Research Orchestrator（Starter Skill）
概述
该技能是 Research-Agent 上自动化整个科研工作流的主要入口（starter/entry point）。当用户通过提供粗略研究想法或一般领域来启用该技能时，代理会编排并按顺序调用其他 23 个配套技能，将某一阶段的输出作为下一阶段的输入传递，并最终呈现整合的 Research Dashboard 报告。
具体而言，该技能支持 Implicit Personalization（隐式个性化）。执行开始时，代理必须检查根目录是否存在 user_profile.json 文件以加载用户偏好；执行结束时，代理会分析用户反馈并自动更新该文件。
依赖项
该技能编排以下 23 个技能的执行：
discover-phenomenon-and-gap
research-question-builder
hypothesis-or-proposition-builder
research-design-planner
synthetic-data-generator
data-acquisition-specialist
hardware-workload-estimator
computer-use
data-scientist-analyst
model-evaluator-validator
literature-review-generator
extract-methodology
source-quality-appraiser
citation-and-reference-validator
paper-matrix-builder
synthesize-research
patent-and-literature-matcher
journal-recommendation-finder
journal-template-formatter
academic-peer-reviewer
reviewer-response-and-revision
obsidian-vault-exporter
agent-update-checker
快速开始
使用示例： "使用 research-orchestrator 技能，针对基于图的交易欺诈检测方法（Graph Neural Networks）的有效性，启动全自动研究。"
全局指令：反幻觉与反伪造数据
作为编排器，您必须对所有下级代理执行“对虚假数据零容忍”政策。每当您向任何代理委派任务时，必须在指令末尾插入以下警告： "全局警告：严禁生成 mock data、dummy DataFrame、虚构论文或产生幻觉。您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，绝不要编造数据。"
特殊例外（白名单）：synthetic-data-generator 代理是唯一被允许编造数据的代理，因为其特定任务是创建模拟人物画像（Digital Twin）。不要向该代理发送此禁止伪造数据的警告。
工作流
代理必须依次遵循以下 5 个阶段的自动执行流程：
[检查更新并读取画像] ──> [阶段 1：问题] ──> [阶段 2：方法论与实验] ──> [阶段 3：文献] ──> [阶段 4：发表] ──> [阶段 5：个性化]
初始准备（更新检查、加载画像与进度初始化）
-1. 定期更新检查（限速）：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。如果今天已检查过，则跳过此步骤以免浪费时间。 0. 检查项目根目录是否存在 user_profile.json 文件。如果存在，加载研究偏好。 0b. 初始化 Progress Tracker 与 HITL Checklist（必需）：
运行 python bin/progress_tracker.py init --topic "<TOPIC>"，在 progress.json 中记录 5 个阶段的状态。
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 checklist 状态，以便用户进行评估和批准（Human-in-the-Loop Sign-Off）。
阶段 1：探索与问题框定
接受用户提供的初始主题/想法。主动询问用户是想寻找基于理论文献的想法（Mode A: Literature-Driven），还是基于二级数据集的想法（Mode B: Dataset-Driven (Data Descriptors)）。
如果用户选择 Mode B，询问其偏好的方法论/数据分析专长（例如：Random Forest、SVM、Linear Regression 等）。
按所选模式运行 discover-phenomenon-and-gap：
Mode A：描绘最新趋势现象并构建科学研究 gap。
Mode B：查找最新 Data Descriptor 论文，提取原作者的推荐（Potensi 1），并使用用户选择的方法寻找新变量相关性的创新提案（Potensi 2）。
向用户展示这些研究想法选项，评估“难度规模”指标（Trivial/Moderate/Hardcore），并在继续下一步之前请求用户批准/选择要执行的选项。
将选定的研究想法/gap 发送给 research-question-builder，以构建研究问题（RQ）、目标和研究贡献。
