research

研究 — 混合路由器 + 后备工作流

研究领域的运行时编排器。 架构 C：确定性分类 → 委派给专家，或自行执行规划-拆解-搜索-综合-引用工作流。

可移植性

后备工作流需要 WebSearch + WebFetch；要能正常委派，必须具备专家技能（pulse、grants、litreview、syllabus、patent、dossier、deepread）。如果 Q2 = 文档模式，则需要安装 Node.js 和 docx 包。在 Claude Code CLI 中可原生运行。在配备 Web 工具 + Code Execution 的 Claude.ai 中，也支持此工作流。

与 engineering/autoresearch-agent 的区别

这两项技能都包含“研究”一词，但适用场景完全不同：

• research/research/（此技能）——研究查询路由器 + 后备工作流（“研究 X”）
• engineering/autoresearch-agent/——Karpathy 的自主文件优化实验循环（“让这段代码运行得更快”）

两者没有重叠，可以共存。

混合架构（C）

每次调用都会产生以下三种结果之一：

1. 委派——分类为专家领域。路由至相应专家。用户看到专家的输出。
2. 执行后备工作流——分类为一般研究。运行自有的规划 → 搜索 → 综合工作流。
3. 请求澄清——分类存在歧义，或仅匹配到一个孤立名词信号。提出一个引导式问题（并提供建议答案）以消除歧义，然后进行路由。

如果专家能做得更好，技能绝不会在不告知用户的情况下静默运行后备工作流。路由透明度是混合架构值得信赖的关键。

专家注册表

专家	路由信号	领域
pulse	reddit / hn / x / buzz / sentiment / trending / “大家在说什么” / “关注一下” / “了解一下风向” / “当前讨论”	多源时效性研究
grants	NIH / grant / R01 / K-award / RePORTER / NOSI / “资助项目” / FDA / “研究评审组” / “首席研究员”	NIH 资助情报
litreview	文献综述 / PICO / SPIDER / 系统综述 / “关于……的综述论文” / 元分析	学术文献梳理
syllabus	教学大纲 / 课程提纲 / 课程体系 / “阅读清单” / “给我的课程” / “给我的学生”	课程补充阅读
patent	现有技术 / FTO / 实施自由 / 专利 / “专利布局” / 发明 / 新颖性检索 / “知识产权布局”	专利现有技术 + 布局
dossier	“关于……的背景资料” / “尽职调查” / “背景调查” / “为……做准备” / “竞争对手研究” / “投资者尽调” / “面试准备” / “关于……的背景信息”	用于决策的实体研究
deepread	“深入阅读” / “精读” / “读这本书” / “读这份 PDF” / “读这份文档” / “提取论点” / “知识图谱” / “费曼”	对所提供文档进行证据优先的阅读

**升级至 deep-research：**当错误答案代价高昂（例如战略决策、比较 N 个选项、验证假设、绘制领域图谱），且严谨性比速度更重要时，应升级至 deep-research 技能，而不是使用快速后备工作流——它会执行多轮三角验证式对抗调查，并保存一份可审计、可复用的研究文件夹。此路由器是快速路径；deep-research 则是重量级方案。

Agent 完整性规则

此技能遵循研究包规范：

• 执行纪律（仅限后备工作流）：按顺序搜索。速率限制为每秒 1 个查询。确认收到响应后再进行下一次调用。
• 来源纪律：仅引用本次会话工具调用返回的来源。训练知识标记为 [Background — not from search]，且不计入数量。
• 三项计数跟踪（仅限后备工作流）：已发送的查询数 / 已收到的来源数 / 已引用的来源数。
• 重试策略：失败时 → 等待 3 秒 → 重试一次 → 记录。连续失败 3 次后：停止并提醒用户。
• 路由纪律：绝不静默委派。始终说明决策，并允许用户改选。

阶段 1：Grill-Me 信息收集（2–4 个问题）

信息收集刻意保持精简——目标是快速路由，而不是盘问。每轮只问一个问题。

Q1（始终询问）——研究问题

你的研究问题是什么？请用 1–2 句话说明。问题越具体越好——“医疗领域的 AI”只能得到含糊的综述；“医疗系统如何整合基于 LLM 的临床决策支持？”才能得到有用的答案。

