HKUDS050: Remaining Repo Map - 未完成项目总览、分类与后续学习路线
HKUDS050: Remaining Repo Map - 未完成项目总览、分类与后续学习路线
这是 PENGYI_HKUDS_STUDYMAP 的 HKUDS050。
这一篇不深挖单个 repo。
这一篇做一件事：
1
把 HKUDS 目前还没有系统写过的 repo 做一个剩余地图。
2026-07-02 update:
1
2
3
HKUDS051 已重新分配给 RAG 系列专题总结。
HKUDS052 已重新分配给 Quant / Forecasting / Trading 系列专题总结。
OpenCity / Urban-ST continuation 顺延到后续 Urban-ST 专题节点。
我们已经做到了：
1
HKUDS049 -> UrbanGPT
现在需要暂停一下，重新看全局：
1
2
3
4
5
还有哪些没做？
哪些值得继续做？
哪些应该单独深挖？
哪些可以合并成一篇？
它们各自对 Pengyi Research OS / Quant OS 有什么意义？
数据来源
这次 map 使用两份信息交叉确认：
1
2
3
4
5
1. 本地 HKUDS repo index:
E:\2026\B面\香港大学\PENGYI笔记\PENGYI superCODEX PROJECT笔记！\hkuds
2. GitHub API 当前 HKUDS org repo list:
checked on 2026-07-01
当前结论：
1
2
3
HKUDS public repos checked: 89
已经写过深度笔记或阶段总结覆盖: 44
剩余未系统写过: 45
这 45 个不是都要逐个写成超长文章。
更合理的方式是：
1
2
3
核心项目单独深挖。
同质论文代码合并成系列综述。
survey / meta repo 作为路线图材料。
已覆盖主线回顾
我们已经覆盖的核心能力非常多。
Agent / Product / Harness
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
nanobot
CLI-Anything
AgentSpace
AutoAgent
OpenHarness
AnyTool
OpenSpace
ClawTeam
ClawWork
FastAgent
Litewrite
OpenPhone
MoChat
VideoAgent
ViMax
CatchMe
MGP
这一块已经足够支撑：
1
2
3
4
Agent Execution Harness
Tool Harness
Memory Harness
Product / Workspace Harness
RAG / Knowledge / Multimodal Memory
1
2
3
4
LightRAG
MiniRAG
RAG-Anything
VideoRAG
这一块已经支撑：
1
2
3
4
Research OS knowledge memory
multimodal ingestion
long video knowledge
graph-enhanced RAG
Research / AI Scientist
1
2
3
4
5
6
7
8
9
DeepCode
AI-Researcher
DeepInnovator
Auto-Deep-Research
DeepResearch-Eval
DeepTutor
Paper2Slides
LightReasoner
SepLLM
这一块已经支撑：
1
2
3
4
5
6
7
paper-to-code
research report producer
research report evaluator
scientific idea generation
personal tutoring
reasoning efficiency
long-context compression
Quant / Forecasting / Trading
1
2
3
4
Vibe-Trading
AI-Trader
FutureShow
UrbanGPT
这一块已经开始进入：
1
2
3
4
trading agent
forecasting agent
spatio-temporal forecasting
Quant OS market prediction layer
Graph / Recommendation 已覆盖核心入口
1
2
3
4
5
6
7
8
GraphAgent
OpenGraph
GraphGPT
HiGPT
RecLM
XRec
AutoCF
KGRec
这一块已经给我们：
1
2
3
4
5
6
7
graph-language alignment
graph foundation model
heterogeneous graph LLM
recommendation instruction tuning
explainable recommendation
collaborative filtering
KG-grounded recommendation
但是 graph / recommendation 还有大量基础论文仓库没做。
这就是 HKUDS050 要整理的重点。
剩余 45 个 Repo 总表
| 类别 | Repo | 一句话作用 | 是否建议单独做 |
|---|---|---|---|
| Urban / Spatio-temporal | OpenCity | 交通预测的开放时空 foundation model | 是 |
| Urban / Spatio-temporal | EasyST | 简洁时空预测框架 | 是 |
| Urban / Spatio-temporal | AutoST | 自动化时空图对比学习 | 是 |
| Urban / Spatio-temporal | FlashST | traffic prediction prompt tuning 框架 | 可单独 |
| Urban / Spatio-temporal | GPT-ST | 时空图神经网络 generative pre-training | 可单独 |
| Urban / Spatio-temporal | GraphST | spatial-temporal graph learning | 可合并 |