将 RQ 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：方法论与数据实验规划
将阶段 1 的全部输出文档发送给 research-design-planner，以编排实验方法论细节、抽样/变量确定、数据测试流程以及稳健性/消融测试场景。
运行 synthetic-data-generator（如需要），通过模拟受访者画像生成定量/定性合成数据集。
运行 data-acquisition-specialist（作为选项/补充），从互联网/API 来源查找、收集、爬取或下载真实数据集。
运行 data-scientist-analyst，执行数据清洗（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 Machine Learning 模型，并可视化实验结果。
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-test、Diebold-Mariano），以检验有效性和性能比较。
阶段 3：文献综述与验证
运行 literature-review-generator，梳理历史研究发展并构建新研究定位的论证。特别是大规模 SLR 模式，代理必须遵守 PRISMA 4 阶段流程（拉取元数据 -> Python 过滤 -> 语义审计 -> 提取），并在每一步保存 .csv checkpoint。
使用 extract-methodology 从主要参考文献中提取技术数据（必须运行相关技能 scripts/ 文件夹中的 parse_sections.py，在提取前过滤章节文本）。
运行 source_quality_appraiser，审计参考文献期刊的可信度水平（Scopus/CORE 排名四分位），以筛除方法论薄弱的论文。
运行 citation-and-reference-validator，验证 DOI 准确性并确保稿件主张得到事实支持。必须运行相关技能 scripts/ 文件夹中的 validate_references.py 和 fetch_evidence_snippet.py 脚本，在提交至综合阶段前过滤虚假参考文献并逐字验证 Evidence Snippets。
运行 paper-matrix-builder，将通过程序化验证的全部参考文献技术参数（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。（注意：代理必须使用该技能安装位置的绝对路径来执行 Python 脚本，无论本地还是全局。）
阶段 4：综合与发表准备
运行 synthesize-research，整合全部文献发现证据，绘制共识图谱，并批判性地审视矛盾之处。
运行 patent-and-literature-matcher，针对潜在 prior art 验证发明主张的新颖性（novelty）。
运行 journal-recommendation-finder，推荐与研究方向最匹配的目标科学期刊（Q1-Q4）。
运行 journal-template-formatter，按照所选期刊的格式与写作指南（Author Guidelines）重构最终草稿。
运行 academic-peer-reviewer，模拟同行评审流程，给出批判性评价、问题清单（major/minor）以及投稿前的发表可行性建议。
（可选/如有修改）运行 reviewer-response-and-revision，指导稿件修改步骤。
（可选/Vault 集成）运行 obsidian-vault-exporter，将全部研究输出文档导出并格式化为 Obsidian Vault 笔记结构，包含结构化 Frontmatter 和双向 WikiLinks。
阶段 5：画像更新与研究记忆（隐式个性化）
评估整个交互会话中用户的评论与显式/隐式反馈。
自动更新或创建项目根目录中的 user_profile.json 文件，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。
输出格式：Integrated Research Dashboard
工作结束时，代理必须呈现一页执行摘要，包含：
研究状态：主题、所选 gap 和主要研究目标的简要总结。
阶段 1-4 摘要：已自动运行的各研究阶段主要输出结果的简要描述（包括数据实验和 ML 分析结果）。
发表推荐表：提取出的最佳目标期刊推荐。
可行性评分与主要问题：同行评审模拟的评估结果。
输出文件列表：指向各子技能详细成果文档的直接链接（markdown 文件链接）（例如：gap 报告链接、原始数据集、数据分析脚本等）。
个人记忆更新：成功学习并隐式保存到 user_profile.json 的新用户偏好摘要。
常见错误与关键规则
跳过流程（Skipping Flow）：在未完成 gap 确定和研究问题（阶段 1）之前，尝试制定方法设计或综合研究。
丢失输出轨迹：未能将前一技能的产出文件作为上下文输入传递给下一技能，导致研究过程不一致。
忽视可信度警告：即使阶段 3 发现大多数主要参考文献可信度低（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，代理必须停止并请求用户指示重新构建文献。
忽视画像更新：如果在研究过程中用户的重要偏好发生变化，却在未更新 user_profile.json 的情况下结束研究。不要在此画像文件中暴露 API Key 或机密信息。