AI + 量化金融系统性学习规划(双轨并行版)¶

Scriptorium · Curriculum — 本路线图是 scriptorium(外部经典文献研习室)的总图,指导未来扩展方向。已落成的研习成果(如 trading-exchanges-zh/)与未来规划文献,均按本路线图组织。

Context¶

用户画像

角色:程序员,使用 Claude Code + Codex 开发金融量化
工具栈:fork 了 superpowers + get-shit-done(GSD)工作流
项目载体:The Alephain Guild 量化生态
Synedrion(AI Council 系统)、Speculum(回测平台)、Philosophers-Stone(策略孵化)、Crucible(生产执行)、Grimoire(方法论)
AI/ML 基础:知道概念但没系统学过(API 调用层,没动过深度学习内部)
量化基础:刚入门(知道夏普/回撤,但因子/微观结构/组合优化未系统学)
时间预算:边做边学,长期持续(12-18 个月规划)
学习偏好:工程优先,但选择方案 C 双轨并行——希望知识体系完整,不要碎片化

为什么是双轨并行(方案 C)

工程优先 ≠ 不要理论。工程优先是"先看到代码长什么样再补数学",但补的过程必须系统。
单轨(只学 AI 或只学量化)会导致 Synedrion 与 Crucible 之间的知识断层——理解不了"AI Council 为什么要这么辩论"或"为什么策略代码要 immutable"。
双轨在 Alephain Guild 里天然交汇:每个子系统都是 AI×量化的组合,学完一层就能在项目里立刻用上。

最终目标(12-18 个月后)

能独立解读 Synedrion/Crucible/Speculum 任何模块的源码与设计意图
能在 Philosophers-Stone 里独立实现 ML 增强的多因子策略并通过 Speculum 验证
能用 Synedrion AI Council 设计新的研究 pipeline,而不是只调用现有 pipeline
能判断"哪些金融问题适合用 ML 解决,哪些是 ML 的陷阱"——这是最值钱的能力
能为 Alephain Guild 写自定义 skill / MCP server / hooks,把个人工作流沉淀为团队资产——AI 协作能力可量化、可复用

知识体系总览¶

                  Alephain Guild 项目(三轨交汇点)
                            ▲
          ┌─────────────────┼─────────────────┐
          │                 │                 │
       AI 轨               量化轨           工具轨(Track 0)
   (从工程到原理)      (从市场到执行)      (贯穿性技能)
          │                 │                 │
   L1 ML 工程基础   ←  L1 市场微观结构  →  T0.1 Claude Code 深度
   L2 深度学习      ←  L2 因子模型      →  T0.2 Codex 协同
   L3 LLM 与 Agent  ←  L3 组合与风险    →  T0.3 MCP 与 Agent 工程
   L4 AI for Finance←  L4 算法交易      →  T0.4 Prompt/Context 工程
          │                 │                 │
          └─────────────────┼─────────────────┘
                            ▼
                  数学基础(横向按需补)
        概率统计 / 线性代数 / 随机过程 / 优化 / 时序

为什么是三轨而不是双轨

工具轨(Track 0)不是与 AI/量化平级的"第三主线",而是"贯穿性技能"——你每天都在用 Claude Code+Codex,工具熟练度的复利效应最大。把工具学习独立列出,但定位是"为前两轨服务",避免变成三条平行学习线让总量爆炸。

AI 轨:从工程到原理,层层深入¶

Layer A1:ML 工程基础(2-3 个月)¶

学习目标

熟练使用 pandas / NumPy / scikit-learn / PyTorch,能独立完成监督学习、无监督学习、特征工程的完整工作流,理解过拟合/正则化/交叉验证。

核心读物

书	作者	年份	用法
《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》(3^rd ed.)	Aurélien Géron	2022	主线,通读。工程优先的 ML 标杆教材
《Python Machine Learning》(4^th ed.)	Sebastian Raschka	2022	配合 PyTorch 实战的副线
《The Hundred-Page Machine Learning Book》	Andriy Burkov	2019	速读补盲(2 周)

配套实战

Kaggle "Optiver Realized Volatility Prediction" 或 "Two Sigma Financial News" 题目走一遍
在 Speculum 里给一个现有策略加一个 ML 特征筛选环节

验收标准(能回答这些问题)

为什么交叉验证在金融时序里要用 walk-forward 而不是 KFold?
L1/L2 正则化的几何含义?为什么 L1 产生稀疏解?
Bias-Variance tradeoff 怎么用学习曲线诊断?

