黄超老师与 HKUDS 全量尽调

黄超老师与 HKUDS 全量尽调报告

快照时间：2026-08-12 07:16:37 CST（UTC+08:00） 报告范围：PI、团队、研究演进、论文、开源项目、组织模式、招生路径、 Pengyi 适配度、风险与下一步切入口。 证据规则：事实只来自官方页面、论文页和公开仓库；stars、引用数和奖项若 来自团队自述则明确标注；研究判断与组织判断均标记为推断。

0. 一页结论

总判断

黄超老师组是 Pengyi 当前 P0 级博士、RA/长期远程研究合作目标。真正的 匹配点不是笼统的“大家都在做 Agent”，而是双方都在尝试跑通：

研究问题
-> 可证伪方法与评估
-> 可运行开源系统
-> 用户、贡献者与真实 failure cases
-> 新研究问题
-> 下一轮论文和系统迭代

对 HKUDS 更准确的定义是：

以图学习、推荐、数据挖掘和时空智能为学术底座，向上建立 RAG、Agent runtime、tool/skill/memory/harness 和 multi-Agent 能力，再将这些能力部署 到科研、编程、教育、交易、视频、软件控制和个人生产力场景中，并通过 开源社区形成研究与工程反馈。

立即决策

推荐主切入口

Leakage-Safe and Failure-Aware Evaluation for Agentic Quant Research Systems，即“面向 Agentic 量化研究系统的防泄漏与故障感知评估”。

它把 HKUDS 的 DeepResearch evaluation、OpenHarness、LightRAG 和 Vibe-Trading 与 Pengyi 的 Quant/FICC、PAT、PPRT 真实证据连接起来，而且 能形成论文、benchmark、harness 和开源仓库四类成果。所有效果目前均为 UNMEASURED。

1. 证据口径与限制

本报告按四类证据分层：

1. 官方事实：HKU 个人主页、实验室主页、招生页、HKU CDS 招生页。
2. 论文事实：论文官网、arXiv、正式 venue 信息。
3. 开源快照：GitHub organization、repository、release 和 PR 页面。
4. 分析推断：从研究与项目组合推导出的架构、组织方式和适配判断。

以下内容不能直接当成独立验证的研究质量：

• stars、forks、GitHub Trending 次数；
• 实验室或个人主页自述的引用量、h-index 和奖项；
• README 中未经独立复现的性能或能力声明；
• 项目数量和更新速度。

指标还存在明显快照差异：HKU 个人页写有超过 14,000 次引用和约 77,000 GitHub stars，而实验室 publications 页显示 19,000+ citations、h-index 70， 本次 GitHub API 聚合则约为 350,921 stars。这些数字很可能来自不同更新时间、 统计范围或口径，故本报告只把它们作为“公开影响力自述/分发规模”，不汇总成 单一确定指标。

2. PI 全景

2.1 已核实身份

HKU 官方页面显示，Chao Huang（黄超）是香港大学数据科学研究院与计算与 数据科学学院的 Assistant Professor、PhD supervisor，并领导 Data Intelligence Lab。当前公开研究重点包括：

• Large Language Models；
• AI Agents；
• Graph Machine Learning。

其公开经历包括 University of Notre Dame 博士和 JD Research America Scientist。HKU 官方个人页还列出 WAIC 2024 Bright Star、2024 Frontier Science Award、2025 AI100 Young Pioneers、2025 Global AI 2000 等荣誉； 这些是官方个人页展示的信息，本报告未逐项进行奖项主办方的二次核验。

2.2 研究者画像

事实：研究跨越图学习、推荐、时空智能、RAG、AI Agents 和开源系统。

推断：黄超老师并非只做“模型论文”或只做“开源产品”，而是在推动一种 paper-system-community 联动的研究生产方式。对于组员，这很可能意味着：

• 需要同时具备研究定义、工程落地和公开沟通能力；
• 项目必须较快形成 runnable artifact；
• 研究价值、维护成本与社区反馈会同时进入项目决策；
• 学生可能获得较强的项目 ownership，也会承担较高的交付和维护压力。

