本文面向量化研究与 OMS/EMS、FIX 接入研发人员，按“直觉 → 公式 → 代码 → 实证边界 → 陷阱”整理因子挖掘流程。核心不是寻找历史表现最好的公式，而是寻找在未参与筛选的数据上仍有增量预测力、且执行后可能保留经济价值的信号。

本文面向 OMS/EMS、FIX 网关和券商接入研发人员，根据 oems-fix-v2/docs/SecurityIDMap.md 整理，适用报文为 FIX 4.2 权益类新单（35=D）与撤单（35=F）。不构成投资建议，也不能替代券商接入规格、证券主数据或合规意见。

本文面向 OMS/EMS、FIX 网关和程序化交易研发人员，不构成投资建议，也不能替代券商、交易所当日公告、证券主数据和合规意见。

资料核对日期：2026-08-12。规则会调整；实际送单应以交易所当日有效规则、券商准入、证券状态、交易日历、公司行动及实时行情为准。

1：结论与适用范围

这篇文章记录一次在 Windows + WSL2 环境中，将本机 Hermes Web UI 通过 ngrok 发布为 HTTPS 地址，并用 Android 的 Hermes Agent WebUI App 连接访问的完整过程。

1: 概述与适用范围

• 本文搭建一套可在单台开发机运行的日志采集与检索环境，完整链路为：Go 应用 -> JSON 日志文件 -> Filebeat -> Logstash -> Elasticsearch -> Kibana；
• Go 应用负责逐行写入结构化 JSON，Filebeat 负责增量读取文件，Logstash 负责接收和转发，Elasticsearch 负责存储与检索，Kibana 负责可视化查询；
• 教程面向 Go 开发者和初级 DevOps 工程师，重点是先跑通一个可观察、可排障的最小闭环；
• 本文的 Compose 配置关闭了 Elastic 安全认证，仅允许用于本机学习，禁止直接暴露到公网或照搬到生产环境；
• 原文参考：Go日志分析系统-ELK实时日志监控。

2: ELK/Filebeat 组件职责

• Filebeat 比直接让 Go 应用调用 Elasticsearch 更容易处理断线重试、读取进度和日志轮转；
• Logstash 在这个入门示例中只做轻量转发。后续需要字段清洗、脱敏或路由时，可以在 pipeline 中增加 filter；
• Elasticsearch 和 Kibana 比较消耗内存，启动前应确认 Docker 可用资源充足。

3: 数据流与示例目录

数据流如下：

Hermes Team 拆分方案整理

目的：把前面关于 Hermes Team 拆分、Profile 创建、角色职责、命令报错、执行步骤、后续任务的讨论整理成一个可直接落地执行的 hermes-team.md 文档。

Table of Contents

• Table of Contents
• 1：开发工具
• 2：调试工具
• 3：常用网站
• 4：golang 常用库

1：开发工具

1: sql2go sql 语句转换为 Go 结构体，使用 ddl。 http://stming.cn/tool/sql2go.html

2: json2go 将 json 格式转为 Go struct https://mholt.github.io/json-to-go/

3: toml2go 将编码后的 toml 文本转为 Go struct https://xuri.me/toml-to-go/

4: curl2go 将 curl 命令转为 go 代码 https://mholt.github.io/curl-to-go/

• 08-code-review-graph：用知识图谱让 AI Code Review 省下 8 倍 Token
  • 1：为什么 AI Code Review 会浪费大量 Token
  • 2：code-review-graph 是怎么工作的
    • 2.1 用 Tree-sitter 构建结构化代码图谱
    • 2.2 用 blast radius 只圈出真正相关的文件
    • 2.3 用 MCP 把图谱能力暴露给 AI Coding 工具
  • 3：它到底省了多少 Token
  • 4：适合什么场景，不适合什么场景
  • 5：快速上手
  • 6：我对这个工具的看法
  • 7：相关链接

08-code-review-graph：用知识图谱让 AI Code Review 省下 8 倍 Token

平常用 Claude Code、Codex、Cursor 这类 AI Coding Agent 时，一个很常见的问题是：每次问一个稍微复杂一点的问题，AI 都会重新读一遍整个项目。

1: 概述

• 最近看 AI Coding 工具的使用成本时，一个很容易被忽略的问题不是“模型推理本身有多贵”，而是 AI 为了理解代码，要先读掉多少无关上下文；

1: skill-hub 管理众多 Skills

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

# WSL

# npm install -g https://github.com/Backtthefuture/skillmanager/raw/main/release/claude-skill-hub.tgz && skill-hub
npm install -g https://github.com/Backtthefuture/huangshu/raw/main/tools/skill-hub/release/claude-skill-hub.tgz && skill-hub

added 104 packages in 5s

34 packages are looking for funding
  run `npm fund` for details

🚀 Claude Skill Hub running at http://localhost:3456
🌐 Web UI:   http://localhost:3456
🔍 Debug:    http://localhost:3456/api/debug
✅ Found 134 skills (9/41 locations, 525ms)
👀 File watcher active
💡 下次启动直接敲: skill-hub  (或访问 http://localhost:3456)