Layer A2:深度学习(2-3 个月)¶

学习目标

理解 CNN / RNN / Transformer 工作原理,能用 PyTorch 从零实现 attention 机制,能微调预训练模型。

核心读物

书	作者	年份	用法
《动手学深度学习》(D2L,中英双版)	李沐等	2024 第 2 版	主线。代码驱动,中文友好,d2l.ai 在线版本免费
《Deep Learning with PyTorch》	Eli Stevens 等	2020	PyTorch 工程视角的副线
《Deep Learning》(花书)	Goodfellow / Bengio / Courville	2016	索引参考,不通读,遇到原理回查

论文必读清单(每篇配一份手写笔记)

"Attention Is All You Need"(Transformer 原文,Vaswani 2017)
"BERT: Pre-training of Deep Bidirectional Transformers"(Devlin 2018)
"An Image is Worth 16x16 Words"(ViT,Dosovitskiy 2020)

进阶在线课

Stanford CS231n(计算机视觉)
Stanford CS224n(NLP,2024 版重点讲 LLM)

配套实战

实现一个 LSTM 时序预测模型预测 BTC 收益率,然后用 Transformer 替换对比
微调一个小型 BERT 做金融文本情感分类

验收标准

能从零实现 self-attention(numpy + PyTorch 两版)
能解释 BERT 的 MLM 与 GPT 的 CLM 在训练目标上的差异
能讲清 Layer Norm vs Batch Norm 的应用场景

Layer A3:LLM 与 Agent(2-3 个月)——与 Synedrion 直接对接¶

学习目标

掌握 LLM 应用工程,能设计 multi-agent 系统、做 RAG、调试 prompt,理解为什么 Synedrion 的 5-role council 这样设计。

核心读物

书	作者	年份	用法
《AI Engineering: Building Applications with Foundation Models》	Chip Huyen	2025	主线。系统级 LLM 工程教材
《Designing Machine Learning Systems》	Chip Huyen	2022	ML 系统设计基础(Synedrion 架构借鉴)
《Building LLMs for Production》	Louis-François Bouchard 等	2024	LangChain / LlamaIndex 实战手册

论文必读

"Chain-of-Thought Prompting"(CoT,Wei 2022)
"ReAct: Synergizing Reasoning and Acting"(Yao 2022)
"Retrieval-Augmented Generation"(RAG 原文,Lewis 2020)
"Constitutional AI"(Bai 2022,Anthropic)——Synedrion 的 Constitution Engine 直接受此启发
"Self-Consistency Improves Chain of Thought"(Wang 2022)

配套实战(直接用 Synedrion 代码)

通读 synedrion/src/core/constitution.py,理解 Grimoire 原则注入机制
通读 synedrion/src/core/ai_council.py + debate_engine.py,理解 5-role 辩论
用 ChromaDB(knowledge_base.py)做一个个人金融论文 RAG 问答系统
给 AI Council 增加一个新角色(如 "Quant Theorist"),走完整 brainstorming → 落地流程

验收标准

能用 LiteLLM 调用 6 个 provider 并比较输出差异
能设计一个新的 multi-agent 辩论流程,而不是只调用现有 pipeline
能解释 prompt cache、temperature、top-p 在 council 不同角色里为什么这样配

Layer A4:AI for Finance(持续,与项目并行)¶

学习目标

理解 ML 在量化里的真实边界——什么场景能用、什么场景是陷阱。这是双轨融合的核心。

核心读物(顺序很重要)

书	作者	年份	用法
《Advances in Financial Machine Learning》	Marcos López de Prado	2018	必读。AFML 是量化 ML 圣经,讨论 dollar bar / triple barrier / meta-labeling 等独门方法
《Machine Learning for Asset Managers》	López de Prado	2020	AFML 的精炼版,薄但密度高
《Machine Learning for Algorithmic Trading》(2^nd ed.)	Stefan Jansen	2020	实战大全,代码全部开源在 GitHub
《Machine Learning in Finance》	Dixon / Halperin / Bilokon	2020	学术派,理论与实证并重