上述组织判断需要通过老师和组员交流核实，不能仅凭仓库推断。

3. 团队与项目责任图

实验室官方 Group & Join Us 页面在本次快照中列出 20 位 Group Members。 页面未对所有人统一标明 PhD、MPhil、RA 或 visitor 身份，因此这里只记录名字与 公开项目关联，不擅自推断学籍和雇佣关系。

3.1 对 Pengyi 最相关的技术节点

按当前项目证据，不代表联系优先级：

• Jiabin Tang：OpenHarness / AutoAgent / AI-Researcher / ClawTeam；
• Zirui Guo：LightRAG / RAG-Anything；
• Tianyu Fan：AI-Trader / MiniRAG / DeepResearch evaluation；
• Haozhe Wu：Vibe-Trading。

正式申请和首次研究联系仍应遵循官方 join 页面，直接面向黄超老师并使用规定 的邮件主题，不做无差别组员群发。

4. 研究演进：2021–2026

4.1 2021–2023：图、推荐与时空学习基础

这一阶段的核心积累包括 graph contrastive learning、self-supervised recommendation、knowledge graph recommendation、spatio-temporal forecasting。它形成了后续系统所需的结构化表示、关系推理、排序和时空建模 能力。

4.2 2023–2024：图基础模型与 LLM 接入

GraphGPT、HiGPT、OpenGraph、AnyGraph、UrbanGPT、LLMRec、RecLM 等工作 表明研究问题从“单任务模型”扩展到：

• 图上的通用表示和 foundation model；
• LLM 与图、推荐和城市数据的连接；
• 更统一的任务接口和跨数据集迁移。

4.3 2024–2025：RAG 与 Agentic research

LightRAG、MiniRAG、VideoRAG、RAG-Anything 将研究中心推向异构知识检索、 图结构上下文、轻量模型与多模态。AutoAgent、AI-Researcher 和 DeepResearch-Eval 则开始处理 Agent 的构建、科研流程与可测量性。

4.4 2025–2026：Agent 全栈与垂直应用

公开组合已覆盖：

Model / Provider
-> Retrieval and Context
-> Tool / Skill / Memory
-> Harness / Permission / Session
-> Multi-Agent Coordination
-> Domain Workflow
-> Evaluation and Human Review

CLI-Anything、nanobot、OpenHarness、OpenSpace、ClawTeam 等更接近平台层； DeepTutor、Vibe-Trading、AI-Trader、OpenPhone、ViMax 等则验证领域适配。

4.5 研究方向的连续性

“HKUDS 已从图学习切换成 Agent 应用”这一说法并不准确。更合理的解释是：

图、推荐、时空和数据智能仍是底座；RAG 与 Agents 成为新的系统组织方式； 领域项目是验证和扩散渠道。

5. HKUDS 总系统架构

Layer A  Data Intelligence Foundations
         Graph / Recommendation / Spatio-temporal / Ranking
                         |
Layer B  Context and Retrieval
         LightRAG / MiniRAG / RAG-Anything / VideoRAG
                         |
Layer C  Agent Runtime and Capabilities
         Tools / Skills / Memory / Harness / Permission / Multi-Agent
                         |
Layer D  Research and Coding Systems
         AI-Researcher / DeepResearch-Eval / DeepCode / Paper2Slides
                         |
Layer E  Vertical Applications
         Education / Trading / Mobile / Video / Smart City
                         |
Layer F  Open-source Feedback and Distribution
         Users / Contributors / Issues / Releases / Failure Cases

这不是 HKUDS 发布的正式组织图，而是本报告对公开研究与代码组合的架构推断。

6. 论文矩阵

6.1 2026 年代表工作

6.2 2025 年代表工作

6.3 最应先读的四篇

1. Understanding DeepResearch via Reports：报告质量、冗余、事实性、

LLM judge 与专家一致性；100 个 query、12 类任务、4 个商业系统。

1. AutoAgent：Agent 构建、系统工具、可执行引擎与自定义。
2. LightRAG：图增强检索、双层 retrieval 与增量更新。
3. AI-Researcher：从文献/想法到算法、实验验证与论文写作的自动科研链路。

这四篇分别对应 Evaluation -> Harness -> Retrieval -> Research Workflow， 足以支撑第一次高质量交流。PPHD Paper Reviewer 应对每篇记录 claim、baseline、 数据、metric、reproducibility、failure 和 extension，而非只写摘要。

