 v0 应该先做哪一块？
目标是产出一个清晰架构：
1
2
3
4
5
6
7
8
9
10
11
Pengyi Research OS Agent Product Layer
1. Team Layer
2. Workspace Layer
3. Runtime Layer
4. Writing Layer
5. Communication Layer
6. Skill Layer
7. Chat Interface Layer
8. Video / Meeting Layer
9. Deep Research Layer
这会成为我们后面真正做产品原型的设计依据。
暂时后移的主线
为了保持当前阶段聚焦，下面这些先后移：
1
2
3
4
UrbanGPT
OpenCity
EasyST
AutoST
不是因为它们不重要。
它们仍然很有价值，尤其是：
1
2
3
4
spatiotemporal forecasting
urban intelligence
graph time series
traffic / mobility / regional signal
这些和 quant 时间序列、cross-asset relation、macro / regional data 都有关系。
但当前我们的优先级是：
1
先把 Research OS 的产品形态打通。
等 Agent Product 系列做完，再回到：
1
Spatiotemporal / Urban AI
会更顺。
最终路线
所以从现在开始，新的短期路线是：
1
2
3
4
5
6
7
8
9
10
11
HKUDS032 StudyMap4
HKUDS033 ClawTeam
HKUDS034 ClawWork
HKUDS035 FastAgent
HKUDS036 Litewrite
HKUDS037 OpenPhone
HKUDS038 UpSkill Revisited
HKUDS039 MoChat
HKUDS040 VideoAgent
HKUDS041 Auto-Deep-Research + DeepResearch-Eval Product Loop
HKUDS042 Agent Product Phase Review
这一段的目标不是多写几篇笔记。
它的目标是：
1
2
把 HKUDS 的 agent product / workspace 项目，
转化成 Pengyi Research OS 的产品架构参考。
也就是：
1
2
3
从研究能力
到日常工作台
到个人 AI scientist operating system
这是 StudyMap4 的核心意义。