LLMQUANT007: ecosystem coverage matrix 第一阶段总复盘
LLMQUANT007: ecosystem coverage matrix 第一阶段总复盘
这是 PENGYI_LLMQUANT_STUDYMAP 的第八篇。
1
LLMQUANT007 -> ecosystem coverage matrix
这篇不是继续拆一个单独 repo，而是做第一阶段总复盘。
问题很简单：
1
2
3
4
5
LLMQuant 目前 GitHub 上公开的原生项目，我们到底覆盖完了吗？
哪些是核心项目？
哪些只是组织或资源支持仓？
它们分别对应 Pengyi Quant Research OS 的哪一层？
下一阶段应该继续看，还是应该开始做自己的系统？
我的结论先写在前面：
1
2
LLMQuant core open-source projects: covered.
LLMQuant public GitHub repos: accounted for.
也就是说，核心项目已经总结完了；剩下的不是技术研究项目，而是组织主页和资源仓。
Source snapshot
我在 2026-06-24 重新拉了一次 GitHub 线上列表。
LLMQuant org 当前公开 repo 数量：
1
2
3
10 public repositories
0 fork repositories
0 archived repositories
当前公开仓库是：
| Repo | Description | Language | Stars | Forks |
|---|---|---|---|---|
.github | org profile / community presentation | - | 2 | 0 |
asset | asset of LLMQuant | - | 343 | 108 |
awesome-trading-agents | curated list of LLM-driven trading agents, MCP servers, and agent skills | - | 315 | 44 |
data-mcp | MCP server for LLMQuant Data | TypeScript | 46 | 4 |
docs | Finance Context | MDX | 94 | 5 |
llmquant-book | The LLMQuant Book Project | Jupyter Notebook | 20 | 5 |
Magents | Multi-Agent Generative Trading System | Python | 51 | 13 |
quant-mind | knowledge extraction and retrieval framework for quantitative finance | Python | 1558 | 245 |
quant-wiki | open-source quantitative knowledge wiki | - | 3782 | 300 |
skills | reusable skills for LLMQuant Agent and coding agents | Shell | 136 | 17 |
注意：这些 star / fork 数是快照，不是长期固定值。
Coverage matrix
第一阶段的覆盖情况如下：
| Repo | Project type | Covered in | Core? | Research OS role |
|---|---|---|---|---|
data-mcp | data / MCP tool server | LLMQUANT001 | Yes | evidence access layer |
skills | workflow skills catalog | LLMQUANT002 | Yes | finance workflow routing layer |
quant-mind | knowledge extraction / RAG | LLMQUANT003 | Yes | financial knowledge structuring layer |
Magents | multi-agent trading system | LLMQUANT004 | Yes | strategy execution and simulation layer |
awesome-trading-agents | ecosystem index | LLMQUANT005 | Yes | trading agent ecosystem radar |
docs | Finance Context docs | LLMQUANT006 | Yes | professional finance workflow encyclopedia |
llmquant-book | AI + Quant book | LLMQUANT006 | Yes | curriculum and onboarding layer |
quant-wiki | quant wiki | LLMQUANT006 | Yes | searchable concept / reference knowledge base |
.github | org profile | LLMQUANT000, LLMQUANT007 | Support | community narrative and product map |
asset | static assets | LLMQUANT007 | Support | logos / images / static resources |
所以按项目性质来看：
1
2
core research / technical repos: 8 / 8 covered
support repos: 2 / 2 accounted for
这就是为什么我说 LLMQuant 第一阶段可以收束。
What counts as core
这里要把边界说清楚。
我把“核心项目”定义为：
1
有明确技术能力、研究能力、知识能力、工作流能力，或者可以被 Research OS 复用的 repo。
按这个定义，核心项目是这 8 个：
1
2
3
4
5
6
7
8
data-mcp
skills
quant-mind
Magents
awesome-trading-agents
docs
llmquant-book
quant-wiki
.github 不是核心技术项目。它很重要，但它的作用是组织 profile、产品矩阵、社区入口和品牌叙事。
asset 也不是核心技术项目。它是静态资源仓，线上 API 读取内容时还遇到过 HTTP 451 Repository access blocked，所以不适合作为学习拆解对象。
这不是说它们没有价值，而是说：
1
它们不应该占用 LLMQUANT00x 深度技术分析编号。
Architecture recovered
把 000-006 串起来，LLMQuant 的整体形状就很清楚了。
1
2
3
4
5
6
7
community narrative
-> knowledge / education
-> data access
-> workflow routing
-> knowledge structuring
-> strategy simulation
-> ecosystem benchmarking
对应到 repo：
| Layer | Repo | Meaning |
|---|---|---|
| Community / product narrative | .github | What LLMQuant is and how the ecosystem is presented |
| Finance knowledge | docs, llmquant-book, quant-wiki | What humans and agents need to know |
| Evidence access | data-mcp | How agents call finance data and evidence |
| Workflow routing | skills | How finance tasks become repeatable procedures |
| Knowledge structuring | quant-mind | How external text becomes reusable structured knowledge |
| Simulation / execution | Magents | How strategies and agents can be tested |
| Ecosystem radar | awesome-trading-agents | What other trading agent projects exist |
| Static support | asset | Images and resources supporting presentation |
这说明 LLMQuant 不是一个单点项目。
它更像一个 AI-native finance research stack：
