research-ideation

研究构思

从研究目标到排序后的构想和详细提案。

Step 0: Load evo-memory (M_I)
    ↓
Step 1: Define Goal
    ↓
Step 2: Literature Grounding (MUST use paper-navigator scripts)
    ↓
Step 3: Generate Ideas (3 directions × 3 personas)
    ↓
Step 4: Refine Ideas (3 tracks × N iterations)
    ↓
Step 5: ELO Tournament → Present Top-3 to User
    ↓
Step 6: Update evo-memory (IDE)
    ↓
User Selects
    ↓
Step 7: Expand into Proposal
    ↓
Step 8: Validate and Iterate

适用场景

• 用户想寻找研究方向或构思研究想法
• 用户想评估某个想法是否新颖或值得推进
• 用户想对多个研究想法进行排序或比较
• 用户想根据一个想法生成研究提案

不适用场景

• 查找／阅读论文 → 使用 paper-navigator
• 文献综述报告 → 使用 research-survey
• 规划论文（故事设计、实验计划） → 使用 paper-planning

---

步骤 0：从 evo-memory 加载先验知识

开始任何构思之前，从以往研究周期中加载构思记忆（M_I）：

1. 在 /memory/ideation-memory.md 中读取 M_I（参阅 evo-memory 技能）
2. 将每条记录的摘要和检索标签与用户当前目标进行比较，选出最相关的前 2 条记录（k_I=2）
3. 以往周期中的可行方向 → 在步骤 3 中用作种子（与新方向一同纳入候选研究方向；步骤 3 仍然恰好选择 3 个方向）
4. 标记为根本性失败的不成功方向 → 在步骤 4 的构想筛选中使用（剔除符合根本性失败模式的任何构想）
5. 如果 M_I 尚不存在（首个周期），则跳过此步骤

此步骤可避免重蹈已知覆辙，并在不同研究周期中延续以往的成功经验。

步骤 1：确定长期研究目标

从兼具科学价值和实际价值的目标开始。目标应足够宏大，能够支撑多篇论文；也应足够具体，能够指导日常决策。

思考：“这一研究方向最终会发展成什么样？如果这个问题得到彻底解决，世界会是什么样子？”

步骤 2：以文献为依据（通过 paper-navigator）

调用 paper-navigator（工作流 9：构思支持），收集 30–50 篇相关论文。不得跳过此步骤或用通用知识替代——构想必须以真实论文为依据。

重要：此步骤中的所有论文发现工作都必须使用 paper-navigator 技能及其脚本（scholar_search、citation_traverse、arxiv_monitor、recommend 等）。禁止使用 WebSearch、WebFetch 或任何通用网页搜索工具查找论文。 通用网页搜索会返回博客文章、新闻报道和低质量结果；只有 paper-navigator 能提供 Semantic Scholar、arXiv、引文图遍历和学术推荐等功能，满足严谨的文献依据要求。

构建挑战—洞见树

根据收集到的论文，构建一棵挑战—洞见树，将技术挑战与应对这些挑战的洞见／技术建立多对多映射：

• 提取挑战：每篇论文解决了什么技术问题？
• 提取洞见：它采用了什么技术或关键思路？
• 映射关联：哪些洞见能够解决哪些挑战？

如何运用这些信息指导构思：

• 洞见较少的挑战 → 未解决的问题（步骤 3 的候选方向）
• 尚未应用于某项挑战的洞见 → 跨领域迁移机会（步骤 4 的候选方向）
• 洞见较多的挑战 → 研究充分，除非有根本性的新角度，否则应避免

同时生成一份精简的文献综述综合总结，作为构思的背景（完整综述请使用 research-survey）。

构建方法参见 references/literature-tree.md。

执行规则：没有真实论文依据时，不得生成构想。树中必须引用真实论文，并列出标题、作者和研究发现。论文搜索必须通过 paper-navigator 进行，绝不可使用 WebSearch/WebFetch 走捷径。

步骤 3：生成构想

根据文献，为 3 个不同的研究方向各生成 1 个初始研究构想，共 3 个。

三种角色

角色	侧重点
创新者	新颖性与创造力——突破性、高风险高回报
实用主义者	可行性——切合实际、明确可执行
批评者	科学价值——推动认知、严谨

流程

1. 分析文献 + 挑战-洞见树 → 确定 3 个根本不同的研究方向
2. 使用 创新者 角色，为每个方向生成一个想法
3. 每个想法必须遵循以下两种方法路径之一：
   • 路径 1（聚焦贡献）：单个新组件；清晰的假设
   • 路径 2（系统贡献）：组件之间紧密的因果交互；涌现能力

