materialofair Multi-Agent Research Skill (Codex Native)
核心优势
- 使用 Codex 原生 child agent 协议
- 不依赖外部模型 CLI 或 MCP 桥接
- 可并行收集架构、代码、文档、风险视角
- 主线 Codex 负责证据整合和最终建议
- 支持本地仓库证据与官方文档验证
触发场景
- "多代理调研"
- "技术选型分析"
- "架构决策"
- "多 AI 协作研究"
- "对比不同视角"
- "给我一个有证据的调研结论"
手动触发：
使用 multi-model-research 分析 <你的问题>
Workflow
Step 1: 明确调研范围
确认：
- 调研主题
- 候选方案
- 评估维度：架构、实现、性能、安全、成本、迁移、运维
- 是否需要联网查官方文档
- 是否需要读取本地仓库
Step 2: 并行派发只读代理
根据问题选择最小代理集：
spawn_agent(agent_type="explorer", message="<architecture and repo evidence task>")
spawn_agent(agent_type="reviewer", message="<risk and correctness task>")
spawn_agent(agent_type="docs-researcher", message="<official docs verification task>")
wait_agent
close_agent
常用分工：
| Agent | 关注点 | 输出 |
|---|---|---|
| explorer | 架构、代码路径、依赖关系 | 事实地图、方案适配性 |
| reviewer | 风险、安全、测试缺口、回归风险 | findings、阻塞项 |
| docs-researcher | 官方文档、版本行为、API 真实性 | 引用来源、版本约束 |
Step 3: 主线整合
Codex 主线必须：
- 去重观点
- 区分事实、推断和建议
- 标注来源
- 给出推荐方案和备选方案
- 给出验证计划
Step 4: 输出 ResearchPack
## ResearchPack
### Topic
[调研主题]
### Sources
- [本地文件 / 官方文档 / 命令]
### Findings
| Dimension | Finding | Evidence | Confidence |
### Options
| Option | Pros | Cons | Risks | Fit |
### Recommendation
[推荐方案 + 理由]
### Validation Plan
1. [step] -> verify: [check]
### Open Questions
[仍需确认的问题]
Fallback
如果 child agent 不可用，主线 Codex 在同一回复中使用 [EXPLORER]、[REVIEWER]、[DOCS]、[SYNTHESIS] 四段完成同等分析。
Guardrails
- 对库、框架、云服务和 API 行为必须查官方文档或本地版本配置。
- 不把无来源的模型观点当事实。
- 不为了"多视角"增加无关代理；保持最小充分并行。