Research Frontier — 研究方向发现引擎

核心理念

在两个成熟领域的交界处，找没人建的桥。

不是在热门领域里找增量选题，而是系统性地扫描领域交叉的缝隙，用 deep research 验证空白真实存在，用数据可行性确认能做，用竞争窗口判断该不该现在做。

传统选题: 领域内文献综述 → 找gap → 做增量研究（拥挤）
本方法:   多领域资产图谱 → 交叉缝隙扫描 → deep research验证空白 → 锁定蓝海

方法论来源

2026-03-20 实战验证：从8个已完成训练任务出发，通过多元思维格栅分析 → 交叉领域缝隙扫描 → deep research 验证，锁定"环境化学暴露→代谢→心理健康"三段通路方向。该方向经系统搜索确认为完全空白（三段串联中介分析=零篇论文），且数据(NHANES)、方法(BKMR-CMA)、发表窗口(12-18个月)三者齐备。

输入

• 必需: 用户的意图信号（"找方向"/"下一轮做什么"/研究偏好）
• 推荐: 已有研究组合（已完成的项目/论文/分析结果）
• 推荐: 可用数据集清单
• 可选: 用户偏好约束（"要空白的"/"要争议性的"/"要临床可转化的"）

输出

• frontier_report.md — 完整调研报告（含证据链接）
• candidate_directions.json — 结构化的候选方向清单（排序+评分）
• 用户决策后 → 可直接输出为训练任务的 requirements.md

数据流总图

用户触发("找方向"/"选题"/"下一轮做什么")
    │
    ▼
Phase 1 ──→ asset_map.md ──→ Phase 2
(输入适配)   (可能为空)        (结构选型)
                                │
                          用户注入偏好 ←── "要空白的"/"要争议性的"/...
                                │
                                ▼
                          Phase 3 (deep research)
                          搜索 3-5 个候选方向的文献饱和度
                                │
                                ▼
                          空白评分排序 ──→ 得分≥12 的进入 Phase 4
                                              │
                                              ▼
                                        Phase 4 (deep research)
                                        数据可行性验证
                                              │
                                              ▼
                                        Phase 5 (deep research)
                                        竞争 + 期刊 + 窗口
                                              │
                                              ▼
                                        Phase 6 综合报告
                                              │
                                              ▼
                                        用户决策 → requirements.md × N

六阶段流程

Phase 1: 资产盘点（Asset Inventory）

目标: 理解"我们已经有什么"，避免从零开始。也可能什么都没有，这完全合法。

输入适配器

Phase 1 的第一步是判断用户给的是什么，再决定怎么提取信息：

用户输入
    │
    ▼
输入类型检测
    │
    ├── A. 路径 → 是项目目录？
    │      扫描 progress.md / requirements.md / outputs/
    │      提取: 暴露变量、结局变量、中介变量、数据集、分析方法
    │      → 生成 asset_map.md
    │
    ├── B. 路径 → 是数据文件 (CSV/XPT/Excel)？
    │      读取列名 + 数据画像（行数、变量类型、缺失率）
    │      匹配已知数据集特征（如含 SDMVPSU → NHANES）
    │      → 生成 asset_map.md（仅含数据资产，无研究资产）
    │
    ├── C. 文本 → 含 DOI 或论文标题？
    │      搜索论文摘要，提取变量关系（暴露→结局）
    │      以该论文为种子，识别其引用网络中的变量空间
    │      → 生成 asset_map.md（以论文为锚点）
    │
    ├── D. 文本 → 是领域描述（"心理健康"/"环境流行病学"）？
    │      无本地资产，Phase 1 输出 asset_map = 空
    │      Phase 3 改为从公开数据集变量空间广撒网搜索
    │      → asset_map.md 为空（标记 source: "领域描述"）
    │
    ├── E. 文本 → 是数据集名称（"NHANES"/"BRFSS"）？
    │      加载该数据集的已知变量清单/模块清单
    │      标注变量类别（暴露/结局/协变量）
    │      → 生成 asset_map.md（仅含数据集能力图谱）
    │
    └── F. 无输入 / "帮我找方向"？
           加载可用公开数据集清单（NHANES/BRFSS/CHARLS/CFPS/MIMIC/...）
           每个数据集标注核心变量域
           → asset_map.md 为空 + 附可用数据集清单