想法格式

# Research Idea: [Concise Title]

## Core Idea
[One paragraph: the proposal + which research direction it addresses]

## Validation Plan
[Concrete experiment outline: datasets, baselines, metrics]

步骤 4：完善想法

运行 3 条并行完善轨道——每条对应一个初始想法。每条轨道都使用全部 3 种角色。

For each track:
  For N=3 iterations:
    1. Evaluate current best idea (novelty, feasibility, impact, alignment)
    2. All 3 personas generate refined versions based on evaluation
    3. Pick the best refinement as seed for next iteration
  Track champion = the refinement picked in the final iteration

5 种演进策略

1. 基于文献依据的增强：通过文献引用加强论证
2. 提升连贯性：修正机制中的逻辑缺陷
3. 汲取灵感并组合：与文献中的不同概念相结合
4. 简化：精简为清晰、可检验的假设
5. 由文献驱动的转向：放弃该机制，提出一种源自文献的新方法

关键规则：如果评估认为该方法走入死胡同，角色就 MUST 转向——完善不局限于修补。

逻辑凝聚原则

• 变量过多 → 通过删减聚焦：分离出最有前景的变量
• 组件彼此脱节 → 通过强相关性加以论证：建立明确的因果联系

步骤 5：ELO 锦标赛 → 展示排名前三

通过两两比较为 3 条轨道的优胜方案排名，然后向用户展示全部三个排名结果，供其选择。锦标赛负责排列优胜方案并记录理由，不会淘汰任何方案——每个优胜方案都代表不同的研究方向，由用户在这些方向中做出选择。

四个维度

维度	衡量内容
新颖性	与已有发表成果相比有何不同？
可行性	能否在合理的资源范围内实现？
相关性	是否解决了与目标一致的重要问题？
清晰度	想法的定义是否足够明确，可以立即开始？

锦标赛

• 初始 Elo：1500 | K 系数：32
• 循环赛：每个优胜方案各与另外两个交锋一次（3 场比赛）
• 每场比赛：根据四个维度为两个想法打分 → 综合分较高者获胜 → 更新 Elo
• 按最终 Elo 排序。如果评分相同，或每个优胜方案恰好赢了一场，则改按平均综合分排序，然后按轨道顺序排列
• 评分标准和公式见 references/elo-ranking-guide.md

向用户展示排名前三

锦标赛结束后，展示排名前三的想法，并同时提供对比表和每个想法的完整完善版本。这样用户看到的是每个想法具体且可执行的版本，而不只是摘要。

第 1 部分：对比表

## Top-3 Research Ideas (ranked by ELO)

| Rank | Title | Core Mechanism | Novelty | Feasibility | Relevance | Clarity | ELO |
|------|-------|---------------|---------|-------------|-----------|---------|-----|
| 1 | ... | ... | 9 | 7 | 8 | 8 | 1531 |
| 2 | ... | ... | 7 | 9 | 8 | 7 | 1500 |
| 3 | ... | ... | 8 | 6 | 9 | 7 | 1469 |

每个维度列中的分数均为该想法在两场比赛中的平均分。

第 2 部分：完整完善的想法

对于排名前三中的每一个，都使用与步骤 3 相同的结构化格式展示完善后的想法，并附上完善摘要：

# Refined Idea [Rank]: [Concise Title]

## Core Idea
[One paragraph: the refined proposal — this should reflect ALL changes from Step 4 refinement,
not the original Step 3 version]

## Validation Plan
[Concrete experiment outline updated with refinement insights: datasets, baselines, metrics,
key ablations identified during refinement]

## Refinement Summary
[Brief paragraph summarizing what changed from the initial idea and why:
- What was simplified or removed (and why)
- What was added or concretized (and why)
- Which persona drove the most impactful change
- Key risk mitigations added during refinement]

本部分为必需内容——不得跳过完整完善后的想法，也不得将其缩减为对比表。用户需要看到完整的完善版本，才能做出知情选择。

第 3 部分：选择提示

Which idea would you like to develop into a full proposal? (1/2/3, or combine elements)

展示排名前三后，在最终确定用户选择之前，触发步骤 6（evo-memory IDE）。 用户可以：

• 选择排名前三中的一个
• 要求组合多个想法中的元素
• 在扩展之前要求修改
• 要求在不同约束条件下重新生成

步骤 6：更新 evo-memory

在锦标赛结束后、用户选择之前，触发 evo-memory IDE（Idea Direction Evolution，思路方向演进）：

1. 将排名前 3 的方向保存到 /direction-summary.md
2. 通过 evo-memory 技能，使用方向摘要触发 IDE 协议
3. 将每个排名靠前的方向作为可行方向及其 ELO 分数加入 M_I
4. 将精炼过程中（步骤 4）明显不可行的想法记录为失败方向，并标明失败类别（根本性或实现层面）

