Research

Multi-Agent Research v3.2.0

CT 模式偵測 → 多視角並行研究 → 交叉驗證 → CT 合規檢查 → 智能匯總 → Memory 存檔（自動 commit）

自動化機制

⚡ 本 skill 已整合 Claude Code Hooks

• Action logging、state tracking、git commit 均由 hooks 自動處理
• 只需執行 CP1 初始化，其餘檢查點自動執行

使用方式

/multi-research [研究主題]
/multi-research AI Agent 架構設計模式 --deep
/multi-research --ct experiment "Multi-CT Pipeline 是否能降低 agent drift?"
/multi-research --no-ct "只要快速草稿"

Flags: --perspectives N | --quick | --deep | --ct off|lite|strict|experiment | --no-ct | --no-memory

CT 模式（內建）

/multi-research 會在開始前執行 CT Escalation Router，自主選擇 CT 模式。

CT mode 會控制實際流程重量：

• lite 只做 evidence / uncertainty / drift guard，不產生 ct-stack.yaml，不跑 experiment harness，也不跑 autonomous upgrade。
• strict 才產生 CT stack、合規檢查與 retrospective；若發現系統性問題，只產生 self-upgrade proposal，不自動 patch。
• experiment 才產生可測假設、實驗設計、eval rubric、failure mining 與 experiment harness；autonomous patch 預設關閉，只收斂 proposal 與 closed-loop summary。

自動規則：

• 預設為 lite。
• --deep 會把最低模式升到 strict。
• 偵測到論文、實驗、benchmark、evaluation、hypothesis、變因、對照組等需求時升到 experiment。
• 偵測到「快速」「先粗略」「不用太詳細」會降級，除非使用者明確要求 experiment。
• 使用者 override 永遠優先。

→ Router：shared/ct/escalation-router.md → Rules：shared/ct/escalation-rules.yaml → Runtime：shared/ct/mode-runtime.yaml

預設 4 視角

→ 模型路由配置：shared/config/model-routing.yaml

執行流程

CP1: 工作流初始化 ⚡ 手動執行
    python scripts/hooks/init_workflow.py --topic "{topic}" --stage RESEARCH
    ↓
Phase 0: CT Escalation Router → 偵測 ct_mode、理由、信心度
    ├── 檢查 user override: --ct / --no-ct
    ├── 依規則計分: lite / strict / experiment
    ├── 套用 downgrade guard: 快速 / 粗略 / 不用太詳細
    └── 寫入 meta.yaml: ct_detection
    ↓
Phase 1: 北極星錨定 → 定義研究目標、成功標準
    ↓
Phase 2: Memory 搜尋 → 避免重複研究
    ↓
Phase 3: 視角分解 → 為每視角生成專屬 prompt + CT envelope
    ↓
Phase 4: MAP（並行研究）✅ 自動追蹤
    ┌──────────┬──────────┬──────────┬──────────┐
    │架構分析師│認知研究員│工作流設計│業界實踐  │
    └──────────┴──────────┴──────────┴──────────┘
    [CP2/CP3 由 hooks 自動處理 Agent 狀態追蹤]

    ⚠️ **並行執行關鍵**：
       在單一訊息中發送 4 個 Task 工具呼叫：
       - Task({description: "架構視角", ...})
       - Task({description: "認知視角", ...})
       - Task({description: "工作流視角", ...})
       - Task({description: "業界視角", ...})
       這樣才能真正並行執行！

    ⚠️ **強制**：每個 Agent 必須在完成前執行：
       1. mkdir -p .claude/memory/research/{topic-id}/perspectives/
       2. Write → .claude/memory/research/{topic-id}/perspectives/{perspective_id}.md
       未執行 Write = 任務失敗，工作流中止
    ↓
Phase 5: REDUCE（交叉驗證 + mode-scoped CT checks + 匯總）
    ↓
Phase 6: Memory 存檔 → 品質閘門檢查 → 存儲報告
    ↓
Phase 7: CT Retrospective（strict / experiment）
    ├── 檢查 selected_mode 是否正確
    ├── 比對 expected artifacts vs actual outputs
    ├── 挖掘 workflow failures / false positives / false negatives
    └── 寫入 ct-retrospective.md
    ↓
Phase 8: Self-Upgrade Proposal（strict / experiment，必要時）
    ├── 若 mode 選錯、artifact 缺漏、gate 誤判、工具解析失敗
    ├── 產生 self-upgrade-proposal.md
    └── runtime 變更需附驗證命令與 rollback plan
    ↓
Phase 9: Experiment Harness（CT-experiment 必須）
    ├── 產生 experiments/{topic-id}/cases.yaml
    ├── 產生 run-config.yaml / rubric.yaml
    ├── 至少對本次 condition 跑 score-run.py
    ├── 產生 results.jsonl
    └── 產生 analysis.md
    ↓
Phase 10: Autonomous Upgrade Decision（experiment，proposal-only by default）
    ├── L1/L2: 只記錄 / 只提案，不修改
    ├── L3: 可修改 docs、templates、CT examples
    ├── L4a: 可修改非關鍵 runtime rules / validators，必須跑 focused smoke test
    ├── L4b/L4c: gates / workflow scripts 只提案，需人工批准
    ├── L5: 架構或降弱 gate 的變更停止並要求人工批准
    └── 寫入 upgrade-decision.yaml；有 patch 時寫入 upgrade-report.md
    ↓
Phase 11: Closed-Loop Summary（成果收斂）
    ├── 彙整 research conclusion、CT mode review、upgrade decision
    ├── 彙整 quality gates / DAG / status / action log 驗證結果
    └── 寫入 closed-loop-summary.md
    ↓
CP4: Task Commit ✅ 自動執行
    [寫入 .claude/memory/ 時自動 git commit]