当有本地资产时（场景 A）

1. 扫描已完成的项目/任务目录，提取每个研究的:
   • 暴露变量（Exposure）
   • 结局变量（Outcome）
   • 中介/调节变量（Mediator/Moderator）
   • 使用的数据集
   • 使用的分析方法
2. 构建变量关系图: 哪些变量之间已经有了连接，哪些还是孤立节点
3. 识别重复出现的主题: 某个变量在多个研究中出现 = 潜在的核心枢纽

当无本地资产时（场景 D/F）

1. 加载可用公开数据集清单及各自的核心变量域
2. 变量关系图为空 → Phase 3 改为"变量空间广撒网"模式

输出: asset_map.md（变量关系图 + 主题频次 + 数据集覆盖矩阵。可能为空。）

Phase 2: 结构选型 + 用户偏好注入（Structure Selection）

目标: 确定研究矩阵的骨架类型，并获取用户的方向性约束。

2a. 结构选型

三种经典结构:

操作:

1. 如果 asset_map 非空 → 评估哪种结构最匹配已有资产
2. 如果 asset_map 为空 → 展示三种结构的优劣，让用户选或由用户偏好决定
3. 用逆向思维评估每种结构的死法（"选这个结构最可能怎么失败？"）
4. 用类比迁移参考成功研究团队的范式

2b. 用户偏好注入（强制检查点）

这一步不可跳过。 必须向用户确认或从用户输入中提取：

• 新颖性偏好: 空白/争议 → Phase 3 过滤掉饱和方向
• 新颖性偏好: 增量/安全 → Phase 3 保留有文献基础的方向
• 领域约束: 限定某个领域 / 排除某个领域
• 数据约束: 只用某个数据集 / 排除某个数据集
• 实用约束: 临床可转化 / 政策导向 / 纯学术

偏好约束直接影响 Phase 3 的搜索策略和评分权重。例如"要空白的"会把空白评分权重从 25% 提升到 50%。

输出: 推荐的结构类型 + 用户偏好约束（传递给 Phase 3）

Phase 3: 交叉缝隙扫描（Gap Scanning）— Deep Research 驱动

这是整个流程的核心引擎。不是拍脑袋猜空白，而是系统搜索验证空白。

操作:

3a. 生成候选交叉点

根据 asset_map 是否为空，采用不同策略：

精准模式（asset_map 非空）： 从变量关系图中，识别所有"两端成熟但中间无桥"的变量对:

对于资产图中的每个变量A:
  对于每个可能的变量C（来自不同领域）:
    如果 A→B 已有文献（领域1成熟）
    且 B→C 已有文献（领域2成熟）
    则 "A→B→C 串联" 是一个候选交叉点

广撒网模式（asset_map 为空）： 从可用数据集的变量域出发，枚举跨领域组合:

对于每个可用数据集:
  列出其核心变量域（如 NHANES: 环境化学物/代谢/心理/营养/人口学）
  对于每对变量域 (域A, 域B):
    如果 域A 和 域B 属于不同的传统学科
    则 "域A → 域B" 是一个候选交叉方向
    → 启动 deep research 评估该方向的文献饱和度

广撒网模式会产生更多候选方向，因此 deep research 的第一轮搜索只做快速饱和度判断（搜索结果数），过滤后再对 top 5 做深入搜索。

3b. Deep Research: 饱和度评估（每个候选方向）

启动 deep-research-agent，对每个候选方向执行:

搜索任务 1: 通路各段的文献量
  - "{变量A} AND {变量B}" 的 PubMed/Google Scholar 结果数
  - "{变量B} AND {变量C}" 的结果数
  - "{变量A} AND {变量C}" 的结果数（直接关联）
  - "{变量A} AND {变量B} AND {变量C}" 的结果数（三段串联）

搜索任务 2: 是否已有系统综述/meta-analysis
  - "systematic review" OR "meta-analysis" + 各段关键词
  - 如果三段串联已有综述 → 该方向不空白，降级

搜索任务 3: 最近2年的最接近论文
  - 2024-2026年发表的、与该交叉点最相关的论文
  - 这些论文的结论中是否提到了"future research should..."
  - 有人插路标但没人走 = 最佳窗口

搜索任务 4: 是否有人提出过这个假说
  - 搜索概念性综述、评论文章、预印本
  - 如果假说已被提出但无实证 = 高价值空白
  - 如果假说未被提出 = 可能是开创性方向，也可能是因为不合理

