LLMQuant 学习地图: 从项目阅读到个人 Research OS

LLMQuant 给我的启发不是某一个 repo，而是一个生态视角：

data access
  -> skills / workflows
  -> knowledge base
  -> agent system
  -> docs / wiki / book
  -> strategy and research output

这说明一个真正有生命力的 AI + finance 项目，通常不是单点模型，而是一套持续迭代的系统。

我看到的子系统

从学习角度看，可以把这类项目拆成几个层次：

Layer	Meaning
Data Layer	数据获取、清洗、schema、MCP 接口
Knowledge Layer	wiki、book、research notes、domain concepts
Skill Layer	可复用任务流程和 agent skills
Agent Layer	多 agent 协作、研究规划、工具调用
Experiment Layer	backtest、benchmark、artifact、report
Application Layer	策略研究、项目 demo、论文和开源输出

我的个人 Research OS 也应该按这个方向长出来。

对自己的启发

我不应该只做一个 isolated repo。

更好的结构是：

Pengyi Quant Research OS
  -> project specs
  -> factor specs
  -> experiments
  -> artifacts
  -> reports
  -> technical notes
  -> public website index

也就是说，代码、实验、文章、申请材料不是分散的，它们应该相互引用。

学习路线

接下来学习一个开源项目时，我会按这个模板记录：

1. 这个项目解决什么问题？
2. 它的系统边界在哪里？
3. 它的核心数据结构是什么？
4. 它的 agent/workflow 如何组织？
5. 它有哪些可以复用到 Quant R&D Agent？
6. 它有哪些不适合直接复用？
7. 我能做出什么 public-safe demo？

这会把“看项目”变成研究资产，而不是临时浏览。

近期目标

我希望把 LLMQuant、RD-Agent、LightRAG、WorldQuant 复现项目等学习成果统一到同一个公开叙事里：

AI research agents for quantitative discovery.

这条主线足够清晰：

• 有真实金融场景。
• 有 AI agent 技术深度。
• 有工程系统空间。
• 有 RA / PhD / paper / open-source 的连接点。

后续每看一个项目，都应该能回答：

它怎样增强我的 Quant R&D Agent 和 Research OS？