mcpField
R
research-orchestrator

research-orchestrator

github.com/lensetek生产力55 次安装
代码仓库

关于 research-orchestrator

research-orchestrator 是 Research-Agent 的研究流程入口技能，通过 23 个配套技能串联问题构建到发表准备的五个阶段。它还会读取并更新用户偏好，汇总生成研究仪表板。

主要功能

  1. 01协调 23 个配套技能
  2. 02运行五阶段研究流程
  3. 03读取并更新 user_profile.json
  4. 04跟踪进度与 HITL 审批
  5. 05生成综合研究仪表板

适用场景

  1. 01将初步想法转化为研究问题
  2. 02规划并分析研究实验
  3. 03审阅文献并验证引文
  4. 04准备期刊投稿稿件

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/lensetek/research-agent-skills-collection --skill research-orchestrator

安装后在 Claude Code 中输入/research-orchestrator确认已加载。

附带文件scripts/generate_hitl_checklist.py

详细介绍

研究编排器（入门技能）

概述

此技能是自动化 Research-Agent 整个研究工作流的主要入口（starter/entry point）。当用户通过提供粗略的研究想法或一般领域来启用此技能时，Agent 将按顺序编排并调用其他 23 个辅助技能，将一个阶段的输出作为下一阶段的输入，并提供一份整合的最终报告，即 Research Dashboard。

具体而言，此技能支持隐式个性化。执行开始时，Agent 必须检查根目录中是否存在 user_profile.json 文件，以加载用户偏好。执行结束时，Agent 将分析用户反馈并自动更新该文件。

依赖项

此技能协调以下 23 个技能的执行：

  1. discover-phenomenon-and-gap
  2. research-question-builder
  3. hypothesis-or-proposition-builder
  4. research-design-planner
  5. synthetic-data-generator
  6. data-acquisition-specialist
  7. hardware-workload-estimator
  8. computer-use
  9. data-scientist-analyst
  10. model-evaluator-validator
  11. literature-review-generator
  12. extract-methodology
  13. source-quality-appraiser
  14. citation-and-reference-validator
  15. paper-matrix-builder
  16. synthesize-research
  17. patent-and-literature-matcher
  18. journal-recommendation-finder
  19. journal-template-formatter
  20. academic-peer-reviewer
  21. reviewer-response-and-revision
  22. obsidian-vault-exporter
  23. agent-update-checker

快速开始

使用示例： “使用 research-orchestrator 技能，启动关于基于图的交易欺诈检测方法（Graph Neural Networks）有效性的全自动研究。”

全局指令：防止幻觉与伪造

作为编排器，您必须对所有下级 Agent 执行“对虚假数据零容忍”政策。每当您向任何 Agent 委派任务时，都必须在指令末尾加入以下警告： “全局警告：严禁生成模拟数据、虚拟 DataFrame、虚构论文或产生幻觉。必须处理来自互联网/API 的真实数据。如果失败/超时，请报告 ERROR 并停止，绝不可编造数据。”

特殊例外（白名单）：synthetic-data-generator Agent 是唯一获准编造数据的 Agent，因为其具体任务是创建模拟人物（Digital Twin）。不要向该 Agent 发送此模拟数据禁令。

工作流

Agent 必须依次遵循以下 5 个阶段的自动执行流程：

[Cek Update & Baca Profil] ──> [Fase 1: Masalah] ──> [Fase 2: Metodologi & Eksperimen] ──> [Fase 3: Literatur] ──> [Fase 4: Publikasi] ──> [Fase 5: Personalization]
初始准备（检查更新、加载配置文件并初始化进度）

-1. 定期检查更新（频率受限）：读取 user_profile.json 中的 last_update_check 属性。仅当上次检查距今超过 7 天（或该属性不存在）时，才运行 agent-update-checker。如果今天已经检查过，请跳过此步骤，以免浪费时间。 0. 检查项目根目录中是否存在 user_profile.json 文件。如果存在，加载研究偏好。 0b. 初始化进度跟踪器与 HITL 清单（必须）：