论文必读

"Empirical Asset Pricing via Machine Learning"(Gu, Kelly, Xiu, RFS 2020)——ML 资产定价奠基作
"Deep Hedging"(Buehler 等 2019)——衍生品对冲的深度学习方法
"FinBERT"(Araci 2019)、"BloombergGPT"(2023)——金融 LLM
"Forecasting Stock Returns: A Comparison of Methods"——传统方法 vs ML 对比

配套实战

在 Philosophers-Stone 里实现 López de Prado 的 triple-barrier labeling
在 Speculum 里跑一组对比实验:OLS 因子 vs Random Forest 因子 vs XGBoost 因子
用 Synedrion 让 Critic 角色对一个 ML 策略做 overfitting 审查

验收标准

能列出"金融时序 ML"相比"标准 ML"的至少 5 个特殊处理(如 fractional differentiation、purged k-fold)
能判断一篇 ML 量化论文是否存在 lookahead bias / survivorship bias

量化轨:从市场到执行,逐层下沉¶

Layer Q1:市场认知与微观结构(2-3 个月)¶

✅ 现状:scriptorium 已通过 trading-exchanges-zh/ 完成 Q1 超额产出 ——Larry Harris 全书 29 章 + 38 章扩展(HFT、暗池、加密 CEX/DEX/AMM、MEV、ETF、A 股、期权、期货、外汇、信用、稳定币、SRE 风控、回测仿真等),覆盖 Q1 全部目标 + 部分 Q2/Q3/Q4 主题。本 Layer 重心从"读 Harris"转为"实战 + 补充经典":读 Cartea / Jaimungal / Penalva 与 Hasbrouck,把已有研习转化为 Speculum/Crucible 中的代码资产。

学习目标

理解市场是怎么运作的——价格形成机制、流动性、订单流、做市商动机。没有这一层,所有"alpha 信号"都是空中楼阁。

核心读物

书	作者	年份	用法
《Trading and Exchanges: Market Microstructure for Practitioners》	Larry Harris	2003	主线必读。微观结构圣经,虽老但根基
《Algorithmic and High-Frequency Trading》	Cartea / Jaimungal / Penalva	2015	数学化的微观+算法交易,Cambridge 出版
《Empirical Market Microstructure》	Joel Hasbrouck	2007	实证视角,补充 Harris

中文/入门补充

《海龟交易法则》(Curtis Faith)——经典系统化交易思维
《量化投资:策略与技术》(丁鹏)——中文入门,A 股语境

配套实战

拿一个交易品种(BTC/USDT 或沪深 300 ETF)的 Level-2 数据,写出:
加权中间价 / 价差 / 深度 / 订单流不平衡(OFI)指标
实证检验:OFI 对未来 10 秒收益率是否有预测力?
在 Crucible 的 risk module 里实现一个滑点+市场冲击成本模型

验收标准

能解释为什么 limit order 与 market order 的成交结构在牛熊不同
能讨论"为什么手续费、滑点、市场冲击成本不能忽略"——这是新手最容易踩的坑
能讲清做市商的 inventory risk 与 adverse selection

Layer Q2:因子模型与统计套利(2-3 个月)¶

学习目标

理解 alpha 的来源——为什么有些因子赚钱、为什么会失效。能独立构建多因子模型。

核心读物

书	作者	年份	用法
《Active Portfolio Management》(2^nd ed.)	Grinold / Kahn	1999	必读。主动管理圣经,IR / IC / Fundamental Law
《Quantitative Equity Portfolio Management》	Chincarini / Kim	2006	因子模型实战
《Asset Pricing》(Revised)	John Cochrane	2005	资产定价理论根基,数学严格
《Expected Returns》	Antti Ilmanen	2011	各类资产收益的实证综述,经典

论文必读

Fama-French 三因子(1993)、五因子(2015)
Carhart 四因子(1997)
"Bayesian Alpha-Forecasting"(Jorion)
"Betting Against Beta"(Frazzini & Pedersen 2014)

进阶

《Quantitative Investment Analysis》(CFA Institute)——系统教材
《Efficiently Inefficient》(Pedersen)——对冲基金视角