| Urban / Spatio-temporal | CL4ST | 时空 meta contrastive learning | 可合并 |
| Urban / Spatio-temporal | STExplainer | 可解释时空图神经网络 | 可合并 |
| Urban / Spatio-temporal | Awesome-LLM4Urban-Papers | LLM4Urban survey / paper list | 路线图材料 |
| Graph / LLM4Graph | AnyGraph | graph foundation model in the wild | 是 |
| Graph / LLM4Graph | GraphEdit | LLM for graph structure learning / editing | 是 |
| Graph / LLM4Graph | DiffGraph | heterogeneous graph diffusion model | 可单独 |
| Graph / LLM4Graph | Awesome-LLM4Graph-Papers | LLM4Graph survey / paper list | 路线图材料 |
| Recommendation / LLM Rec | LLMRec | LLM + graph augmentation for recommendation | 是 |
| Recommendation / LLM Rec | RLMRec | LLM representation learning for recommendation | 是 |
| Recommendation / LLM Rec | RecGPT | sequential recommendation foundation model | 是 |
| Recommendation / LLM Rec | EasyRec | simple language model for recommendation | 可单独 |
| Recommendation / Multimodal / Diffusion | DiffKG | KG diffusion for recommendation | 可单独 |
| Recommendation / Multimodal / Diffusion | DiffMM | multi-modal diffusion recommendation | 可单独 |
| Recommendation / Multimodal / Diffusion | PromptMM | multimodal prompt tuning / distillation | 可合并 |
| Recommendation / Multimodal / Diffusion | RecDiff | social recommendation diffusion model | 可合并 |
| Recommendation / Multimodal / Diffusion | MMSSL | multimodal self-supervised recommendation | 可合并 |
| Recommendation / SSL / CF | SSLRec | self-supervised recommendation framework | 是 |
| Recommendation / SSL / CF | LightGCL | graph contrastive learning recommendation | 是 |
| Recommendation / SSL / CF | AdaGCL | adaptive graph contrastive learning | 可合并 |
| Recommendation / SSL / CF | DCCF | disentangled contrastive collaborative filtering | 可合并 |
| Recommendation / SSL / CF | DCRec | debiased contrastive sequential recommendation | 可合并 |
| Recommendation / SSL / CF | DGNN | disentangled graph social recommendation | 可合并 |
| Recommendation / SSL / CF | DSL | denoised self-augmented social recommendation | 可合并 |
| Recommendation / SSL / CF | GFormer | graph transformer for recommendation | 可合并 |
| Recommendation / SSL / CF | GraphAug | graph augmentation for recommendation | 可合并 |
| Recommendation / SSL / CF | GraphPro | graph pre-training + prompt learning for recommendation | 可单独 |
| Recommendation / SSL / CF | GTE | GNN expressivity for recommendation | 可单独 |
| Recommendation / SSL / CF | HGCL | heterogeneous graph contrastive learning | 可合并 |
| Recommendation / SSL / CF | LightGNN | simple GNN for recommendation | 可合并 |
| Recommendation / SSL / CF | MAERec | graph masked autoencoder for sequential recommendation | 可合并 |
| Recommendation / SSL / CF | MixRec | heterogeneous graph collaborative filtering | 可合并 |
