HKUDS043: HKUDS 学习总览与 000-042 项目作用清单

这是 PENGYI_HKUDS_STUDYMAP 的 HKUDS043。

HKUDS043 -> HKUDS study summary

这一篇做一个总整理：

把 HKUDS000-042 目前所有学习节点列出来，
说明每一个项目 / map 的作用，
并把它们重新映射到 Pengyi Research OS 和 Quant Research OS。

这不是终点。

这是阶段性索引。

我们后面继续做 HKUDS044+ 时，可以回到这篇看：

已经看过什么
每个项目解决什么问题
哪些模块可以复用
哪些主线还没推进

总体分层

目前已经看的 HKUDS 内容可以分成七大类：

Layer	Projects
Study Maps	HKUDS000, HKUDS0000, HKUDS00000, HKUDS032, HKUDS042, HKUDS043
Knowledge / RAG	LightRAG, RAG-Anything, MiniRAG, VideoRAG
Quant / Forecasting	VIBE-TRADING, AI-Trader, FutureShow
Agent Runtime / Workspace	nanobot, CLI-Anything, AgentSpace, AutoAgent, OpenHarness, AnyTool, OpenSpace
Research / AI Scientist	DeepCode, AI-Researcher, DeepInnovator, Auto-Deep-Research, DeepResearch-Eval, DeepTutor, Paper2Slides, FastCode
Graph / Recommendation	GraphAgent, OpenGraph, GraphGPT, HiGPT, RecLM, XRec, AutoCF, KGRec
Agent Product	ClawTeam, ClawWork, FastAgent, Litewrite, OpenPhone, MoChat, UpSkill Revisited, VideoAgent

压成一句话：

HKUDS 学习线已经从 knowledge / RAG，
走到 agent infrastructure，
走到 research automation，
再走到 graph / recommendation / decision intelligence，
最后进入 agent product / personal Research OS。