配套实战

在 Philosophers-Stone 里加一个新的多因子策略(动量 + 价值 + 质量)
在 Speculum 里做一次 IC / IR / 分组回测全套分析
用 Synedrion AI Council 辩论一个因子是否会失效——让 Critic 找漏洞,Architect 提改进

验收标准

能解释"为什么价值因子在 2010-2020 年失效",并列出至少 3 种修复思路
能从零写一个截面回归求 factor return
能讨论 Barra 风险模型的结构与 alpha 模型的差异

Layer Q3:组合优化与风险管理(2-3 个月)¶

学习目标

从单策略到组合管理。理解"凑齐 10 个 0.5 夏普的策略,组合后能跑出 1.5 夏普"的数学是怎么来的。

核心读物

书	作者	年份	用法
《Risk and Asset Allocation》	Attilio Meucci	2005	必读。资产配置数学全书,从分布到优化
《Modern Portfolio Theory and Investment Analysis》(9^th ed.)	Elton / Gruber	2014	经典教材
《Robust Portfolio Optimization and Management》	Fabozzi 等	2007	鲁棒优化
《Risk Management and Financial Institutions》(5^th ed.)	John Hull	2018	风控基础,VaR/ES
《Volatility Trading》(2^nd ed.)	Euan Sinclair	2013	波动率交易实战

配套实战

在 Crucible 里实现:
组合层 VaR / Expected Shortfall 计算
多策略权重分配(等风险贡献 ERC、最小方差、Black-Litterman 三选一)
给 Crucible 的 circuit breaker 加一个 portfolio-level drawdown 触发器

验收标准

能从零推导 Markowitz mean-variance 解析解
能讨论 mean-variance 的失败原因(estimation error)与 Black-Litterman 的修复
能在多策略组合中做风险预算

Layer Q4:算法交易与执行(持续)¶

学习目标

从信号到订单——生产环境工程。这是 Crucible 的核心。

核心读物

书	作者	年份	用法
《Algorithmic Trading: Winning Strategies and Their Rationale》	Ernest Chan	2013	必读。Chan 系列入门款
《Quantitative Trading: How to Build Your Own Algorithmic Trading Business》(2^nd)	Ernest Chan	2021	工程实战
《Optimal Trading Strategies》	Robert Kissell	2003	TWAP / VWAP / IS 等执行算法
《The Science of Algorithmic Trading and Portfolio Management》	Robert Kissell	2013	执行成本分析,综合教材

配套实战

通读 Crucible 的 crucible_engine/ 源码,理解 immutable strategy 设计
在 Crucible 里实现一个 TWAP 执行算法
实现一个 Implementation Shortfall 度量,接入 observability dashboard

验收标准

能解释 TWAP / VWAP / Implementation Shortfall 各自适合什么市场
能讨论"strategy code 为什么要 immutable"——研究与执行分离的工程哲学
能设计 fill quality 监控

工具效率轨(Track 0:贯穿全程)¶

这一轨不是与 AI/量化轨平级的"第三主线",而是"贯穿性技能"。 你每天都在用 Claude Code+Codex 写代码,工具熟练度提升 1 倍 = AI 轨/量化轨学习速度也提升 1 倍。所以早期(Month 0-3)集中投入,之后持续优化。

T0.1 Claude Code 深度精通(Month 0-2 集中,之后持续)¶

学习目标

掌握 Claude Code 全功能:skills / hooks / subagents / MCP servers / slash commands / output styles / CLAUDE.md 层级 / settings.json 配置 / sessions / plan mode / worktrees。

核心资料

Claude Code 官方文档(docs.claude.com/en/docs/claude-code)——每个章节都看一遍,不要跳
Anthropic 工程博客的 Claude Code 系列(尤其 "Claude Code Best Practices"、"Building Effective Agents"、"Engineering at Anthropic")
你已 fork 的 superpowers / get-shit-done 仓库源码——这是一手最佳实践,直接读
~/.claude/ 整个目录(plugins、skills、commands、settings)——通读,理解每个文件作用