3c. 空白评分

输出: 候选方向排序（按空白评分）

Phase 4: 数据可行性验证（Data Feasibility）— Deep Research 驱动

只对 Phase 3 中得分 ≥12 的候选方向执行。

启动 deep-research-agent:

搜索任务 1: 变量覆盖
  - 目标数据集中，关键变量是否存在？哪些cycle/波次？
  - 变量的测量方式是否一致（跨cycle可比性）？

搜索任务 2: 样本量估算
  - 所有关键变量同时有数据的样本量
  - 子样本（如NHANES的1/3生物监测子样本）的瓶颈
  - 是否足以支撑混合暴露分析的统计功效

搜索任务 3: 方法学工具
  - 这个场景下主流的统计方法是什么？
  - 是否有现成的软件包/R包/Python库？
  - 方法论文是否已被广泛引用（>50次 = 审稿人接受）

输出: 可行性评估（数据充分/部分可行/不可行）

Phase 5: 竞争与发表评估（Competition & Publication）— Deep Research 驱动

搜索任务 1: 竞争团队
  - 哪些研究组在做最接近的工作？
  - 他们的发表节奏（每年几篇？正在加速？）
  - 竞争窗口估算: 按现有发表速度，空白还能维持多久？

搜索任务 2: 目标期刊
  - 该交叉领域的期刊有哪些？IF范围？
  - 这些期刊最近是否发表过类似交叉研究？（编辑接受度）
  - 综述/终局论文的最佳投稿目标

搜索任务 3: 政策/临床影响力
  - 这个方向如果做出来，对公共政策有什么含义？
  - 是否有正在进行的政策辩论可以借力？

输出: 竞争格局 + 期刊策略 + 影响力评估

Phase 6: 综合研判与输出（Synthesis）

将 Phase 1-5 的结果综合，生成最终报告:

# 研究方向调研报告

## 候选方向排序
| 排名 | 方向 | 空白评分 | 数据可行性 | 竞争窗口 | 综合推荐 |
|------|------|---------|-----------|---------|---------|

## 推荐方向详述
### 宏大叙事
[一段话描述整个研究矩阵的故事]

### 研究矩阵设计
[8篇论文的布局 + 论文间引用关系]

### 风险评估
[主要风险 + 缓解策略]

### 决策点（需要人判断）
[方向/数据/期刊等需要用户选择的关键决策]

Phase 间数据交接

Phase 1                Phase 2                 Phase 3
asset_map.md ────────→ structure_type ────────→ candidate_gaps[]
(变量关系图,           (暴露驱动/结局驱动/     (每个候选方向含:
 可能为空)              机制链/混合)              两端文献量,
                       +                          串联文献量,
                       user_preferences           最近论文,
                       (空白/争议/增量,            空白评分)
                        领域/数据约束)
    │                       │                       │
    │    ┌──────────────────┘                       │
    │    │                                          │
    ▼    ▼                                          ▼
  如果为空 → Phase 3 切换为广撒网模式       得分≥12的进入 Phase 4
  如果非空 → Phase 3 用精准模式

Phase 4                Phase 5                 Phase 6
data_feasibility ────→ competition_report ───→ frontier_report.md
(变量覆盖,             (竞争团队,               (完整报告)
 样本量估算,            期刊分层,               +
 方法学工具,            竞争窗口,               candidate_directions.json
 瓶颈标注)              政策影响力)             (结构化排序)
                                                    │
                                                    ▼
                                              用户决策
                                                    │
                                                    ▼
                                              requirements.md × N
                                              (直接输出为训练任务需求)

与其他模块的关系

触发条件

• 用户说"找方向"/"选题"/"下一轮做什么"/"research frontier"
• 一轮训练任务全部完成后，自动建议运行
• 用户提供新数据集时，评估可做的方向

关键约束

1. 不猜测，搜证据: 任何"这个领域是空白"的判断必须有搜索记录支撑
2. 不选热门: 如果某方向已有 >3 篇系统综述，自动降级（除非用户偏好为"增量"）
3. 数据先行: 没有可用公开数据的方向不进入候选
4. 人类决策权: 最终方向选择必须由用户确认，本模块只提供排序和证据
5. 偏好注入不可跳过: Phase 2b 必须获取用户偏好再进入 Phase 3，不能自行假设用户想要什么