7. 开源组合快照

7.1 GitHub API 快照

快照时间：2026-08-12 07:14:34 CST（UTC+08:00）。

这些是时间敏感的分发与活跃度快照，不是论文质量或维护质量结论。

7.2 Stars 最高的代表项目

7.3 对开源组合的判断

优势：项目可运行、传播强、覆盖 runtime 到 vertical application、能获得 真实用户 failure cases，并且存在 paper-code linkage。

风险：项目数量和传播速度可能带来维护负担；stars 会奖励易传播产品而非 严谨研究；不同仓库的数据、benchmark、测试成熟度可能差异很大；多个相似 Agent 项目需要核实复用边界和长期 owner。

8. 组织与研究生产模式

8.1 可观察事实

• 学生名字与多个公开项目/论文绑定；
• 仓库覆盖 paper implementation、framework、product 和 benchmark；
• 多个项目持续 release，并接受外部 issue/PR；
• HKU IDS 2025 Research Seed Funds 公告列出黄超老师为

Towards Autonomous Scientific Research with LLM Agents 的 PI，研究主题 包括 AI for Science、LLMs、AI Agents。

8.2 推断的运行模型

PI research portfolio
-> student/project ownership
-> paper and open-source artifact
-> community adoption and failures
-> benchmark/method refinement
-> new project or paper

这套模式对能主动定义问题、稳定交付、维护开源项目的人有吸引力；对需要高度 结构化手把手指导、难以承受公开交付压力或无法长期聚焦的人可能不理想。

8.3 必须面谈核实的问题

1. 每周与导师/直接 mentor 的交流频率和形式是什么？
2. 课题由 PI 指定、学生提出还是项目演化产生？
3. paper、repo、产品化和维护分别如何计入学生优先级？
4. authorship、project ownership 和长期 maintenance 如何约定？
5. 计算资源、私有数据和实验预算如何分配？
6. 组内如何执行 ablation、统计检验、negative result 和复现？
7. 自费名额、奖学金名额、RA 和 remote intern 的具体边界是什么？

9. 招生、合作与时间线

9.1 实验室公开入口

官方 join 页面显示：

• 持续招收 PhD/MPhil applicants；
• PhD/MPhil 申请人在正式申请中选择黄超老师，并可 case-by-case 讨论；
• 页面提到若干 self-financed PhD/MPhil positions；
• 欢迎 RA、remote intern 和 visitor，优先希望持续至少 6 个月；
• 邮件主题应为 Prospective Student: Your Name - Your Affiliation；
• 邮件需概述教育、研究成果、编程/理论能力，并附 PDF resume。

self-financed 不等于已获得 scholarship，也不代表任何个人已有录取或经费。

9.2 HKU CDS 2027 入学节点

HKU CDS 页面列出的 English requirement 包括在不满足英语授课学历豁免时提供 TOEFL iBT 85+ 等合格证明，并要求 research proposal。支持材料页面还要求两位 referees；PhD applicant 的论文/英文研究写作样本等具体要求应按申请系统再次 核对。

9.3 建议三线并行

1. Formal application：不把交流结果当作正式录取替代品。
2. Evidence-led conversation：以研究问题和 4 个 merged PR 为入口。
3. Continued OSS contribution：只做有边界、可测试、有价值的修复。

10. Pengyi 已有证据

截至本报告时间，GitHub 公开页面核实了 4 个由 pengpengyi92 提交并合并的 HKUDS PR：

这些 PR 能证明：

• 能读懂真实上游项目；
• 能定位边界条件和系统 invariant；
• 能做 scoped fix、测试和 maintainer 协作；
• 已在 RAG 与 finance 两个相关项目建立可验证互动。