配套实战

通读 superpowers 7 阶段(brainstorming → writing-plans → using-git-worktrees → tdd → systematic-debugging → requesting-code-review → finishing-a-development-branch)源码,理解每个 skill 的设计动机
通读 GSD 全部 gsd-* 命令(用 /gsd-help 列出),理解 phase-driven 开发为什么有效
给 Alephain Guild 写 1-2 个自定义 skill(例如 /quant:overfit-check 自动用 Synedrion Critic 审查 ML 策略;/synedrion:debate 让 5 角色对一个想法快速辩论)
配置 settings.json 的 hooks(commit 前自动跑 pytest、PR 前跑 GSD 完整 phase 检查)
设计 CLAUDE.md 的三级层级:global(~/.claude/CLAUDE.md)/ project(the-alephain-guild/CLAUDE.md)/ module(各子项目独立)

验收标准

能解释 skill / subagent / hook / MCP server 各自的适用场景与边界
能从零写一个完整 skill(metadata + frontmatter + 流程图 + checklist)
能用 hooks 把"代码改动后自动跑测试""commit 前自动 GSD 检查"做成无感自动化
能讲清 plan mode 的约束(只能写 plan 文件)与价值(强制设计先行)

T0.2 Codex CLI 与多 AI 协同(Month 1-2)¶

学习目标

理解 OpenAI Codex CLI 的设计哲学,与 Claude Code 的核心差异、何时用哪个、如何协同。多 AI 协同不是"用得多",而是"知道每个 AI 擅长什么"。

核心资料

Codex 官方仓库:github.com/openai/codex(README + docs/)
Codex 文档与 changelog
社区评测:Hacker News 讨论、Twitter/X 上 AI 工程师的实际使用对比
重要原则参考:OpenAI "Practices for Building Reliable Agents"

配套实战

同一个任务在 Claude Code 与 Codex 各做一遍(例如"给 Speculum 加一个新指标"),记录差异
设计你的"双 AI 工作流":
探索/重构/复杂推理 → Claude Code(更深的 plan mode、更强的 reasoning)
短平快编辑、单文件操作 → Codex(更轻量、更快)
跨仓库集成、长上下文项目管理 → Claude Code(1M context、subagent)
写一份个人对比笔记到 .planning/learnings/ai-tool-comparison.md,持续更新

验收标准

能列出 Claude Code 与 Codex 在 5+ 维度的差异(模型、context、tool use、subagent、MCP、cost、speed)
能给团队成员一句话讲清"什么任务用哪个 AI"

T0.3 MCP 协议与 Agent 工程(与 A3 同步,Month 6-9)¶

学习目标

深入 MCP 协议规范,掌握 mcp Python SDK,能为任何系统写 MCP server——这正是 Alephain Guild 跨仓库集成的核心(PROJECT.md 的目标就是建立这一层)。

核心资料

MCP 协议官方规范:modelcontextprotocol.io/specification(协议设计哲学+完整 spec)
mcp Python SDK 源码:github.com/modelcontextprotocol/python-sdk(尤其 mcp.server.fastmcp)
Anthropic "How We Build Effective Agents" 白皮书
已有 MCP 服务源码:synedrion/src/mcp_servers/speculum_fastmcp.py、core_server.py

配套实战(直接对接 PROJECT.md 已规划的工作)

完成 PROJECT.md 已规划的 Crucible MCP 服务(参考 speculum MCP 模式,12 个工具,P0~P2 优先级)
完成 debate-bridge MCP(跨 6+ provider 的辩论桥接)
设计 alephain-contracts 共享 Pydantic 包,避免跨仓库 schema 漂移
用 Schemathesis 给 Speculum / Crucible API 加自动化合约测试

验收标准

能从零写一个生产级 MCP server(auth + structured logging + error handling + rate limit)
能解释 FastMCP 内置版(mcp 1.27.0)与 standalone fastmcp 3.x 的取舍——为什么本项目选内置版(与现有代码一致)
能讨论 MCP 与传统 RPC/REST 的差异

T0.4 Prompt 与 Context 工程(Month 4-6,与 A3 协同)¶

学习目标

系统掌握 prompt 设计模式与 context window 管理。LLM 时代的"程序设计"是 prompt 设计——这是新一代工程师的核心技能。

核心资料

Anthropic Prompt Engineering Guide(官方文档,免费)
"The Prompt Report"(Schulhoff 等 2024)——58 种 prompt 技巧综述,索引型必读
Lilian Weng 博客:《Prompt Engineering》《LLM Powered Autonomous Agents》
《AI Engineering》(Chip Huyen)第 3-5 章
Anthropic "Constitutional AI" 论文——直接对应 Synedrion 的 Constitution Engine