CP4: Task Commit ✅ 自動

由 post_write.py hook 自動處理

當 Write 工具寫入 .claude/memory/ 目錄時，hook 會自動：

1. git add .claude/memory/research/{topic-id}/
2. git commit -m "docs(research): complete {topic} research"
3. 記錄 action 到 actions.jsonl

→ Hook 設定：.claude/settings.local.json.template → 協議：shared/checkpoints/mandatory-checkpoints.md

品質閘門

通過條件（RESEARCH 階段）：

• ✅ 至少 2 視角達成共識
• ✅ 無未解決的關鍵矛盾
• ✅ 品質分數 ≥ 70
• ✅ CT-lite 以上需標記 evidence / uncertainty / drift guard
• ✅ CT-strict 以上不得有 HIGH CT 違規
• ✅ CT-experiment 需產出可測假設與實驗設計
• ✅ CT-experiment 需產出 experiment harness 並至少跑一次 scorer

CT gates 依 mode 分級：

• CT_LITE：只檢查 evidence / uncertainty / drift guard
• CT_STRICT：檢查 ct-stack、ct-compliance、HIGH 違規與 evidence coverage
• CT_EXPERIMENT：檢查 hypotheses、experiment plan、readiness 與 scorer result

→ 閘門配置：shared/quality/gates.yaml

早期終止

當 consensus_rate >= 0.9 時，可跳過衝突解決。

→ 配置：shared/config/early-termination.yaml

Context7 整合

自動偵測技術棧關鍵字（react, vue, fastapi 等）時，查詢最新文檔。

→ 配置：shared/integration/context7.yaml

輸出結構

.claude/memory/research/[topic-id]/
├── meta.yaml           # 元數據，包含 ct_detection
├── ct-stack.yaml       # CT-strict / experiment 產出
├── ct-compliance.md    # CT-strict / experiment 產出
├── risk-policy.yaml    # CT-strict / experiment 產出
├── hypotheses.yaml     # CT-experiment 產出
├── experiment-plan.md  # CT-experiment 產出
├── eval-rubric.yaml    # CT-experiment 產出
├── failure-modes.md    # CT-experiment 產出
├── claims/             # CT-strict / experiment structured claims
│   ├── architecture.claims.yaml
│   ├── cognitive.claims.yaml
│   ├── workflow.claims.yaml
│   └── industry.claims.yaml
├── ct-retrospective.md # CT 閉環產出
├── self-upgrade-proposal.md # 有改善建議時產出
├── upgrade-decision.yaml # 自主升級決策
├── upgrade-report.md    # 有實際 patch 時產出
├── closed-loop-summary.md # 最終收斂成果報告
├── experiments/
│   └── {topic-id}/
│       ├── cases.yaml
│       ├── run-config.yaml
│       ├── rubric.yaml
│       ├── results.jsonl
│       ├── condition-comparison.md
│       └── analysis.md
├── perspectives/       # 完整視角報告（MAP 產出，保留）
│   ├── architecture.md
│   ├── cognitive.md
│   ├── workflow.md
│   └── industry.md
├── summaries/          # 結構化摘要（REDUCE 產出，供快速查閱）
│   ├── architecture.yaml
│   ├── cognitive.yaml
│   ├── workflow.yaml
│   └── industry.yaml
├── synthesis.md        # 匯總報告（主輸出）
└── metrics.yaml        # 階段指標

Mode-specific artifact rules:

• lite must not require ct-stack.yaml, ct-compliance.md, experiment harness, or self-upgrade artifacts.
• strict may produce ct-retrospective.md and self-upgrade-proposal.md, but must not apply autonomous patches.
• experiment must produce experiment artifacts and closed-loop-summary.md; autonomous patching remains proposal-only unless explicitly approved.

⚠️ perspectives/ 保存完整報告，summaries/ 保存結構化摘要，兩者都必須保留。

Agent 能力限制

視角 Agent 不應該開啟 Task：

網頁抓取策略

當需要抓取網頁時，使用以下順序：

1. 優先使用 WebFetch - 快速、輕量
2. 如果 WebFetch 失敗，使用 Chrome：

   a. mcp__claude-in-chrome__tabs_create_mcp → 建立新分頁
   b. mcp__claude-in-chrome__navigate → 導航到 URL
   c. mcp__claude-in-chrome__get_page_text → 讀取內容
   

3. 如果仍然失敗，記錄 URL 供人工處理

行動日誌 ✅ 自動

由 Claude Code Hooks 自動處理

工具調用自動記錄到 .claude/workflow/{workflow-id}/logs/actions.jsonl。

自動記錄的工具：

排查問題：

# 查看 RESEARCH 階段所有失敗行動
jq 'select(.stage == "RESEARCH" and .status == "failed")' \
  .claude/workflow/{workflow-id}/logs/actions.jsonl

# 查看特定視角 Agent 的行動
jq 'select(.agent_id == "architecture")' \
  .claude/workflow/{workflow-id}/logs/actions.jsonl

# 查看即時狀態
cat .claude/workflow/{workflow-id}/current.json | jq .

→ Hook 腳本：scripts/hooks/ → 日誌規範：shared/communication/execution-logs.md

共用模組

工作流位置

RESEARCH → PLAN → TASKS → IMPLEMENT → REVIEW → VERIFY
   ↑
  你在這裡

研究結果可被 plan skill 引用，作為規劃的輸入。