000-042 作用清单

编号	Repo / Topic	作用
HKUDS000	Study Map	第一张 HKUDS 总览图，启动 PENGYI_HKUDS_STUDYMAP，把 HKUDS repo 作为长期学习和 Research OS 参考库。
HKUDS001	LightRAG	轻量图增强 RAG，把知识切成 entity / relation / graph / text chunk，启发 Research OS 的长期知识记忆层。
HKUDS002	VIBE-TRADING	Agentic quant research workflow，把交易想法、策略生成、回测和报告联系起来，是 Quant OS 的早期关键参考。
HKUDS003	nanobot	Personal agent shell / always-on workspace，让 agent 具备本地入口、工具、消息和持续工作形态。
HKUDS004	CLI-Anything	Agent-native software action layer，把 CLI / GUI 操作转成 agent 可执行动作，服务真实软件操作。
HKUDS005	AI-Trader	Agent-native live trading platform layer，把 LLM agent 放入交易系统、市场分析、执行和风险控制场景。
HKUDS006	AgentSpace	Organizational agent workspace，让多个 agent / task / file / workspace 进入组织式协作。
HKUDS007	RAG-Anything	Multimodal document ingestion，把 PDF、图、表、公式、文档转成统一 RAG 输入，是资料整理层。
HKUDS008	AutoAgent	Self-developing agent factory，让 agent 能创建 workflow、工具和应用，是 Auto-Deep-Research 的底座。
HKUDS0000	Midgame Map	中场地图，把前面 agent/RAG/research 项目重新分组，规划后续主线。
HKUDS009	DeepCode	Paper2Code / agentic coding implementation layer，把论文方法转成代码，是 research engineering 关键模块。
HKUDS010	AI-Researcher	Autonomous scientific discovery benchmark，关注 AI researcher 如何提出问题、实验和研究产出。
HKUDS011	DeepInnovator	Scientific idea foundation model / innovation training layer，关注 idea generation 和 scientific creativity。
HKUDS012	Auto-Deep-Research	Open deep research product，把 web/file/code agent 组织成可用 deep research assistant。
HKUDS013	DeepResearch-Eval	Report-centric evaluation，评估 deep research 报告质量、冗余和事实支撑。
HKUDS014	DeepTutor	Agent-native personalized tutoring，用 tutor agent 支撑 AI scientist 自我训练和学习反馈。
HKUDS015	OpenHarness	Agent harness runtime，为 agent 提供可运行、可评测、可复用的基础执行环境。
HKUDS016	UpSkill	Failure-to-skill distillation，把 agent 失败轨迹转化为可复用 skill。
HKUDS00000	StudyMap3	第三张学习地图，规划 HKUDS020 之后的 forecasting、video、code、graph、rec、agent product 等主线。
HKUDS017	AnyTool	Universal tool-use layer，通过 tool routing 和 capability matching 让 agent 更好选择工具。
HKUDS018	MiniRAG	Lightweight graph RAG / on-device knowledge layer，为小规模、本地化知识系统提供参考。
HKUDS019	Paper2Slides	Research-to-presentation artifact generator，把 paper / research note 转成 slides，服务公开表达和申请材料。
HKUDS020	FutureShow	Forecasting agent benchmark / quant judgment layer，连接预测、forecast agent 和 prediction market 思维。
HKUDS021	VideoRAG	Extreme long-context video memory，把长视频切成 timestamped multimodal knowledge object。
HKUDS022	FastCode	Repo-level code intelligence acceleration，加速代码阅读、理解和 research engineering。
HKUDS023	OpenSpace	Self-evolving agent workspace / skill economy，让 agent workspace 能自我演化和沉淀技能。
HKUDS024	GraphAgent	Agentic graph language assistant，让 LLM agent 能理解和操作图任务。
HKUDS025	OpenGraph	Open graph foundation model，关注 zero-shot graph generalization 和通用图智能。
HKUDS026	GraphGPT	Graph instruction tuning，把图结构和语言模型对齐，是 graph-language alignment 代表。
HKUDS027	HiGPT	Heterogeneous graph language model，处理异构图和多类型节点关系。
HKUDS028	RecLM	Recommendation instruction tuning，把用户 profile、item、ranking 融入语言模型推荐。
HKUDS029	XRec	Explainable recommendation，把协同信号转成自然语言解释，连接推荐和可解释决策。
HKUDS030	AutoCF	Automated self-supervised collaborative filtering，为稀疏交互建模和推荐 backbone 提供参考。
HKUDS031	KGRec	Knowledge graph self-supervised rationalization，把 KG rationale 和 recommendation 结合。
HKUDS032	StudyMap4	第四张学习地图，切入 Agent Product / Workspace 系列。
HKUDS033	ClawTeam	AI organization layer，让 agent 组成团队，具备 team/task/inbox/plan/worktree/board。
HKUDS034	ClawWork	AI coworker economic accountability，让 agent 任务有成本、交付、质量、收益和生存压力。
HKUDS035	FastAgent	Agent execution engine，用 planner / executor / evaluator、Tool RAG 和 audit trail 支撑真实任务。
HKUDS036	Litewrite	AI research writing workspace，承接 paper、blog、proposal、report、LaTeX 和 public artifact。
HKUDS037	OpenPhone	AI phone / real-world mobile interface，让 agent 进入手机、app 和真实外部操作。
HKUDS038	MoChat	Agent-native IM / networking interface，让 agent 进入沟通、机会流和协作网络。
HKUDS039	UpSkill Revisited	Agent skill growth layer，二刷 UpSkill，把失败沉淀成 Research OS 的长期复利。
HKUDS040	VideoAgent	Agentic video workflow，处理访谈、课程、会议、视频理解、总结、QA 和剪辑任务。
HKUDS041	Auto-Deep-Research / DeepResearch-Eval Revisited	Deep Research Product Loop，把 producer 和 evaluator 合并成 AI scientist research loop。
HKUDS042	Agent Product Phase Review	复盘 Agent Product / Workspace 系列，抽象出 Pengyi Research OS Agent Product Stack。
HKUDS043	HKUDS Study Summary	当前总索引，列出所有 HKUDS 节点作用，服务后续路线规划。

Map 型文章

有几篇不是单一 repo，而是路线图：

Map	Role
HKUDS000	启动总览，确认 HKUDS 是长期学习对象
HKUDS0000	中场地图，梳理前期 repo 的结构
HKUDS00000	第三张地图，规划 HKUDS020 之后的几大主线
HKUDS032	第四张地图，切到 Agent Product / Workspace
HKUDS042	Agent Product 阶段复盘
HKUDS043	当前总索引

