agentleFS
70asunflower70asunflower/70asunflower-skills/deep-research-report-pipeline/SKILL.md

deep-research-report-pipeline

Skill1 starsChanged 15 days agoMITView on GitHub

深度研究报告流水线(面向工程决策的长篇调研报告):从锚点案例出发做全网调研 → 分章撰写 → 独立审稿(逐项数字比对 + 独立重算 + 来源抽查)→ 跨章对齐 → 语言优化 → 数据核查 → 整合交付 + 伴生日志。 触发词:调研报告、深度研究、全网数据收集、写一份 XX 研究报告、技术基线调研、竞品/同类平台横评。 适用场景:读者是要拿结论做工程决策的人(不是学术综述),要求\"参数基线 + 判据 + 风险清单\"。

The file

Files
SKILL.md

深度研究报告流水线

产出对象是工程决策文档,不是综述。用户要的是"能直接照搬/对标的参数 + 判据 + 风险清单"。

一、六阶段流程

阶段内容并行策略
1 初调从用户给的锚点案例出发全网检索,建来源池(40+ 条),出摘要1 名研究员
2 大纲基于初调结果定章节结构,必须问用户确认(篇幅、参数口径、未定输入的处理方式)1 名规划员
3 分章研究逐章"研究稿 → 独立审稿 → 修订",每章由不同成员撰写与审阅各章可并行(输入依赖弱的先开)
4 跨章对齐统一口径(同名量、余量定义、词汇表、交叉引用),回填下游章节依赖上游结果的部分主理人做
5 语言优化套 doc-plain-zh,逐章并行改写 + 主理人保真校验各章并行
6 整合交付组装主稿 + 改动对照表 + 伴生修订日志主理人做

二、三条硬规矩(决定报告可信度)

  1. 独立审稿 + 独立重算:审稿员必须与撰写者无关,且要自己重算数字、解一手来源核对(PDF 下载 + pypdf/olefile 提文本,别信网页摘要)。 实测价值:审稿员抓到过"把论文表的轨道高度列当成剂量率"这类 3 处系统性误读——没有独立重算绝对漏掉。
  2. 事实层订正与语言改写分开记账:语言优化阶段只允许改表达;发现事实错误单独列出、由主理人裁定后另记,避免"顺手改"污染可追溯性。
  3. 核查员的结论也要复核:出现过核查员给出"应为 191 rad/年"而实际 1260 µGy/天 × 365 = 46 rad/年 的情形(它把单位换算错了 10 倍)。主理人对每个订正数字自己做一次量纲验算。

三、参数卡是命脉

建一份 研究参数卡.md 作为跨阶段共享事实基准,随进展持续追加:

  • 已核实数字表(含来源)
  • 更正纪律(哪些数字禁引用、哪个口径作废)
  • 章节进度
  • 跨章裁定

所有成员产出必须落盘到 chapters/ 目录,不要留在会话文本里——会话中断即丢失(本流程曾因此重建整章)。

四、并发与中断处理

  • 研究类任务并行无上限;写同一文件的任务同一时刻只派一个(重派前先 TaskStop 旧的,否则互相覆盖)。
  • 成员无回传超过 ~15 分钟:先查文件 mtime 判断是真卡还是已完成未报,再用 SendMessage 带完整任务要点重发(worker 看不到主会话)。
  • 连续两轮无响应 → 降级:改派新 worker 按参数卡重建,不空等。
  • 429 限流窗口内不要反复重试,改派 + 落盘兜底。

五、交付形态

  • 主稿(md)+ 改动对照表 + 伴生修订日志(正文不放修订历史表,沿革记在日志)。
  • 落位到项目交付目录,文件名 主题_vM.N.md,日志同名 .log.md。
  • 每次升版:主稿版本行、文件名、日志三处同步;旧版本保留以便追溯。

六、快速质检脚本(整合后必跑)

# v_old → v_new 保真比对:URL 集合、链接出现次数、参考文献条数、数字+单位 token 多重集
# 任一项有差异 → 逐条解释来源,解释不了的视为改写错误

同时扫描:正文破折号行数、emoji 数、套语数、口语化词(连坐/兜底/其实等)。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.