用途：以自主循环方式迭代改进研究工作，流程为评审→实现修复→再评审，直到外部评审给出正面评估或达到最大轮数。触发方式为“auto review loop…”，上下文由 $ARGUMENTS 传入。
主要能力与常量：MAX_ROUNDS = 4；正面阈值（POSITIVE_THRESHOLD）为分数 ≥ 6/10，或评审结论包含 accept、sufficient、ready for submission；评审日志写入项目根目录的 AUTO_REVIEW.md（累积记录）。
配置：使用任意 OpenAI 兼容 API，通过 llm-chat MCP 服务器配置（推荐，写入 ~/.claude/settings.json）或环境变量。支持 OpenAI、DeepSeek、MiniMax、Kimi、智谱 GLM、SiliconFlow、阿里云百炼、零一万物等提供商，分别对应各自的 LLM_BASE_URL 与 LLM_MODEL。调用方式优先使用 MCP 工具 mcp__llm-chat__chat，回退方案为 curl 调用 ${LLM_BASE_URL}/chat/completions。
状态持久化：每轮结束（Phase E 文档记录后）将状态写入 REVIEW_STATE.json，含 round、status、last_score、last_verdict、pending_experiments、timestamp；完成后 status 置为 completed。
工作流：初始化（检查 REVIEW_STATE.json 恢复、读取项目上下文与既往评审、初始化轮次计数）；循环最多 MAX_ROUNDS 轮，每轮含 Phase A 评审（调用 LLM 按 1-10 打分、列出关键弱点、给出最小修复、说明是否可提交）；Phase B 解析评估（务必逐字保存完整原始回复，提取分数、结论、行动项，若分数达标即停止）；Phase C 实现修复（优先级：补充指标 > 重新表述 > 新实验）；Phase D 等待结果（监控远程实验）；Phase E 记录本轮至 AUTO_REVIEW.md 并写 REVIEW_STATE.json。第 2 轮及以后提示中需包含上轮摘要与变更。
关键规则：大文件写入失败时改用 Bash 分块写入；参考资料严禁凭空生成 BibTeX，须走 DBLP → CrossRef → [VERIFY] 链；如实说明弱点；先实现修复再重新评审；完整记录；优先 MCP 工具而非 curl。
限制：资料未提供具体平台支持范围之外的更多细节、价格或效果保证；MAX_ROUNDS 固定为 4；依赖外部 LLM 服务的可用性与配置正确性。