task部分，包含三个小类别的配置，分别是model（模型相关）、dataset（训练测试集相关）、record（模型存储相关）。在model的配置中，这里我们采用了lgb的模型，并在后续制定了关键的模型参数，比如误差衡量指标、学习率等等；而在dataset的配置中，我们采用了系统内置的Alpha158常用因子，并且将整体数据按时间分成了训练集、验证集和测试集三部分；最后一个record的配置，主要记录了训练过程、训练模型的存储路径，方便后续策略构建完毕的展示与评估。
我们只需要将qlib_init、task两部分代码合并保存到同一个文件下，文件后缀.yaml，例如我们将配置文件保存为test.yaml，再使用QLib库中的qrun函数调用.yaml的配置文件，即可完成整个策略运行过程了。
qrun test.yaml 示例策略最后，我们为大家运行一个QLib官方提供的示例策略，向大家展示策略运行的完整过程。我们找到示例策略目录examples下，选择lightGBM模型构建的示例策略，并找到该示例策略的workflow，也就是我们在上一小节提到的.yaml文件。
同样的，对于配置好的workflow，采用qrun + workflow，一句话启动策略运算。
qrun /examples/benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml运行完成后，策略的关键结果会被记录在workflow指定的存储目录中， 更多的过程信息会被写入主目录下的workflow_by_code.ipynb 中，我们可以用Jupyter运行该文件，查看更丰富的策略报告。
仔细阅读一下workflow_by_code中的代码，可以看到模型建立、执行、预测等全部数据都已经存储完毕，我们只需要按顺序运行代码，即可查看策略的可视化结果。包括策略的回测曲线、分组收益率、每期IC系数、IC月度均值及分布等等。