我点开 Qlib 的 README，先看到那句：
from exploring ideas to implementing productions。
有点大。
量化项目很多都卡在这儿。研究是一套脚本，回测又是一套，上线再重新缝一遍。缝到最后，策略还没跑，文件夹已经乱了。
Qlib 想干的事，就是把这些断开的地方接起来。
它现在 GitHub 上 40.9k Star，微软开源的。
我第一眼反而不是看模型列表。
是看数据层。
官方做过一个对比，同一类特征构建任务，1CPU 下，HDF5 大概要 184.4 秒。Qlib 开了表达式缓存和数据缓存后，压到 7.4 秒。
这个数字挺硬。
量化研究里，很多想法不是死在模型上，是死在“跑一遍太慢”。
你改一个特征，等半天。
再改一个窗口，又等半天。
最后人就懒了。
Qlib 先把这个地方处理掉，后面才谈得上研究流程。
它有个 qrun。
看名字就知道，不是那种特别花的东西。配置文件写好，数据集构建、模型训练、回测、评估，一路跑下去。
这点对做实验的人挺省事。
不是说少写几行代码。
是少了一堆“临时脚本”。
train_v2.py，backtest_final.py，report_new_new.py。
这种东西大家都见过。
模型这块，Qlib 没只放几个摆样子的 baseline。
LightGBM、MLP、LSTM 这些有。
Transformer、Localformer、TRA 这类量化论文里经常被拿来对比的，也能在仓库和文档里看到。
我倒不觉得模型列表是重点。
模型可以换。
麻烦的是，换完以后，数据、训练、回测、报告还能不能接着跑。
再往后，Qlib 还做了 QlibRL。
组合构建、订单执行这类问题，本来就不是一次预测完就结束。它更像连续动作，一步错，后面跟着变。
这个方向很难写得漂亮。
也很难演示得漂亮。
但它确实是量化系统绕不开的一块。
README 里还有一个点我会多看两眼：concept drift。
市场会变。
这句话大家都知道，但很多项目写起来像市场永远不变。Qlib 至少把这个问题摆在文档里，提到用自适应 concept drift 技术处理市场动态。
量化模型最怕的不是第一天分数低。
是跑着跑着，突然不认识市场了。
当然，上手前还有个小坑。
官方数据集入口现在是临时关闭状态，文档里给了社区维护的数据源替代。
所以别指望 pip 装完立刻满血跑起来。
还是要翻文档，配数据，看路径，改配置。
有点麻烦。
但 Qlib 这个项目，我会把它当成 AI 量化投研系统的一个样本看。不是只看某个模型，也不是只看回测曲线。
而是看它怎么把研究、回测、评估、执行这些东西放到一条线上。
GitHub 地址： https://github.com/microsoft/qlib