拒绝含糊表述。 如果用户说“研究 AI”，就追问一次：“具体研究 AI 的哪方面——应用、安全性、能力、资金、监管，还是比较？请选择一个角度。”

Q2（始终询问）——输出偏好

你希望得到什么形式的输出？请选择一项：

1. 快速聊天简报（5 分钟可读，在聊天中以 Markdown 呈现）
2. 独立文档（含引用的 .docx，可供分享）

必须让用户做出选择。文档模式会触发更深入的搜索预算和完整的审计日志。

Q3（仅当分类结果为 ask 或 fallback 且没有信号时询问）——领域消歧

请快速澄清——选择最接近的一项 （推荐：{N}——你的问题匹配了 {specialist} 信号）：

1. 学术文献（论文、同行评审）
2. 行业／趋势（热点、新闻、舆情）
3. 特定实体（公司、个人、组织）
4. 技术／专利（现有技术、知识产权格局）
5. 资助资金（NIH、基金会）
6. 课程材料（教学大纲或课程体系）
7. 以上都不是——开展一般研究

当分类器返回 ask（单个裸名词信号）时，预先标记推荐选项。如果分类产生了静默路由（≥2 个信号，或一个强多词短语），则跳过此问题。

Q4（仅当需要询问 Q3 且用户选择“以上都不是”时询问）——一般研究范围

对于一般研究，你希望采用哪种时间投入——快速扫描（5 次搜索）还是深入研究（15 次搜索）？

如果已转交给专业方向，则跳过。

停止条件： 完成 Q4 后（或在适用依赖跳过规则时更早），确认并开始阶段 2。大多数调用会在 Q1 + Q2 后结束信息收集。

阶段 2：确定性分类

此过程是确定性的，不由 LLM 推理——这样更快速、易于调试且一致。

SIGNALS = {
  pulse:    ["reddit", "hn", "hacker news", "x.com", "twitter", "buzz",
             "sentiment", "trending", "what are people saying",
             "what's happening", "the conversation around",
             "pulse on", "take the pulse", "current conversation"],
  grants:   ["nih", "grant", "grants for", "r01", "r21", "k-award", "reporter",
             "nosi", "funding", "fda", "study section", "principal investigator"],
  litreview:["literature review", "lit review", "litreview", "pico", "spider",
             "systematic review", "review papers on", "research papers on",
             "papers about", "meta-analysis"],
  syllabus: ["syllabus", "course outline", "curriculum", "reading list",
             "for my class", "for my students", "course material"],
  patent:   ["prior art", "fto", "freedom to operate", "patent",
             "patent landscape", "invention", "novelty search",
             "patent search", "ip landscape"],
  dossier:  ["dossier on", "due diligence", "background check",
             "prep me for", "competitor research", "investor diligence",
             "interview prep", "research my competitor", "background on"],
  deepread: ["deep read", "deeply read", "read this book", "read this pdf",
             "read this document", "extract the claims", "extract claims from",
             "knowledge map", "feynman", "argument map"]
}

# Signals are case-insensitive literal phrases (multi-word substring match).
# Bracketed placeholders (e.g., "research [company]") are intentionally NOT
# signals — they over-trigger on generic "research X" queries that should
# fall back to general research, not auto-route to dossier.
# STRONG signal = multi-word phrase (contains a space): pairs verb with noun
# ("dossier on", "prior art") and routes reliably.
# BARE-NOUN signal = single word ("funding", "fda", "patent", "grant"):
# too weak to silent-route on alone — it must trigger Q3 with a
# recommended answer instead.