这样，未来的构想周期便能从本轮的经验中获益。

步骤 7：扩展为提案

用户选择想法后，将其扩展为达到论文水准的研究提案。这是一个分两个阶段进行的过程，因为不同领域需要不同的提案结构。

阶段 1：生成领域专属模板

开始写作前，先生成一个针对用户领域定制的提案模板：

1. 根据研究目标和文献确定所属领域
2. 从通用章节开始（摘要、问题、相关工作、方法、评估、结论）
3. 添加领域专属章节（例如，医学研究中的伦理/IRB、化学中的安全性分析、临床试验中的统计功效分析、机器学习中的消融实验设计）
4. 采用符合该领域惯例的术语（例如，医学中的「研究设计」、社会科学中的「方法论」、工程学中的「拟议方法」）

完整的领域专属章节指南和写作说明见 assets/proposal-template.md。

阶段 2：撰写提案

按照以下通用原则填写生成的模板：

• 面向该领域的顶级评审撰写——每项主张都有依据，每项设计都有理由
• 避免变量混淆：清晰地突出核心贡献
• 符合该领域的严谨性标准（定量领域使用数学，实验领域使用规程，定性领域使用编码方案）
• 主动预判持怀疑态度的评审可能提出的问题

详细的章节指南见 references/proposal-extension.md。

步骤 8：验证并迭代

在代表性数据上运行实验。如果方法失败，则带着更新后的知识返回步骤 3 或步骤 4。系统性调试请参阅 experiment-craft。

---

反直觉规则

1. 问题选择 > 解决方案设计：选择要解决什么，比如何解决更重要
2. 探索新的失败案例，而非渐进式改进：寻找现有方法失效的场景
3. 如果已有成熟解决方案，就更换问题：改进空间太小
4. 技术是创造性的组合，而非简单拼接：简单的 A→B 流程不构成贡献
5. 生成时先数量后质量：每轮精炼中，3 个角色都必须先各自写出一个版本，再进行任何评估——3 个赛道各有 3 位冠军，共生成 27 个版本
6. 可行性不可忽视：出色但不可行的想法会浪费研究周期
7. 锦标赛能发现意外之处：相信排名，而不是直觉

---

依赖项：paper-navigator

所有论文发现工作都通过 paper-navigator 进行。此技能本身不会搜索论文。禁止使用 WebSearch、WebFetch 或任何通用搜索工具查找论文——这些工具无法访问 Semantic Scholar、引文图谱或学术推荐系统。在步骤 2、3 和 4 中，所有论文发现需求都必须使用 paper-navigator 及其脚本（scholar_search、citation_traverse、arxiv_monitor、recommend、trending 等）。

步骤	需要使用 paper-navigator 完成的工作
步骤 2	收集 30-50 篇相关论文，用于构建文献树
步骤 3	确认所选问题不存在成熟解决方案
步骤 4	跨领域搜索精炼过程中可迁移的技术

evo-memory 集成

时间	操作	详情
步骤 0（构思前）	读取 M_I	加载 /memory/ideation-memory.md，选出最相关的前 2 条记录，将可行方向用作种子，避免根本性失败
步骤 6（评审赛后）	通过 IDE 写入 M_I	将前 3 个方向及其 ELO 分数保存为可行；将无果的想法保存为未成功，并进行失败分类

交接

交接对象	时间	关键产物
paper-planning	提案完成（步骤 7）→ 规划论文结构	/research-proposal.md、/direction-summary.md
experiment-pipeline	提案完成（步骤 7）→ 开始实验	/research-proposal.md、/direction-summary.md
evo-memory	评审赛后（步骤 6）→ 通过 IDE 协议更新构思记忆	/direction-summary.md

---

参考资料与资源

主题	文件
文献树构建	references/literature-tree.md
问题选择框架	references/problem-selection.md
解决方案设计方法	references/solution-design.md
ELO 公式与评分标准	references/elo-ranking-guide.md
提案章节指南	references/proposal-extension.md
创意候选项模板	assets/idea-candidate-template.md
排名评分卡	assets/ranking-scorecard-template.md
方向摘要	assets/direction-summary-template.md
提案示例（E-FNO）	assets/proposal-template.md