  • 运行 python bin/progress_tracker.py init --topic "<TOPIC>"，将 5 个阶段的状态记录到 progress.json 中。
  • 运行 python "<PATH_KE_SKILL>/scripts/generate_hitl_checklist.py" --project-title "<TOPIC>"，在项目根目录创建用户控制文件 hitl_research_checklist.md。
  • 在每个阶段结束时更新清单状态，以便用户进行评估并批准（Human-in-the-Loop Sign-Off）。
阶段 1：探索与问题界定
  1. 接收用户的初始主题／想法。主动询问用户想基于理论文献寻找想法（模式 A：文献驱动），还是基于二手数据集寻找想法（模式 B：数据集驱动（数据描述论文））。
  2. 如果用户选择模式 B，询问他们选择的方法论／数据分析技术（例如：Random Forest、SVM、线性回归等）。
  3. 根据所选模式运行 discover-phenomenon-and-gap：
    • 模式 A：梳理最新趋势现象，并提出科学研究空白。
    • 模式 B：查找最新的 Data Descriptor 论文，提取原作者的建议（潜力 1），并使用用户选择的方法寻找变量间相关性方面的新创新提案（潜力 2）。
    • 向用户展示这些研究想法选项，评估“难度等级”指标（Trivial／Moderate／Hardcore），并在继续下一步之前，请用户批准或选择要执行的选项。
  4. 将选定的研究想法／研究空白发送给 research-question-builder，以拟定研究问题（RQ）、目标和研究贡献。
  5. 将 RQ 的结果发送给 hypothesis-or-proposition-builder，以设计理论概念框架以及待检验的假设／命题。
阶段 2：方法论规划与数据实验
  1. 将阶段 1 的所有输出文档发送给 research-design-planner，以制定实验方法论细节、确定抽样／变量、规划数据检验流程以及设计稳健性／消融实验（robustness/ablation）。
  2. 如有需要，运行 synthetic-data-generator，通过模拟受访者角色生成定量／定性合成数据集。
  3. 运行 data-acquisition-specialist（作为可选／补充步骤），从互联网／API 来源查找、收集、抓取（scraping）或下载原始数据集。
  4. 运行 data-scientist-analyst，以执行数据清理（preprocessing）、统计分析（必须运行相关技能 scripts/ 文件夹中的 run_stat_analysis.py）、训练机器学习模型并可视化实验结果。
  5. 必须运行 model-evaluator-validator，对模型预测结果进行统计显著性检验（例如：T 检验、Diebold-Mariano 检验），以检验其有效性并比较性能。
阶段 3：文献审查与验证
  1. 运行 literature-review-generator，梳理历史研究进展，并为新研究的定位构建论证。对于大规模 SLR 模式，Agent 必须遵循 PRISMA 四阶段流程（提取元数据 -> Python 筛选 -> 语义审查 -> 提取），并在每个步骤保存 .csv 检查点。
  2. 使用 extract-methodology 提取主要参考论文的技术数据（必须运行相关技能 scripts/ 文件夹中的 parse_sections.py，以筛选章节文本后再进行提取）。
  3. 运行 source_quality_appraiser，审核参考期刊的可信度等级（Scopus 分区／CORE 排名），以筛除方法论薄弱的论文。
  4. 运行 citation-and-reference-validator，验证 DOI 的准确性，并确保文稿中的论断有事实依据。必须运行相关技能 scripts/ 文件夹中的 validate_references.py 和 fetch_evidence_snippet.py 脚本，以筛除虚假参考文献，并在进入综合阶段之前验证逐字引用的 Evidence Snippets。
  5. 运行 paper-matrix-builder，将通过程序验证的所有参考文献技术参数（必须运行相关技能 scripts/ 文件夹中的 build_sota_matrix.py）汇总到标准化的 State-of-the-Art（SotA）表格中。（注：Agent 必须使用该技能安装位置的绝对路径执行 Python 脚本，无论该技能是本地安装还是全局安装。）
阶段 4：综合与发表准备
  1. 运行 synthesize-research，整合文献研究的全部证据，梳理共识，并对矛盾之处进行批判性审视。
  2. 运行 patent-and-literature-matcher，核实发明主张相对于潜在现有技术的新颖性。
  3. 运行 journal-recommendation-finder，推荐最符合研究范围的科学期刊目标（Q1-Q4）。
  4. 运行 journal-template-formatter，根据所选期刊的格式和写作指南（作者指南）重新组织最终草稿。
  5. 运行 academic-peer-reviewer，模拟同行评审（peer review）流程，提供批判性评估、问题清单（主要/次要），以及投稿至正式期刊前的发表适宜性建议。
  6. （可选/如需修改）运行 reviewer-response-and-revision，指导稿件修改步骤。
  7. （可选/Vault 集成）运行 obsidian-vault-exporter，将所有研究成果文档导出并整理为 Obsidian Vault 笔记结构，包含结构化 Frontmatter 和双向WikiLinks。
阶段 5：更新研究档案与记忆（隐式个性化）
  1. 评估所有交互会话、评论以及用户明确或隐含的反馈。
  2. 自动在项目根目录中更新或创建 user_profile.json 文件，以记录这些新偏好。使用 python bin/progress_tracker.py advance 在 progress.json 中标记最终完成状态。

输出格式：综合研究仪表板

工作结束时，Agent 必须提供一页执行摘要，包含：

  1. 研究状态：简要概述主题、选定的研究空白和主要研究目标。
  2. 阶段 1-4 总结：简要说明自动执行的各研究阶段的主要产出（包括数据实验和 ML 分析结果）。
  3. 发表建议表：从检索结果中提取的最佳目标期刊建议。
  4. 适宜性评分与主要问题：同行评审模拟的评估结果。
  5. 成果文件清单：指向各子技能详细成果文档的直接链接（Markdown 文件链接）（例如：研究空白报告、原始数据集、数据分析脚本等）。
  6. 个人记忆更新：总结已隐式学习并保存到 user_profile.json 中的用户新偏好。

常见错误与关键规则

  • 跳过流程（Skipping Flow）：未先完成研究空白和研究问题的确定（阶段 1），就尝试设计方法或综合研究。
  • 丢失输出记录：未将前一项技能的成果文件作为上下文输入传递给下一项技能，导致研究过程不一致。
  • 忽略可信度警告：即使在阶段 3 发现大多数主要参考论文的可信度较低（low quality）或引用错误，仍继续进入下一阶段。如果参考文献不可信，Agent 必须停止并请求用户指示，重新梳理文献。
  • 忽略档案更新：如果用户的重要偏好在研究过程中发生变化，却在完成研究后未更新 user_profile.json。请勿将 API Key 或机密信息暴露在此档案文件中。

评论

支持 Markdown