| Recommendation / SSL / CF | RCL | multi-relational contrastive learning | 可合并 |
| Recommendation / SSL / CF | SelfGNN | self-supervised GNN for sequential recommendation | 可合并 |
| Recommendation / SSL / CF | SimRec | graph-less collaborative filtering | 可合并 |
| Recommendation / Unlearning | UnlearnRec | recommendation unlearning / forget learning | 可单独观察 |
| Survey / Meta | Awesome-SSLRec-Papers | SSLRec survey / paper list | 路线图材料 |
| Survey / Meta | AI-Researcher-Gallery | AI-Researcher gallery / showcase | 补充材料 |
| Survey / Meta | .github | HKUDS org profile | 不必深挖 |
| Survey / Meta | HKUDS | HKUDS org homepage repo | 不必深挖 |
说明：AutoCF 已经在 HKUDS030 做过，后续只作为 SSL / CF 系列的已做 anchor，不计入剩余 45 个 repo。
四大剩余主线
剩余 repo 可以压缩成四大主线。
1
2
3
4
1. Urban / Spatio-temporal Intelligence
2. Recommendation Foundation Stack
3. Graph Foundation / Graph Structure Learning
4. Survey / Meta / Lab Knowledge Map
这四条不是平均重要。
对我们当前最重要的是：
1
2
3
4
Urban / Spatio-temporal -> Quant OS 的时序和预测层
Recommendation -> 用户行为、排序、金融信号抽象
Graph -> QuantMind / Research OS 的结构化知识层
Survey / Meta -> 快速建立领域路线图
1. Urban / Spatio-temporal Intelligence
这一条最直接接 HKUDS049 UrbanGPT。
UrbanGPT 已经把时空数据接到了 LLM：
1
2
3
4
spatio-temporal encoder
-> ST tokens
-> LLM
-> forecasting / classification head
剩下几个 repo 会把这条链路补齐。
OpenCity
1
OpenCity = open spatio-temporal foundation models for traffic prediction
它应该优先做。
原因：
1
2
UrbanGPT 更像 ST LLM。
OpenCity 更像 ST foundation model / forecasting backbone。
对 Quant OS 的映射：
1
2
traffic tensor -> city foundation model
market tensor -> market foundation model
如果我们想把市场理解成一个时空系统：
1
2
3
asset x time x feature
sector x time x factor
region x time x macro
OpenCity 就非常值得看。
EasyST
1
EasyST = simple framework for spatio-temporal prediction
它的价值不一定在 SOTA。
价值在：
1
简单、可复现、适合作为 baseline harness。
对我们来说，EasyST 可能比复杂模型更有工程意义：
1
Quant Research OS 需要先有一个可跑通的 time-series baseline harness。
AutoST
1
AutoST = automated spatio-temporal graph contrastive learning
它连接两个关键词：
1
2
spatio-temporal
automated contrastive learning
对我们有两个启发：
1
2
1. 自动选择 / 学习时空增强方式
2. 用 self-supervised signal 增强预测模型
这对金融时间序列很关键。
因为金融标签稀疏、噪声大、 regime 变化快。
FlashST / GPT-ST / GraphST / CL4ST / STExplainer
这一组可以组成一篇综合：
1
Spatio-temporal Model Zoo
它们分别关注：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
FlashST:
prompt tuning for traffic prediction
GPT-ST:
generative pre-training for spatio-temporal GNN
GraphST:
adversarial contrastive adaptation
CL4ST:
meta contrastive learning
STExplainer:
explainable spatio-temporal GNN
对 Quant OS 的作用：
1
2
3
4
forecasting backbone
domain adaptation
self-supervised representation
explainability
这一组值得做，但不必每个都超长。
2. Recommendation Foundation Stack
推荐系统剩余 repo 最多。
这说明 HKUDS 的很大一部分研究积累来自：
1
2
3
4
5
graph recommendation