1
2
3
4
5
6
Knowledge
Data
Workflow
Agent
Simulation
Community
这对我们非常关键。
因为我们想做的不是“读完几个 repo”，而是把它们抽象成自己的 Research OS。
What we learned
第一阶段最重要的收获不是具体代码，而是架构判断。
1. 数据层不能缺
data-mcp 说明金融 agent 不能只靠模型记忆。
它必须有：
1
2
3
4
5
tool schema
source discipline
retrieval contract
freshness awareness
reproducible evidence
这对应 Research OS 的 EvidenceAccess。
2. workflow 要被显式写出来
skills 和 docs 都在证明一件事：
1
2
金融任务不是一句 prompt。
金融任务是 procedure。
DCF、earnings review、idea generation、bond RV、portfolio rebalance、risk review，这些都应该被写成可重复执行的技能。
这对应 Research OS 的 WorkflowRouter。
3. 知识必须结构化
quant-mind 和 quant-wiki 给出的启发是：
1
2
paper / news / report / wiki page 不能只停留在文本。
它们要进入 schema、metadata、retrieval、memory。
这对应 Research OS 的 KnowledgeLayer。
4. agent 必须被仿真和诊断
Magents 提醒我们：
1
2
策略不是写完就算。
它要经过 simulation、portfolio accounting、order lifecycle、risk control、performance diagnostics。
这对应 Research OS 的 ExperimentRuntime。
5. 要知道生态里还有谁
awesome-trading-agents 的意义不是“收藏链接”，而是：
1
2
3
4
benchmark map
PR opportunity map
learning route
competitor and collaborator radar
这对应 Research OS 的 EcosystemRadar。
6. 教材和百科不是边缘资产
docs、llmquant-book、quant-wiki 共同说明：
1
没有金融知识层，agent 很容易变成会说话但不懂业务的系统。
这对应 Research OS 的 DomainGrounding。
Pengyi Research OS mapping
现在可以给自己的系统画一个更清楚的映射。
1
2
3
4
5
6
7
8
9
Pengyi Quant Research OS
EvidenceAccess <- data-mcp
WorkflowRouter <- skills + Finance Context
KnowledgeLayer <- quant-mind + quant-wiki
CurriculumLayer <- llmquant-book
ExperimentRuntime <- Magents
EcosystemRadar <- awesome-trading-agents
PublicNarrative <- .github inspiration + website posts
StaticAssets <- asset-style support, but not core
这就是我们从 LLMQuant 学到的最重要的系统设计。
未来自己的 R&D Agent 应该这样运作：
1
2
3
4
5
6
7
8
9
10
11
idea request
-> retrieve domain knowledge
-> retrieve evidence
-> choose workflow skill
-> produce hypothesis
-> implement factor / strategy
-> run backtest / simulation
-> diagnose bias and risk
-> generate next research plan
-> human PM review
-> write public-safe artifact
这和我们最开始想的 R&D Agent loop 完全接上了。
Open-source contribution map
下一阶段如果要给 LLMQuant 相关项目提 PR，不能为了 PR 而 PR。
合理的 PR 应该来自真实使用、真实阅读、真实问题。
| Repo | Practical PR direction |
|---|---|
data-mcp | improve examples, add tool docs, clarify schema, add small integration demo |
skills | improve skill routing docs, add workflow test cases, add finance task examples |
quant-mind | add ingestion metadata, improve README examples, add paper/news demo pipeline |
Magents | improve setup docs, add minimal runnable strategy example, clarify architecture diagram |
awesome-trading-agents | add high-quality missing projects only after verifying criteria |
docs | fix stale docs references, add China-market examples, improve bilingual consistency |
llmquant-book | fix URL inconsistency if confirmed, connect chapters to notebooks |
quant-wiki | add concept metadata, improve topic taxonomy, add RAG-friendly export path |
这张表会变成我们的 PR radar。
但顺序应该是：
1
2
3
4
5
use
-> find issue
-> reproduce / document
-> propose fix
-> submit PR
What not to do
现在不应该继续无限“看项目”。
第一阶段已经完成：
1
2
3
4
5
map the ecosystem
understand the layers
identify reusable components
find contribution directions
publish public learning notes
继续横向扫项目，收益会下降。
下一阶段应该进入：
1
build Pengyi Quant R&D Agent
也就是从学习 LLMQuant，转向复用 LLMQuant 的启发，做自己的系统。
Phase 1 conclusion
LLMQUANT000-007 现在形成了一个完整闭环：
| Post | Focus | Output |
|---|---|---|
LLMQUANT000 | study map | global map and learning route |
LLMQUANT001 | data-mcp | evidence access layer |
LLMQUANT002 | skills | workflow routing layer |
LLMQUANT003 | quant-mind | structured knowledge layer |
LLMQUANT004 | Magents | simulation and backtesting layer |
LLMQUANT005 | awesome-trading-agents | ecosystem radar |
LLMQUANT006 | docs, llmquant-book, quant-wiki | finance knowledge layer |
LLMQUANT007 | all public repos | coverage matrix and phase-1 closure |
所以现在可以很明确地说：
1
LLMQuant first-pass study: complete.
下一步不应该只是继续总结。
下一步应该开始设计和实现：
1
LLMQUANT008 -> Pengyi Quant R&D Agent design
目标是把这些启发真正融会贯通：
1
2
3
4
5
6
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
这才是我们自己的主线。
This post is licensed under CC BY 4.0 by the author.