这些 map 的作用是：

避免只是连续看 repo。
每隔一段时间要把 repo 重新压缩成架构。

这是 Research OS 本身的一部分。

Knowledge / RAG 主线

已经看过：

LightRAG
RAG-Anything
MiniRAG
VideoRAG

它们共同回答：

知识如何进入系统？
文档如何被解析？
多模态材料如何被索引？
长视频如何变成可检索 evidence？
小型本地知识库如何运行？

对 Pengyi Research OS 的作用：

notes
papers
PDFs
blogs
videos
meeting transcripts
project READMEs
CV / PS / RP materials

都应该变成可检索、可引用、可复用的 knowledge object。

对 Quant OS 的作用：

研报
公告
paper
factor notes
market commentary
WorldQuant factor explanation
backtest report

也需要进入结构化记忆。

Quant / Forecasting 主线

已经看过：

VIBE-TRADING
AI-Trader
FutureShow

它们共同回答：

AI agent 如何进入交易和预测？
策略想法如何生成？
市场判断如何评估？
交易系统如何连接研究、执行和风险？

对我们来说，这是 Quant Research OS 的直接参考。

最重要的转化是：

factor idea
-> implementation
-> backtest
-> diagnosis
-> report
-> PM decision

这条线还远没有结束。

后续可以继续看更多 forecasting、time series、spatiotemporal 和 finance-adjacent repo。

Agent Infrastructure 主线

已经看过：

nanobot
CLI-Anything
AgentSpace
AutoAgent
OpenHarness
AnyTool
OpenSpace

它们共同回答：

agent 如何运行？
agent 如何调用工具？
agent 如何管理 workspace？
agent 如何和 CLI / GUI / MCP / harness 连接？
agent 如何自我演化？

这是所有产品层的底座。

如果没有这一层，后面的 Research OS 只能停留在 prompt。

Research / AI Scientist 主线

已经看过：

DeepCode
AI-Researcher
DeepInnovator
Auto-Deep-Research
DeepResearch-Eval
DeepTutor
Paper2Slides
FastCode

它们共同回答：

AI 如何帮助研究？
如何读论文？
如何写代码？
如何提出 idea？
如何做 deep research？
如何评估报告？
如何教学和自我训练？
如何把研究转成 slides？
如何加速代码理解？

这条线和我们的身份目标最一致：

成为能在顶会产出、能做开源 project、能持续自我强化的 AI scientist。

最核心的闭环是：

idea
-> evidence
-> implementation
-> experiment
-> report
-> evaluation
-> next idea

Graph / Recommendation 主线

已经看过：

GraphAgent
OpenGraph
GraphGPT
HiGPT
RecLM
XRec
AutoCF
KGRec

它们共同回答：

图结构如何和语言模型结合？
用户 / item / relation / KG 如何进入推荐系统？
协同过滤和语言解释如何结合？
异构关系如何建模？

这条线对 Quant OS 也有潜在价值。

因为市场本身就是图：

stock-stock relation
industry graph
supply chain graph
news-event-company graph
fund holding graph
analyst coverage graph
factor correlation graph

推荐系统里的：

user-item interaction
collaborative signal
explainable ranking
KG rationale

可以类比到金融里的：

asset-signal interaction
factor-asset exposure
strategy recommendation
portfolio explanation

Agent Product 主线

已经看过：

ClawTeam
ClawWork
FastAgent
Litewrite
OpenPhone
MoChat
UpSkill Revisited
VideoAgent
Auto-Deep-Research / DeepResearch-Eval Revisited
Agent Product Phase Review

它们共同回答：

agent 如何成为产品？
agent 如何进入组织、任务、工作台、沟通、写作、视频、研究和评估？

这一阶段最大的收获是：

Research OS 不是一个模型。
Research OS 是一套 agent product stack。

包括：

organization
work accountability
execution
output workspace
real-world interface
communication
skill growth
video / meeting workflow
deep research / evaluation

对 Pengyi Research OS 的总映射

可以把目前所有学习成果映射成：

Research OS Module	HKUDS References
Knowledge Memory	LightRAG, RAG-Anything, MiniRAG, VideoRAG
Agent Shell	nanobot, AutoAgent, OpenHarness
Tool / Action Layer	CLI-Anything, AnyTool, FastAgent
Workspace / Organization	AgentSpace, OpenSpace, ClawTeam, ClawWork
Research Automation	AI-Researcher, DeepInnovator, Auto-Deep-Research, DeepResearch-Eval
Code Research Engineering	DeepCode, FastCode
Writing / Publication	Litewrite, Paper2Slides
Communication / Opportunity	MoChat, OpenPhone
Video / Meeting Intelligence	VideoRAG, VideoAgent
Skill Growth	UpSkill, UpSkill Revisited
Decision Intelligence	FutureShow, GraphAgent, RecLM, XRec, AutoCF, KGRec
Quant Research	VIBE-TRADING, AI-Trader, FutureShow, graph/rec projects