self-supervised recommendation
LLM recommendation
multimodal recommendation
diffusion recommendation
为什么它对我们有用？
因为推荐系统的本质是：
1
从稀疏行为中学习偏好、排序和决策。
这和金融有相通处：
1
2
3
4
5
6
7
8
9
10
11
user-item interaction
<-> investor-asset interaction
ranking items
<-> ranking assets
behavior sequence
<-> market event sequence
explainable recommendation
<-> explainable alpha / trade rationale
LLM Recommendation 子线
优先看：
1
2
3
4
LLMRec
RLMRec
RecGPT
EasyRec
它们对应：
1
2
3
4
5
6
7
8
9
10
11
LLMRec:
LLM + graph augmentation for recommendation
RLMRec:
representation learning with LLMs for recommendation
RecGPT:
sequential recommendation foundation model
EasyRec:
simple language model for recommendation
对我们来说，这一组很重要。
因为它告诉我们：
1
如何把 user / item / sequence / graph 转成 LLM 可理解的形式。
映射到 Quant OS：
1
2
3
asset / event / sector / signal / portfolio
-> language or token representation
-> ranking / explanation / decision
SSL / Contrastive / CF 子线
优先 anchor：
1
2
3
4
SSLRec
LightGCL
GTE
GraphPro
然后合并看：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
AdaGCL
DCCF
DCRec
DGNN
DSL
GFormer
GraphAug
HGCL
LightGNN
MAERec
MixRec
RCL
SelfGNN
SimRec
这一组很多，但都围绕一个核心问题：
1
在稀疏、噪声、高维 interaction 里，如何学到更稳的 representation？
这对金融非常直接。
金融里的 alpha research 也经常面对：
1
2
3
4
5
标签弱
噪声大
信号稀疏
非平稳
样本外衰减
所以推荐系统里的 SSL / contrastive learning 可以转化成：
1
2
3
4
factor representation learning
asset relation learning
event sequence embedding
portfolio preference modeling
关于 DSL 和 GTE
之前问过：
1
DDSL 做了吗？GTE 呢？
这里更准确地说：
1
2
3
本地 repo 叫 DSL，不是 DDSL。
DSL 还没有做。
GTE 也还没有做。
它们的位置是：
1
2
3
4
5
DSL:
denoised self-augmented learning for social recommendation
GTE:
graph neural network expressivity for recommendation
这两个都属于推荐基础线。
如果后面要补，建议：
1
2
HKUDS059 -> GTE
HKUDS060 -> DSL + DCCF + DCRec + DGNN as social / contrastive recommendation cluster
Multimodal / Diffusion Recommendation 子线
可以合并成一组：
1
2
3
4
5
DiffKG
DiffMM
PromptMM
RecDiff
MMSSL
核心问题：
1
如何用 diffusion / multimodal / prompt tuning 增强推荐？
对我们来说，重点不是复现推荐算法本身。
重点是学：
1
2
3
4
多模态信号融合
KG signal 融合
噪声建模
解释性和生成式 rationale
映射到 Quant OS：
1
2
3
4
5
6
news
filings
price
macro
sector graph
portfolio behavior
这些都是多源信号。
3. Graph Foundation / Graph Structure Learning
我们已经做过：
1
2
3
4
GraphAgent
OpenGraph
GraphGPT
HiGPT
剩下的图主线还有：
1
2
3
4
AnyGraph
GraphEdit
DiffGraph
Awesome-LLM4Graph-Papers
AnyGraph
1
AnyGraph = graph foundation model in the wild
这值得单独看。
因为它直接连接：
1
2
3
graph foundation model
out-of-distribution graph generalization
real-world graph tasks
对 Research OS 的映射：
1
2
3
4
5
paper graph
project graph
concept graph
author graph
tool graph
对 Quant OS 的映射：
1
2
3
4
5
asset graph
sector graph
supply chain graph
news-event graph
fund-holding graph
GraphEdit
1
GraphEdit = LLM for graph structure learning / graph editing
这个很有意思。
因为现实中的 graph 往往不是天然干净的。