它们不能证明：已达到博士研究方法要求、已有论文能力、已获得导师认可或录取。

11. Pengyi 适配度矩阵

11.1 真实优势

Pengyi 的差异化不是“有很多 Agent repo”，而是：

• 金融领域约束、数据时间性、风险与数值边界意识；
• 能从 issue 进入上游代码，保护 invariant 并完成合并；
• 能把系统架构、evaluation 和开源交付放到同一条链上；
• 有机会把 HKUDS 的通用 Agent stack 推入一个严格、真实、可复现的金融场景。

11.2 最大风险

最大的风险不是不会做项目，而是 项目过多导致研究问题不够深。申请材料中 不得展示完整 Pengyi OS 目录来替代研究成果。应该只展示：

one research question
+ one benchmark protocol
+ four merged PRs
+ one reproducible pilot
+ one honest limitation section

12. 主研究切入口

12.1 研究问题

在固定 point-in-time 数据、工具、模型预算和市场时间戳条件下，RAG、memory、 harness 与 multi-Agent coordination 中哪些能力真正提升量化研究报告的事实 支持、可复现性和故障恢复，哪些只会增加成本、方差或 unsupported claims？

12.2 与 HKUDS 资产的连接

12.3 冻结实验设计

Public or synthetic point-in-time finance tasks
        |
        +-> deterministic non-Agent baseline
        +-> single-Agent baseline
        +-> Agent + RAG
        +-> Agent + memory
        +-> multi-Agent / harness
        +-> stale-data and tool-failure variants
        |
        -> repeated runs + replay + human audit

建议指标：

• factual support / citation correctness；
• temporal leakage rate；
• unsupported claim rate；
• result variance across runs；
• tool failure detection and recovery；
• replay success and reproducibility；
• latency、token/API cost、human correction time；
• 简单金融结果的一致性与风险约束违反率。

所有 baseline 结果、效果提升和成本数据均为 UNMEASURED，直到任务集、数据 版本、模型版本、seed、预算和 stop rule 固定并真正运行。

12.4 可发表性判断

只有同时满足以下条件，才值得向论文推进：

1. 新 benchmark 暴露现有 Agent evaluation 无法观察的 failure；
2. 提供可重复的 point-in-time task/data protocol；
3. 至少有一个方法或 harness 改动在冻结数据上显著改善核心 metric；
4. 有 negative result、ablation 和跨模型/跨任务稳健性；
5. 金融 domain 不是换皮，而是带来时间泄漏、成本、风险和执行约束。

13. 备选切入口

Route B：Dynamic Graph-RAG Reliability

围绕 LightRAG 已有贡献研究动态语料下的 graph update invariant、retrieval corruption、truncation、stale state 与 replay。优势是 maintainer evidence 最强； 不足是金融差异化较弱。

Route C：Agent Harness Recovery and Governance

围绕 OpenHarness 研究 permission、session recovery、tool failure、trace 和 multi-Agent coordination benchmark。优势是系统性强；不足是需要先建立直接 贡献和严谨任务集。

Route D：Scientific-Agent Audit

连接 AI-Researcher 与 DeepResearch-Eval，审计 literature evidence、idea novelty、implementation correctness、experiment validity 和 report factuality。 优势是与 PPHD/PRDT 强相关；不足是竞争激烈，必须有明确新方法或 benchmark。

14. 联系前的硬门槛

以下内容未完成前，不发送最终邮件：

• [ ] 一页研究 pitch 已冻结；
• [ ] 四个 merged PR evidence card 已冻结；
• [ ] DeepResearch ReportEval、AutoAgent、LightRAG 三篇 hostile review 完成；
• [ ] 一段真实 mismatch/limitation 已写入；
• [ ] Research CV 和 PDF 体积已检查；
• [ ] 邮件符合官方主题格式且不超过约 180 英文词；
• [ ] funding、admission、paper readiness 无夸大；
• [ ] Human Send Gate 已明确批准。

推荐邮件主题：

Prospective Student: Pengyi Peng - [Current Affiliation]

推荐 opening 的事实骨架：

I recently contributed four merged fixes across LightRAG and Vibe-Trading while studying failure boundaries in retrieval and financial research systems. I am now formulating a leakage-safe, replayable evaluation protocol for agentic quantitative research, connecting report factuality, harness recovery and point-in-time market data.