For each specialist S:
  score[S] = count of SIGNALS[S] phrases matched in question (case-insensitive substring)

if max(score) >= 2:
  route_to = argmax(score)                  # high confidence — silent route
elif max(score) == 1 and only one specialist has score 1:
  if the matched phrase is multi-word (contains a space):
    route_to = that specialist              # strong phrase — silent route
  else:
    route_to = "ask"                        # bare noun — ask Q3, recommend that specialist
else:
  route_to = "fallback"                     # ambiguous or no match — ask Q3 / run fallback

实现： scripts/classifier.py --question "..." 会返回路由决策、匹配的信号、各专业方向的得分，以及（对于 ask）推荐的专业方向。请使用此脚本，不要重新实现。上方的 SIGNALS 映射和规则与脚本逐短语保持同步——出现偏差即为错误。

阶段 3a：委派给专业方向（≥2 个信号或一个强多词短语）

委派时：

1. 原样传递用户的问题，以及输出偏好（Q2）
2. 让专业方向自行进行 Grill-Me 信息收集——不要预先回答专业方向的问题
3. 将专业方向的输出作为用户可见的结果返回
4. 在聊天输出中为结果添加标记 [Delegated to: research → {specialist}]，让用户知道是哪个技能生成了结果
5. 通过 scripts/routing_transparency_logger.py --action record_delegation 为审计日志添加标记

阶段 3b：自有备用工作流

如果路由未找到匹配的专业领域技能（且 Q3 确认进行一般研究），则运行 8 步备用流程：

1. 拆解 — 将问题拆分为 3–5 个子问题（是什么 / 为什么 / 如何 / 谁 / 接下来会怎样）。搜索前先展示拆解结果。scripts/fallback_decomposer.py --question "..." 可提供一个确定性的起点。
2. 选择来源 — 针对每个子问题：时效性 → WebSearch+WebFetch（有相关信号时加上 Reddit/HN）；技术 / 文档 → WebSearch+WebFetch；学术 → 如果已连接，则使用 Consensus MCP，否则使用带有 scholar.google.com 站点筛选条件的 WebSearch；数据 / 数字 → WebFetch 获取一手文档；实体层面 → 提供改用 dossier 路由的选项。
3. 搜索 — 按子问题依次搜索，每秒 1 个查询，每个来源 2–4 个查询，从宽泛到具体。
4. 阅读 + 提取 — 使用 WebFetch 获取高信号结果；记录每个来源 URL。
5. 综合 — 每个子问题撰写 2–4 段并添加行内引用；如果来源之间存在分歧，则明确指出。
6. 跨领域模式 — 围绕各子问题撰写 1–2 段：共识、争议、空白。
7. 输出 — 默认提供 Markdown 简报；如果用户选择文档模式，则提供 DOCX。
8. 审计日志 — 记录三个计数（已发送 / 已接收 / 已引用）+ 每个来源的可靠性级别（一手 / 二手 / 三手）。

路由透明协议（强制）

分类后，该技能始终：

1. 说明决定，用一句话表达：“路由至 litreview，因为你提到了 PICO 和荟萃分析（2 个信号）。”
2. 提供覆盖选项：“如果你想进行一般研究，或改用其他专业领域技能，请现在告知。”
3. 如果用户没有反对，则按推荐路线继续 — 不设计时器，不倒计时。
4. 如果用户选择覆盖 → 接受，重新路由，并通过 routing_transparency_logger.py --action record_override 记录覆盖操作。

绝不静默委托。 这是建立信任的关键，也是混合模式奏效的原因。

输出格式

Markdown 简报（Q2 = 快速聊天简报）：标题 + *生成时间：[DATE] | 路由至：[专业领域技能 | 备用流程]*，然后依次为 TL;DR（2-3 句）→ 研究结果（每个子问题一个 H3，附行内引用）→ 跨领域模式 → 来源（编号、带超链接，并标注每个来源的可靠性级别）→ 审计（三个计数 + 失败情况）。

DOCX（Q2 = 独立文档）：采用标准研究资料包 DOCX 格式 — Arial 12pt，海军蓝标题，蓝色表格标题，带超链接的来源，必须包含审计日志章节。请参考 docx 技能了解设置方法。