Research OS 里的知识图谱会有：
1
2
3
4
5
missing edge
wrong edge
redundant node
conflicting relation
stale relation
GraphEdit 的启发是：
1
2
LLM 不只是读 graph。
LLM 也可以参与修 graph。
这对 QuantMind / Research OS memory 很关键。
DiffGraph
1
DiffGraph = heterogeneous graph diffusion model
它可以和推荐 diffusion 系列合并理解。
重点是：
1
2
3
graph generation
graph denoising
heterogeneous graph representation
4. Survey / Meta / Lab Knowledge Map
剩下还有几个不是传统代码仓库：
1
2
3
4
5
6
Awesome-SSLRec-Papers
Awesome-LLM4Graph-Papers
Awesome-LLM4Urban-Papers
AI-Researcher-Gallery
.github
HKUDS
这些不需要像 OpenHarness 那样深挖源码。
它们更适合用作：
1
2
3
4
领域路线图
论文入口
项目解释层
HKUDS lab knowledge map
其中三个 Awesome repo 很重要：
1
2
3
Awesome-SSLRec-Papers
Awesome-LLM4Graph-Papers
Awesome-LLM4Urban-Papers
它们分别对应：
1
2
3
self-supervised recommendation
LLM for graphs
LLM for urban computing
如果我们要做顶会路线图，这三个 survey repo 很适合转化成：
1
2
3
4
research field map
paper reading queue
benchmark list
open problem list
优先级排序
我建议把剩余项目分成三档。
P0: 直接服务 Research OS / Quant OS 的核心项目
1
2
3
4
5
6
7
8
9
10
11
12
13
OpenCity
EasyST
AutoST
FlashST
GPT-ST
AnyGraph
GraphEdit
LLMRec
RLMRec
RecGPT
SSLRec
LightGCL
GTE
原因：
1
它们能直接补齐时序预测、graph foundation、LLM recommendation、SSL representation learning。
这些对我们后续做：
1
2
3
4
5
Quant Research OS
factor representation
market graph
research memory graph
decision ranking
都有直接价值。
P1: 应该做，但可以合并成 cluster 的项目
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
GraphST
CL4ST
STExplainer
DiffGraph
DiffKG
DiffMM
PromptMM
RecDiff
MMSSL
GraphPro
GFormer
GraphAug
HGCL
LightGNN
MAERec
SelfGNN
这些适合写成：
1
cluster study
不是每个都写 1500 行。
P2: 补全生态和论文背景的项目
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
AdaGCL
DCCF
DCRec
DGNN
DSL
MixRec
RCL
SimRec
UnlearnRec
EasyRec
Awesome-SSLRec-Papers
Awesome-LLM4Graph-Papers
Awesome-LLM4Urban-Papers
AI-Researcher-Gallery
.github
HKUDS
这些可以作为：
1
2
3
4
appendix
field map
paper queue
method comparison table
后续编号路线建议
HKUDS051 已插入为 RAG 系列专题总结。 HKUDS052 已插入为 Quant / Forecasting / Trading 系列专题总结。
所以原来的 Urban / ST 后续路线顺延两位。
我建议从 HKUDS053 开始这样排：
| 编号 | Repo / Topic | 系列 | 为什么看 |
|---|---|---|---|
HKUDS053 | OpenCity | Urban / ST Foundation | 接 UrbanGPT，理解时空 foundation model |
HKUDS054 | EasyST | Urban / ST Baseline | 建立可复现时空预测 baseline |
HKUDS055 | AutoST | Urban / ST SSL | 学自动化时空对比学习 |
HKUDS056 | FlashST + GPT-ST | Urban / ST Pretraining | 看 prompt tuning 与 generative pretraining |
HKUDS057 | GraphST + CL4ST + STExplainer | Urban / ST Model Zoo | 做时空图模型综合 |
HKUDS058 | AnyGraph | Graph Foundation | 补 graph foundation model |
HKUDS059 | GraphEdit | Graph Structure Learning | 学 LLM 如何修改和治理 graph |
HKUDS060 | LLMRec + RLMRec | LLM Recommendation | LLM 表征与推荐系统结合 |
HKUDS061 | RecGPT + EasyRec | Recommendation FM | sequential recommendation foundation model |
