channinglua 十篇文章批处理
这个技能负责吞吐，不降低 hotspot-article 的证据和质量门。十篇文章使用十个独立工作区，任何一篇失败都不能污染其他文章。
目标与边界
- 默认
count=10，允许 2–10； - 默认组合：
event 30% / demand 50% / evergreen 20%； - 每篇都要有完整业务场景和七段技术到业务桥；
- 每篇先过题目重量门；小版本、小功能和局部技术点直接降级，不占十篇精选名额；
- 每篇独立维护来源、实测、事实核验和质量报告；
- 不为了凑十篇复制角度、来源或段落；
- 不自动发布。当天未通过的文章保留草稿和失败原因。
Step 1：检查开源适配器
python3 -m prax.article_integrations probe --format json
按可用性使用：
- TrendRadar：聚合公开热榜与 RSS，读取
TRENDRADAR_OUTPUT； - AutoCLI：抓取需要 Chrome 登录态的平台；
- Crawl4AI：把公开文章转成研究用 Markdown；缺失时使用遵守
robots.txt的 HTTP 回退； - GPT Researcher：并行生成研究线索；需要本地包、模型和检索凭据；
- STORM：读取
STORM_OUTPUT中已有报告，补充视角和追问。
外部研究报告不是事实来源。必须回到其中列出的原始 URL。
Step 2：建立至少 12 个候选
十篇批次至少准备 12 个候选，避免一个题失败后整批停住。候选写入：
.prax/vault/article-batches/<DATE>/topic-candidates.json
候选必须符合 hotspot-article 的 business_case 和 business_bridge schema。只复述发布会或产品功能的题目不得进入批次。
Step 3：创建十个隔离工作区
python3 -m prax.article_batch \
".prax/vault/article-batches/<DATE>/topic-candidates.json" \
--count 10 \
--date "<DATE>" \
--out-root ".prax/vault/article-batches/<DATE>/run"
生成：
run/
├── batch-manifest.json
├── calibration-gate.json
├── 01-<topic>/
│ ├── brief.md
│ ├── business-bridge.json
│ ├── research-plan.json
│ └── status.json
└── 10-<topic>/...
batch-manifest.json 没有 complete: true 时，不开始写作；先补候选。重复运行必须显式使用 --resume，避免误覆盖批次状态。
Step 4：先用一篇做校准门
批次创建后只推进 calibration-pilot，其他目录保持 waiting-for-calibration。首篇必须完整走到来源、实测、事实审校、去 AI 腔编辑和质量门，再把实际暴露的问题写入 calibration-gate.json：
- 机器分在哪些地方虚高或误判；
- 哪些来源只进研究池、没有真正进入正文；
- 计划验证与实际运行之间还差什么；
- 哪些段落虽然过门，读起来仍像模板；
- 题目是否足以改变一个真实业务决策，还是被篇幅硬撑成“大文章”；
- 已经修改了哪些 prompt、规则或 hard gate。
只有首篇 hard gates 通过、编辑七项均至少 4/5、证据明确写出局限，并且上述改动已经落地，才把 status 改为 released、remaining_slots_released 改为 true。不能先批量生成十篇再统一返工。
Step 5：校准后按两条并发泳道推进
不要十篇同时抢浏览器和检索限额。最多同时研究两篇：
- 泳道 A 研究第 1 篇时，泳道 B 研究第 2 篇；
- A 进入写作后，再把第 3 篇放入研究；
- 每完成一个阶段就更新该目录的
status.json； - 单篇失败只标记
blocked，继续下一篇。
建议状态：
planned → researching → outlined → drafting → fact-checking → quality-gate → ready
Step 6：逐篇执行 hotspot-article
在当前 agent 内直接执行 hotspot-article 的 Step 3–9，不要递归调用 prax prompt。
每篇先读 brief.md、business-bridge.json 和 research-plan.json。可用 Crawl4AI 抓正文：
python3 -m prax.article_integrations fetch \
"https://example.com/original" \
--out "<WORKSPACE>/research/source-01.md"
可用 GPT Researcher 扩大问题面：
python3 -m prax.article_integrations research \
"<文章主题、决策和研究问题>" \
--out "<WORKSPACE>/research-leads.md"
无论使用哪个后端，仍要完成：
- 按文章路线完成来源和证据：分析稿至少 12 个来源，框架稿至少 8 个，实测稿至少 4 个来源且必须有两次真实运行；
- 至少 4 个第一方来源；
- 一次与业务决策直接相关的验证；
- 至少 8 个事实主张核验；
business_bridge、篇幅、结构和引用 hard gates；- 独立“去 AI 腔”编辑。
Step 7：批次验收
完成后更新 batch-manifest.json 中每篇状态并输出：
ready、draft、blocked各多少篇；- 每篇机器质量分和未通过门槛；
- 总来源数、重复来源数和第一方来源占比；
- 外部适配器实际使用情况；
- 所有成稿和草稿路径。
十篇中某篇未过门，不得拿另一篇的来源、实测或质量报告代替。