一、能力模型总览：量化工程五层金字塔
量化不是单一技能，而是一条从”数据”到”真金白银”的完整链路。把它拆成五层能力，下层是上层的地基：
顶层总路径见 量化投资学习路径图 —— 先看它了解金融、工程两条线的全局与前后依赖、以及两线在哪里交汇，再回本篇深入。
姊妹篇：量化金融能力知识图谱与学习路线。本图讲”怎么把机器造出来”（工程），姊妹篇讲”机器加工的对象——金融本身”（定价/风险/组合/执行）。两者互补。
二、五层知识图谱概览
五层对应五篇专栏，点进去看该层的完整知识点与课程讲次。掌握度：✅ 系统覆盖 🟡 部分 🔴 缺口。
① 基础层 · Python 与数据处理内核
两块地基：编程与软件工程（面向对象、设计模式、元类、测试、并发）+ 数据处理内核（numpy 的 strides/视图与拷贝，pandas 的 BlockManager、Index 哈希表、Categorical/MultiIndex 的字典编码、factorize、int64 时间序列）。角度是内核解剖——不停在会用，读到源码、跑出为什么快为什么坑。
- 对应课程：OOP4 + pandas → 详见 【工程·基础篇】Python 与数据处理内核
② 研究层 · 机器学习算法与量化应用
量化研究的看家本领，分两段。上半是算法：经典机器学习到深度学习，每个算法先用 NumPy 从零手搓，再剖析 sklearn/PyTorch 的真实实现（Cython 内核、nn.Module），最后对拍验证。下半是量化应用：因子、回测、组合、时序、NLP、深度学习与强化学习，配金融脚手架，并把前视/幸存者/过拟合等回测陷阱逐个点名演示。
- 对应课程：ML + ML4T → 详见 【工程·研究篇】机器学习算法与量化应用
③ 平台层 · 解剖 qlib 与读框架方法论
把工业级 AI 量化平台 qlib 的七层架构逐层拆开：存储、缓存、表达式引擎（字符串 DSL + eval 建树）、数据 Handler、模型、策略回测、工作流。同时提炼出一套读大型开源框架的五步法（找入口 / 追一条数据 / 读继承树 / 认设计模式 / 划边界），这套方法读任何框架都通用。
- 对应课程：qlib → 详见 【工程·平台篇】解剖 qlib 与读框架方法论
④ 工程层 · 用 MLflow 把量化研究工程化
把研究从”改个参数就复现不了”变成可追踪、可复现、可上线的流水线：实验追踪、可复现三要素（代码+数据+参数）、模型打包与 Registry（版本/别名治理）、统一评估、漂移监控、部署与编排。每个主题都有一个在真数据上跑通的 demo。
- 对应课程：MLflow → 详见 【工程·工程篇】用 MLflow 把量化研究工程化
⑤ 进阶层 · LLM 自动化研究与后续方向
上半是已经落地的前沿：RD-Agent 用 LLM 自动做因子/模型研发——R&D 双循环、七个契约抽象、元类 Loop 引擎、CoSTEER 进化式代码生成、Docker 沙箱执行。下半是这套课还没覆盖的方向，作为后续路线图：🔴 执行与市场微观结构、🔴 风险管理、🔴 实盘/生产交易系统、🔴 衍生品与多资产、🟡 统计严谨性方法论（deflated Sharpe/PBO）。
- 对应课程：RD-Agent + 缺口 → 详见 【工程·进阶篇】LLM 自动化研究与后续方向
三、学习路线（Roadmap：从 0 到能上线）
一条推荐的进阶阶梯，每阶都有”学什么 / 为什么 / 产出”。顺序即依赖——别跳级。
| 阶段 | 课程 | 学什么 | 为什么在这一步 | 学完你能 | 主要参考书目 |
|---|---|---|---|---|---|
| 0 地基 | OOP4 | Python 面向对象、软件工程、设计模式 | 量化代码是软件，先会写软件 | 写出结构清晰、可维护的代码 | Lott & Phillips《Python Object-Oriented Programming》4e |
| 1 数据 | pandas | 数据处理 + numpy/pandas 内核 | 量化 90% 时间在处理数据；懂内核才写得快、不踩坑 | 高效、正确地处理任意金融数据 | McKinney《Python for Data Analysis》3e |
| 2 算法 | ML | 从零手搓 ML/DL + 剖析 sklearn/PyTorch | 模型是量化的引擎；手搓+读源码才真懂 | 吃透 ML 算法、能改能调能剖析 | Raschka 等《Machine Learning with PyTorch and Scikit-Learn》 |
| 3 应用 | ML4T | 把 ML 用到交易：因子/回测/组合/时序/NLP/DL/RL | 把算法接上金融、躲开回测陷阱 | 设计一个 ML 驱动的策略雏形、识别偏差 | Jansen《Machine Learning for Algorithmic Trading》2e |
| 4 平台 | qlib | 解剖工业级 AI 量化平台源码 | 从”会写脚本”到”能驾驭/设计系统” | 读懂/魔改/贡献 qlib，有架构视野 | 无教材 · 源码 microsoft/qlib |
| 5 自动化 | RD-Agent | LLM 自动做因子/模型研发 | 前沿：让研究自己迭代 | 理解并搭建自动化研究闭环 | 无教材 · 源码 microsoft/RD-Agent |
| 6 工程化 | MLflow | 实验管理/可复现/治理/部署/监控 | 把研究变成”能协作、能上线”的工程 | 把任意策略工程化、可复现、可上线 | Lauchande《Machine Learning Engineering with MLflow》 |
| 7 补全 | （自选） | 执行/风控/实盘/衍生品（见缺口） | 补上”研究之后”和”股票之外” | 闭合从研究到交易的完整链条 | 见姊妹篇《量化金融能力知识图谱与学习路线》经典教材 |
🧭 两条隐形主线贯穿全程，越往后越清晰：
- 量化策略全流程：数据→因子→模型→信号→回测→组合→执行→监控。每门课都在这条链上加一环。
- 从手搓到自动：OOP4/ML 手搓原理 → ML4T/qlib 读懂框架 → RD-Agent 让 AI 自己做 → MLflow 让它可复现可上线。
四、下一步计划
这套工程线的三个结构性空白（偏研究轻执行、偏股票截面因子、止步于回测），大部分已由姊妹金融线补上——工程线管”怎么造”，金融线管”判断什么”，两线约好互不重复建设：
- ✅ 执行与市场微观结构 → 算法执行与市场微观结构（EX，20 讲）：最优执行、TCA、市场冲击、LOB 重建，全部在 LOBSTER 真实订单簿上手写真跑。
- ✅ 风险管理（独立学科） → 定量风险管理（RM，20 讲） + 因子风险模型（FR，16 讲）：EVT/copula/相干度量/风险聚合；Barra CNE6 规格的 Σ=XFXᵀ+Δ。
- ✅ 衍生品与多资产 → 衍生品与量化金融（QF，29 讲） + 预期收益（ER，23 讲）：期权/波动率/固收/利率/信用，以及跨资产风险溢价。
- 🟡 统计严谨性方法论 → 核心已算成数字（FI 第19讲 本样本 t 临界值、AM 第11、17讲、AP 第07讲）；deflated Sharpe / PBO 的方法论本体仍待补。
- 🔴 实盘/生产交易系统——OMS/EMS、券商 API、实时事件、对账与运维、低延迟架构。这是唯一还完全空着的一块，也确实属于工程线的职责范围。
两条线怎么交汇、从哪横切，见顶层总纲 量化投资学习路径图。