这张表就是我们后续做系统原型的模块图。

对 Quant Research OS 的总映射

Quant OS 可以这样拆：

Quant OS Need	HKUDS Inspiration
因子假设生成	VIBE-TRADING, AI-Researcher, DeepInnovator, Auto-Deep-Research
数据源调研	Auto-Deep-Research, RAG-Anything, LightRAG
代码实现	DeepCode, FastCode, FastAgent
回测执行	AI-Trader, VIBE-TRADING, FastAgent
结果报告	Litewrite, Paper2Slides, DeepResearch-Eval
偏差诊断	DeepResearch-Eval plus future quant evaluator
市场预测	FutureShow
关系建模	GraphAgent, OpenGraph, GraphGPT, HiGPT
信号推荐	RecLM, XRec, AutoCF, KGRec
团队协作	ClawTeam, ClawWork
技能复利	UpSkill

这对应我们最初定义的：

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 HKUDS 已经给了很多积木。

我们要做的是组合、裁剪、产品化。

已经形成的学习方法

通过 HKUDS000-043，我们已经形成了一套 repo 学习方法：

1. 看本地是否已有 repo
2. fetch / 检查版本
3. 读 README
4. 看目录结构
5. 找主入口
6. 找核心类 / 脚本 / 配置
7. 理解项目用途
8. 理解实现方式
9. 抽象关键组件
10. 映射到 Research OS / Quant OS
11. 提出可 PR 的方向
12. 发布成网站文章

这本身就是一个 skill。

可以命名为：

repo-study-to-public-research-asset

后续可以继续做什么

后面的 HKUDS044+ 有几个自然方向：

1. Urban / Spatiotemporal 系列
2. Graph / Recommendation 二刷
3. Quant / Forecasting 深挖
4. Research OS v0 原型
5. Quant R&D Agent 原型
6. HKUDS PR contribution track

Urban / Spatiotemporal

候选：

UrbanGPT
OpenCity
EasyST
AutoST
FlashST
STExplainer

为什么值得看：

时空预测、城市智能、交通流、区域数据和金融时间序列有共通结构。

Graph / Recommendation 二刷

候选：

AnyGraph
LightGCL
LightGNN
SSLRec
LLMRec
RecGPT
UnlearnRec

为什么值得看：

图和推荐是 quant signal / portfolio / market relation 建模的重要类比。

Research OS v0 原型

候选工作：

task.yaml schema
sources.jsonl schema
report.md template
eval.json template
human_review.md template
website publish workflow

这是最贴近我们当前产出的方向。

Quant R&D Agent 原型

候选工作：

factor_hypothesis.md
data_plan.md
implementation.py
backtest_report.md
bias_diagnosis.md
pm_review.md
next_experiment.md

这是长期核心方向。

当前阶段最重要的三条结论

第一：

HKUDS 不是一堆孤立项目。
它是一套 AI agent / knowledge / research / graph / product 的项目宇宙。

第二：

我们已经可以把它们转化成 Pengyi Research OS 的模块图。

第三：

下一步不是无限阅读，而是开始把学习方法、网站输出、skill library、deep research loop 和 quant R&D loop 产品化。

最后总结

HKUDS043 的作用就是把前面所有节点压缩成一张总地图。

目前我们已经完成：

HKUDS000-043

其中：

000 / 0000 / 00000 / 032 / 042 / 043 是地图和复盘
001-031 覆盖 RAG、agent、research、graph、recommendation、forecasting
033-041 覆盖 Agent Product / Workspace

这批学习的真正意义不是“看完了很多 repo”。

真正意义是：

我们开始拥有一套可复用的 AI scientist / Quant Research OS 架构语言。

后面要做的是把它落到自己的系统：

Pengyi Research OS v0
Pengyi Quant Research OS v0
public research portfolio
open-source contribution track
RA / PhD / quant opportunity pipeline

这就是 HKUDS 学习线目前的阶段成果。