配套实战

优化 Synedrion 5 角色 prompt(用 eval 数据集对比改进前后,例如 Critic 找问题率、Architect 假设新颖度)
给 Synedrion 加 prompt cache 监控(命中率目标 >70%)
设计一套"prompt 版本控制"机制(每次改 prompt 都记录在 audit_logs)
实验 zero-shot / few-shot / CoT / Self-Consistency / ToT,看哪种最适合金融场景

验收标准

能讨论 zero-shot / few-shot / CoT / ToT / ReAct 各自适用场景
能为 Critic 写出"故意尖锐但不伤害协作"的 prompt
能解释 prompt cache 的工作原理与命中率优化策略

T0.5 个人效率度量(持续)¶

学习目标

度量自己的开发效率,迭代改进。能用数据回答"AI 协作让我快了多少、哪些任务 AI 不擅长"。

核心资料

《Accelerate》(Forsgren / Humble / Kim)——DORA 4 指标(部署频率、变更前置时间、失败率、恢复时间)
《The Pragmatic Programmer》(20 周年版)——工程素养
superpowers + GSD 内置度量(commits per phase、turnaround time、phase 失败率)

配套实战

用 /gsd-stats 跟踪每月 phase 数、commit 数、turnaround time
月末做一次复盘:本月 AI 协作节省多少时间、哪些任务 AI 不擅长(写到 .planning/retros/)
记录"AI 协作反模式"——例如:在 plan 不清楚时盲目执行、context 太长时不主动 compact

验收标准

能给 12 个月后的自己说出"我比一年前快/好在哪里"——并有数据支撑
能识别并避免至少 5 种 AI 协作反模式

数学基础(横向支撑,按需补)¶

核心原则:不预先啃,遇到时回查。

主题	主要参考	何时回查
概率论与数理统计	《Statistical Inference》(Casella & Berger);《All of Statistics》(Wasserman)	A1 / Q2 学到假设检验、回归
线性代数	《Linear Algebra and Its Applications》(Strang);3Blue1Brown 视频系列	A2 / Q3 学到 PCA、矩阵分解
随机过程	《Stochastic Calculus for Finance I+II》(Steven Shreve)	Q3 学到衍生品定价、Itô 引理
凸优化	《Convex Optimization》(Boyd & Vandenberghe);Stanford EE364A 公开课	Q3 学到组合优化
时间序列	《Analysis of Financial Time Series》(Tsay);《Time Series Analysis》(Hamilton)	A2 / Q1 学到 GARCH、协整

中文补充:《概率论与数理统计》(陈希孺)——简洁经典。

工程基础(辅助提升)¶

书	用途
《Designing Data-Intensive Applications》(Martin Kleppmann)	数据系统设计——理解 Speculum / Crucible 后端架构
《Python for Finance》(2^nd ed., Yves Hilpisch)	量化 Python 编程
《Building Microservices》(2^nd ed., Sam Newman)	Synedrion 的 microservice 拆分

与 Superpowers / GSD 工作流的集成¶

每个 Layer 完成时的标准流程

学习阶段
/gsd-explore 做苏格拉底式提问,梳理学完的关键概念
/gsd-capture 把笔记捕获到知识库(可同时进 Synedrion 的 ChromaDB RAG)
实战阶段
/superpowers:brainstorming 设计实战项目
/superpowers:writing-plans 写实施计划
/gsd-quant-pipeline 走完整 Alpha Alchemy 4 阶段(INSIGHT → MODELING → REFINEMENT → VERIFICATION)
沉淀阶段
/gsd-extract-learnings 提取本 Layer 的关键决策、踩坑、模式
/gsd-lessons 记录到 historical-lessons.md
综合演练
每完成 2 个 Layer 配对(A1+Q1、A2+Q2…),在 Alephain Guild 里走一次完整流程: 从想法 → AI Council 辩论 → 数学建模 → Speculum 回测 → Crucible 部署

时间安排(弹性,以产出物为里程碑)¶

总周期:12-18 个月(双轨并行,每条轨 4 个 Layer × 2-3 月,可重叠)