审计日志块（备用模式）

Queries sent: N | Sources received: M | Sources cited: K
Failures: F (3-consecutive-failures triggered: yes/no)
Per-source tier: [URL — primary | secondary | tertiary]
Routing decision: fallback (no specialist matched)
Sub-questions: [list]

所有路由决定和覆盖操作也会通过 routing_transparency_logger.py 记录到 ~/.research_sessions/<session>.json。

失败模式

失败情况	行为
仅有一个没有上下文的名词信号（例如“funding”“fda”）	针对匹配的专业领域技能提出 Q3，并将其预先标记为推荐答案。绝不静默路由。
分类不明确（匹配多个仅有 1 个信号的技能，或没有匹配项）	提出 Q3（领域消歧）。
专业领域技能委托失败	在聊天中说明。提供重试或改用一般研究的选项。
用户覆盖路由	接受。重新路由。记录覆盖操作。
备用搜索返回的结果有限	明确指出。建议问题可能过于小众或过新。不得捏造信息。
备用流程中连续 3 次工具调用失败	停止，提醒用户，并分享已收集的内容。
问题不属于研究范畴（例如“帮我写代码”）	礼貌拒绝。建议使用适当的技能。
无法回答子问题	注明“公开信息有限”；不要默默省略。
输出格式不匹配	遵从 Q2；如果无法提供，则改用 Markdown 并说明。
环境中缺少专业领域技能	在分类评分中跳过该技能；路由至备用流程或次优专业领域技能。

被拒绝的反模式

• 由大模型推理分类（必须使用确定性的关键词 + 意图匹配）
• 静默委派（始终展示路由决策）
• 当 ≥2 个信号匹配时，拒绝路由至专业工具
• 对单个裸名词信号进行静默路由（“research FDA approval trends” 应询问，而不是自动路由至 grants）
• 基于墙上时钟的交互提示（“Ns 后自动继续”）——模型无法等待；如果用户没有异议，就按推荐路线继续
• 预先回答专业工具的盘问式信息收集问题（让它自行执行）
• 搜索结果不足时，在回退流程中编造来源
• 在回退模式下跳过审计日志
• 将 “dossier on [company]” 视为回退请求，而不是交给 dossier 专业工具（动词与名词成对的短语会触发路由；泛化的 “research X” 形式不会）
• 将泛化的 “research [topic]” 查询自动路由至专业工具（单独的 “research Microsoft” 含义模糊——可能是 dossier，也可能是一般研究；应询问 Q3，而不是猜测）

工具

• scripts/classifier.py — 确定性 SIGNALS 匹配 → 路由决策（specialist / ask + 推荐项 / fallback）+ 各专业工具评分 + 匹配短语。--question "..." --output json。
• scripts/routing_transparency_logger.py — 以 JSON 为后端的审计日志，路径为 ~/.research_sessions/<session>.json。记录每项路由决策、覆盖操作和委派交接。
• scripts/fallback_decomposer.py — 将启发式问题 → 拆分为 3–5 个子问题（是什么 / 为什么 / 如何 / 谁 / 下一步是什么）。

参考文档（每份均引用 7 个以上权威来源）

• references/hybrid_router_architecture.md — 路由器与运行模式的权衡 + 路由透明度原则
• references/deterministic_classification_canon.md — 为什么基于关键词的路由优于大模型推理
• references/fallback_workflow_canon.md — 规划-拆解-搜索-综合方法论

依赖项

• WebSearch + WebFetch — 回退工作流必需
• 专业技能 — 委派必需：pulse、grants、litreview、syllabus、patent、dossier。如果缺少某项专业技能，路由器会跳过它，改为路由至回退流程。
• Node.js docx 库 — 用户选择文档输出时必需（Q2 = standalone）
• Consensus MCP — 可选；回退流程中出现学术子问题时使用

---

版本： 1.1.0 源规范： megaprompts/13-research-megaprompt.md（维护者本地的草案规范——已被 git 忽略，不存在于公开仓库中） 构建模式： Path B（直接转换）。v1.1.0：裸名词信号现在会触发询问，而不是静默路由；移除了 5s 自动继续提示；根据 2026-06 newgen 审计精简上下文。