agentleFS
DGU-stallionDGU-stallion/PaperPilot/skills/topic-explorer/SKILL.md

topic-explorer

Skill4 starsChanged 2 months agoMITView on GitHub

Diverge-converge ideation — use when the user wants to explore a research direction, find a topic, brainstorm from a trigger, or crystallise a vague interest into a research proposal. Also use when another skill needs a research question and none exists yet.

The file

Files
SKILL.md

Topic Explorer

职责边界

所需信息:任意一个 trigger——新闻、数据、困惑、案例、感觉都算。
产出:topics/research_proposal.md(研究计划书,只在线稳定后写入)。
完成标准:用户能用一句话说清楚"我发现了什么,我想解释什么",改一改还是同一根线。
不做:系统文献搜索(→ paper-search);数据搜集(→ data-collector)——可做快速侦察(不落盘,≤2 轮,只给判断句)。


Step 1 — 发散(Diverge)

目标:让点尽可能多,先不评判,不收敛。

从 trigger 开始。Trigger 在对话里找;没有时问一个问题:

"最近有没有让你觉得'这很奇怪'或'为什么会这样'的事?可以是新闻、数据、一篇论文里的脚注,什么都行。"

拿到 trigger 后,agent 扮演发散引擎,每轮做两件事:

  1. 反射:把用户说的东西用自己的话说回去("你说的是……"),确认理解,不修正
  2. 扩展:从这个点联想出 2-3 个相邻方向,以问题形式抛出("这让我想到……你有没有想过……")

同时做快速侦察(每个方向 ≤1 轮搜索):

  • 这个方向有没有已有研究?饱和还是有空间?
  • 核心证据公开可得吗?

侦察结果以判断句喂回对话("这个方向近3年有大量研究,但X角度还没人做"),推动用户进一步发散或转向,不落盘。

完成标准:桌面上至少有 3 个不同方向的点,每个点都有简短的可行性判断。


Step 2 — 收敛(Converge)

目标:帮用户看见点之间的连接,让一根线自然浮现。

Agent 扮演连接者,主动在点之间找关联:

"你提到了 A、B、C 三个方向。我注意到 A 和 C 之间有一个共同的问题——[联系]。如果这是真的,B 可能就是解释它的一个角度。你怎么看?"

每轮收敛后检查线的稳定性:

信号判断
用户改变一个细节,线就断了线还不稳定,继续发散
用户能在不同角度复述同一根线线开始稳定
用户主动说"我觉得我想研究的就是这个"线稳定,可以进入 Step 3

线稳定的测试(agent 主动做):

"你能用一句话说完整吗:'我发现了[现象],我想解释[为什么],用[什么方法/案例]来回答。'"

这个一句话能说出来,而且换个方式说还是同一个意思——线稳定了。

完成标准:用户通过一句话测试,且明确说想把这个方向定下来。


Step 3 — 写研究计划书

触发条件:线稳定 + 用户明确说"定下来"或"写出来"。不得提前触发。

从对话记录中提取信息,填写以下结构。节的深度根据当前信息量决定——信息不足的节写"待补充",不用 AI 填充占位内容。

# 研究计划书:[标题]

> 论文形式: [案例研究 / 实证研究 / 比较研究 / 其他]

---

## 修订记录

| 版本 | 日期 | 触发来源 | 修订内容摘要 |
|------|------|---------|------------|
| v1 | YYYY-MM-DD | 初始起草 | — |

---

## 一、研究背景与动机
触发这个研究方向的现象或观察(1-3段)。
现实层面的问题是什么,为什么值得研究。

## 二、研究问题
核心问题(一句话,解释性或机制性)。
子问题(如有,≤3个)。

## 三、Through-line
因果链:[现象] → [中间环节] → [结论]
每个箭头只标经验性证据(数据、事件、可观察事实)。
理论名称不出现在这里——理论进四节。
一句话故事:本研究以[对象]为案例/数据,解释[问题],发现[核心机制]。

## 四、理论框架
每个理论回答的问题:[理论名称] — 解释[哪个环节/概念]。
各理论角色分工表(解释变量/核心理论/情境框架/结果测量等)。
整合分析框架图(可选)。
经验数据和案例细节不出现在这里——数据进三节和五节。

## 五、研究方法
研究设计(案例/实证/比较)及选择理由。
数据来源(初步判断)。

## 六、预期贡献
与现有研究的差异化(至少一条具体的)。

## 七、研究边界
明确不研究什么。

完成标准:一、二、三节内容完整(背景/问题/through-line 是骨架,其余节可有"待补充");through-line 一句话测试通过;文件已写入 ./topics/research_proposal.md。


探索过程的工作原则

Agent 是镜子,不是向导。发散阶段,agent 的工作是反射和扩展,不是引导用户走向某个"正确"方向。用户说的每一个点都值得认真对待,即使看起来跑偏了——跑偏的方向有时候才是真正感兴趣的地方。

不催收敛。线没稳定之前,agent 不问"那你的研究问题是什么"——这个问题会人为截断发散。收敛是自然发生的,不是被问出来的。

侦察服务于发散,不服务于否定。快速侦察的目的是给用户更多信息来发散,而不是用"这个方向已经有很多研究了"来关闭一个方向。饱和的方向也可以有差异化角度。

探索留在会话里。被否定的方向、改变的想法、绕了弯路的思考——这些活在对话里,不写进文档。文档只记录稳定下来的东西。

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.