不严格按月,而是用产出物作为里程碑:

时点	AI/量化轨状态	工具轨状态	Alephain Guild 产出
Month 0	建立学习仓库 + 模板	T0.1 启动:Claude Code 全功能精通	个人 learning-tracker + 自定义 1 个 skill
Month 1-2	A1 + Q1 启动	T0.1 完成 + T0.2 启动(Codex 协同)	superpowers 源码精读完成 + 双 AI 工作流确立
Month 3	A1 + Q1 完成	T0.2 完成	Speculum 中跑通 ML 策略 + 微观结构分析报告
Month 4-5	A2 + Q2 推进	T0.4 启动(Prompt 工程)	Synedrion 5 角色 prompt 优化(带 eval 对比)
Month 6	A2 + Q2 完成	T0.4 完成 + T0.3 启动(MCP/Agent)	Philosophers-Stone 中实现 LSTM/Transformer 因子
Month 7-8	A3 + Q3 推进	T0.3 推进	Crucible MCP 服务上线(P0 工具)
Month 9	A3 + Q3 完成	T0.3 完成	Synedrion 新 Council 角色 + Crucible portfolio VaR + debate-bridge MCP
Month 10-11	A4 + Q4 推进	T0.5 持续	论文复现 1-2 篇
Month 12	A4 + Q4 完成	全部贯穿性技能成熟	1 个生产级 ML 增强策略部署到 Crucible
Month 12-18	进阶深耕	T0.5 持续度量	贡献开源策略库、写技术 blog、复现前沿论文

关键文件路径与现有资产对接¶

学习模块	项目对接文件	备注
A3 LLM/Agent	`synedrion/src/core/constitution.py`、`ai_council.py`、`debate_engine.py`	Constitution AI / multi-agent 实战
A3 RAG	`synedrion/src/services/knowledge_base.py`	ChromaDB 实战
A4 AI for Finance	`alchymia-labs/philosophers-stone/_template/`	策略模板
Q1 微观结构	Speculum 数据层	Level-2 数据接入
Q2 因子	`philosophers-stone/momentum/`、`portfolio/rebalancing/`	现有因子代码参考
Q3 组合	`tesseract-trading/the-crucible/config/risk/`	风控规则集成
Q4 执行	`tesseract-trading/the-crucible/crucible_engine/`	执行引擎
方法论	`grimoire/methodology/01-alchemy-overview.md`-`05-verification-phase.md`	Alpha Alchemy 4 阶段对应学习的实战流程

验证(End-to-End 检查)¶

每个 Layer 完成后,通过以下方式验证学习效果:

代码验证:能独立修改 Alephain Guild 对应模块,通过 pytest 与 Speculum 回测验证
概念验证:能用自己的话向"3 个月前的自己"解释本 Layer 的核心概念,无需查书
批判验证:能找出对应模块当前实现的 1-2 个可改进点(过拟合风险、未处理的 edge case 等)
Council 验证:用 Synedrion 让 5 个角色对你写的代码做一轮辩论,看 Critic 能否找到你没想到的问题

最终验证(Month 12+):

能独立完成一个论文复现:从 paper → mathematical model → code → backtest → 写复现报告
能在 Alephain Guild 主仓库提交 PR(策略、组件、文档任一)并通过 code review

学习反模式(避免)¶

不要先啃数学:数学基础按需补,不要花 3 个月看完 Strang 再开始——你会忘光
不要只看不写:每个 Layer 必须有代码产出,Markdown 笔记不算
不要跳过 Q1:微观结构是后面所有 Q 模块的根基,跳过会导致 Q2 的因子设计无市场感
不要积压论文:每周最多新读 1 篇,优先消化已读
不要孤立学习:每个 Layer 至少完成一次 Synedrion AI Council 辩论,让 Critic 找漏洞
不要忽视工具轨:Track 0 的复利效应最大——Claude Code/Codex 熟练度 +1 倍 ≈ 学习速度 +1 倍。前 2 个月先把工具吃透,比急着推 AI/量化轨更划算
不要让 AI 替你思考:AI 能写代码、能解释概念,但不能替你形成"市场直觉"。工具轨的目的是让你写得更快,不是让你思考更少