这只是报告中的草案，不构成已批准邮件。

15. 72 小时执行图

T+12h

1. 完成四 PR evidence card；
2. 对 Understanding DeepResearch via Reports 完成第一份 hostile review；
3. 把主问题压缩为一页，所有结果标记 UNMEASURED。

T+36h

1. 完成 AutoAgent、LightRAG fit card；
2. 冻结 benchmark task schema、baseline、metrics、budget 和 stop rule；
3. 完成 CV + research evidence index。

T+72h

1. 做 PPHD hostile review；
2. 输出 SEND / REVISE / HOLD；
3. 若 SEND，发出一次精准联系；
4. 同时继续 HKU early round 正式材料，不等待邮件回复。

16. 30/60/90 天路线

17. 最终风险清单

学术风险

• 研究问题被大型 Agent benchmark 覆盖，缺乏新颖性；
• 金融任务数据不可公开或容易泄漏；
• LLM judge 偏差导致评估不可信；
• 成果更像 engineering benchmark 而非 method paper。

组织风险

• PI 与学生项目过多，实际指导带宽未知；
• release/maintenance 压力可能挤压深度研究；
• 项目 ownership、authorship 和维护边界未知；
• public visibility 与 academic rigor 的权重可能因项目而异。

个人风险

• 同时维护过多 Pengyi repo；
• 把架构文档误当实证结果；
• 追求“爆款”先于研究问题和实验可信度；
• 未确认 funding 就做不可逆职业决定。

风险控制

• 一次只运行一个 frozen research question；
• 报告、README 和邮件明确区分 measured / unmeasured；
• 通过小规模合作观察 supervision 与项目机制；
• 正式申请、就业 transition 和研究试验保持可逆并行。

18. 最终建议

结论：值得重点申请，也值得尽快进行一次高质量、证据驱动的研究交流。

但目标不应表述为“加入后做爆款 paper/project”，而应表述为：

用可复现 benchmark 和真实开源贡献，研究 Agent 系统在金融时点、检索、工具 故障与报告事实性上的可靠性边界；如果结论成立，再把它发展成论文和长期系统。

当前状态：

• Target: P0；
• Outreach: NOT YET SENT；
• Formal application: ACTIVE PREPARATION；
• Funding: UNVERIFIED；
• Research results: UNMEASURED；
• Human Gate: REQUIRED。

19. Primary Sources

PI、团队与机构

• HKU official profile: Chao Huang
• Data Intelligence Lab homepage
• Group members and Join Us
• Official publication list
• HKU IDS Research Seed Funds 2025 result
• HKU IDS newsletter, June 2026

招生

• HKU CDS MPhil/PhD admission
• HKU Graduate School: How to apply
• HKU Graduate School: Supporting documents
• HKU Graduate School: HKPFS

论文

• Understanding DeepResearch via Reports
• AutoAgent
• LightRAG
• MiniRAG
• VideoRAG
• AI-Researcher repository and paper entry
• Justice or Prejudice?

开源项目与贡献证据

• HKUDS GitHub organization
• OpenHarness
• Vibe-Trading
• LightRAG PR #3574
• LightRAG PR #3607
• LightRAG PR #3622
• Vibe-Trading PR #1066

20. Snapshot Changelog

• 2026-08-12 07:14:34 +08:00: captured GitHub organization aggregate and

repository activity snapshot.

• 2026-08-12 07:16:37 +08:00: froze PI/group/admission/source snapshot and

generated this PPHD full-diligence report.

• Future refresh trigger: supervisor/team page change, new admission deadline,

material paper/project release, funding update, or direct conversation.