HKUDS062 | SSLRec | SSL Recommendation | self-supervised recommendation 总框架 |
HKUDS063 | LightGCL + AdaGCL | Graph Contrastive Rec | GCL 推荐系统核心方法 |
HKUDS064 | GTE + GraphPro + GFormer | Graph Rec Theory / Pretraining | GNN 表达力、预训练、transformer |
HKUDS065 | DiffKG + DiffMM + RecDiff | Diffusion Rec | diffusion 和推荐融合 |
HKUDS066 | DSL + DCCF + DCRec + DGNN | Social / Debiased Rec | social rec / debias / disentangle |
HKUDS067 | Awesome-SSLRec / LLM4Graph / LLM4Urban | Survey Map | 三条顶会阅读路线图 |
HKUDS068 | Remaining Rec Cluster Summary | Final Map | recommendation 剩余项目总复盘 |
这只是建议路线。
如果我们更想接 Quant OS，我建议优先：
1
2
3
4
5
6
7
HKUDS052 Quant Series Summary
HKUDS053 OpenCity
HKUDS054 EasyST
HKUDS055 AutoST
HKUDS058 AnyGraph
HKUDS060 LLMRec + RLMRec
HKUDS062 SSLRec
因为这几篇对市场预测、资产图、信号表征和排序决策最有用。
对 Pengyi Research OS 的映射
剩余项目不是杂乱无章的。
它们可以进入我们自己的系统架构。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Pengyi Research OS
Knowledge Memory:
Awesome-LLM4Graph / Awesome-LLM4Urban / Awesome-SSLRec
Graph Memory:
AnyGraph / GraphEdit / DiffGraph
Research Reading Queue:
Survey repos + paper code repos
Representation Learning:
SSLRec / LightGCL / GTE / GraphPro
Decision Ranking:
LLMRec / RLMRec / RecGPT / EasyRec
Spatio-temporal Forecasting:
OpenCity / EasyST / AutoST / FlashST / GPT-ST
对 Pengyi Quant OS 的映射
如果映射到 Quant OS：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Market Tensor Layer:
OpenCity / EasyST / AutoST / FlashST / GPT-ST
Asset Graph Layer:
AnyGraph / GraphEdit / DiffGraph / GTE / GraphPro
Factor Representation Layer:
SSLRec / LightGCL / AdaGCL / DCCF / MAERec
Ranking / Portfolio Preference Layer:
LLMRec / RLMRec / RecGPT / EasyRec / XRec
Multi-source Signal Fusion:
DiffKG / DiffMM / PromptMM / MMSSL / RecDiff
Explainability:
STExplainer / XRec / KGRec / GraphEdit
这就是为什么推荐系统和时空预测不是偏题。
它们都在回答一个更底层的问题：
1
如何从复杂关系、稀疏行为、时序信号和多源噪声中学到可用于决策的 representation？
这正是量化研究需要的。
当前最清晰的下一步
我建议下一篇不要继续随机挑。
直接做：
1
HKUDS053 -> OpenCity
理由：
1
2
3
1. 它自然接 HKUDS049 UrbanGPT。
2. 它是时空 foundation model，更靠近 Quant OS 的 market foundation model 想象。
3. 它能把 Urban / Spatio-temporal 系列正式展开。
然后：
1
2
HKUDS054 -> EasyST
HKUDS055 -> AutoST
这三篇可以形成一个小闭环：
1
2
3
4
5
6
7
8
9
10
11
UrbanGPT:
ST data -> LLM
OpenCity:
ST foundation model
EasyST:
simple reproducible baseline
AutoST:
automated ST contrastive learning
这条线最适合接到我们的 Quant OS。
一句话总结
1
HKUDS 剩余项目主要不是 agent 产品，而是推荐系统、图学习、时空预测和 survey 资产。
我们前 49 篇已经把：
1
agent / RAG / research / product / memory / graph core / rec core / UrbanGPT
搭起来了。
接下来的 HKUDS 学习应该从“看酷项目”进入“补系统底层能力”：
1
2
3
4
5
spatio-temporal forecasting
graph foundation
self-supervised recommendation
LLM recommendation
survey-driven paper map
这就是 HKUDS050 的作用：
1
2
给剩余 45 个 repo 一个分类地图，
并把后续学习路线从随机探索改成系统推进。
This post is licensed under CC BY 4.0 by the author.