Dr Reconstruct

Deep Research 报告重构与独立验证

核心原则： Deep Research 是侦察兵，不是测绘兵。DR 报告的价值在于发现方向，不在于提供可直接使用的引用。任何来自 DR 的具体文献、数值、归因，必须经过独立验证后才能进入正式写作或战略决策。

防杜撰原则（CLI 多分支必读）： 主 agent 在视图里看不到 subagent tool call 历史时，必须先 ls 文件系统验证产物，再判断工作是否完成。视图缺失 ≠ 工作未做。未经文件系统验证的自我怀疑会导致主 agent 编造"坦白未执行"的错误输出——这是本 skill 在 CLI 端多 btw/resume 分支场景下最严重的已知失败模式。

依赖技能：

• literature-search-omfs — Entrez API 规范（检索前读取 references/entrez-api.md）
• literature-manager — 验证通过的文献存入管理库
• humanizer-zh — 重构文本去 AI 痕迹（如适用中文写作）

为什么需要这个技能

Deep Research（launch_extended_search_task / Claude web DR / 其他）是独立搜索代理，不使用 project-level skills，不调用 Entrez API，不遵循 literature-search-omfs 的反幻觉规则。基于本地核查 100+ 学术 claim 和 175+ 战略 claim 的经验，DR 错误分布：

学术域错误率

战略 DR 额外错误（非学术部分，实战观察）

这些错误对论文写作 + 战略决策 + FDA 申报均不可接受。

模式判定

原则：完全由用户人工判定，不做自动判定。主 agent 的任务是：读 DR → 汇报 DR 特征 → 提供推荐参考 → 请用户决策。

第一步：读 DR + 汇报特征

主 agent 读完 DR 后，向用户汇报以下要素（作为决策依据）：

• claim 原子化数量（估算，"约 N 条"即可）
• 涵盖域（学术 / FDA / 财报 / 市场 / CPT / 流行病学 哪些出现）
• 数字密集度（是否含 $B / 亿元 / 万例 / K 号 / 股票代码 等大数字或敏感数字）
• 引用密集度（多少条具体文献引用，是否以学术引用为主）
• DR 的产出目标（用户希望用来做什么：综述 / PhD proposal / 战略决策 / 监管申报 / 投资分析）

第二步：提供推荐参考

推荐参考（仅供参考，不代替用户决策）：

第三步：请用户决策

绝不自动启动——把判定权交给用户。询问示例：

"DR 特征汇报完毕：约 X 条 claim，覆盖 [学术 + FDA + 商业]，产出目标 [<用户指定>]。 参考倾向：模式 B 战略（预估 1-2 h、1-2M token、多产物）。 或可走模式 A 轻量（15-20 min、2 产物，但非学术 claim 需手动处理）。 你选哪种？"

向下兼容说明

战略模式 Phase 1 学术组直接复用轻量模式的 Entrez 三重匹配子流程（不重复实现，避免代码分叉）。

模式 A：轻量流程

适用场景

• 纯 PubMed/arXiv 可查文献 DR
• claim 数量可控（< 30）
• 无 FDA / 财报 / 监管 / 市场研报等非学术内容

流程（7 步）

1. 确认输入：DR 报告 md / artifact / 对话文本
2. 线索提取：按类型分组（作者/方法/概念/期刊/年份），不提取具体数值
3. 独立搜索：严格遵循 literature-search-omfs/references/entrez-api.md；先查 DR 引用存在性，再用纯主题关键词扩展
4. 三重匹配：作者 / 年份+期刊 / 标题+内容 三维检查
5. Claim-摘要匹配：DR claim 是否能从摘要支持（摘要不足标 📖 需全文验证）
6. 扩展发现：用纯主题关键词搜遗漏（团队早期奠基 + 最新进展 + 综述）
7. 输出：核查清单（.md）+ 重构报告（替代原 DR）

输出模板

见 references/light-output-templates.md

质量基准

模式 B：战略流程

适用场景

• 多域 DR（学术 + FDA + 财报 + 市场 + 临床 + 监管）
• ≥ 30 claim
• 产出目标：PhD proposal / 商业战略底稿 / FDA 申报 / 投资决策

Phase 架构

Phase 0：读 DR + 原子化 claim + 按域分组 + 估算 subagent 数量和主题
Phase 1：并行 subagent 核查（通常 5 组，按内容类型分工）
Phase 2：可选分叉（用户决定 or agent 推荐）
  - B 路径：Tier 1 战略锚点独立二次验证（纠错深挖）
  - C 路径：DR 盲区扩展补充（新主题）
Phase 3：多产物输出（主报告 + URL 表 + claim-diff + MANIFEST）

详细执行指南 → references/strategic-pipeline.md

Phase 1 分组规范

按内容类型而非 DR 章节分组（5 种典型域）：

每个 subagent 的 prompt 规范 → references/subagent-prompt-template.md

Tier 1 / 2 / 3 分层

Phase 1 核查时对每条 claim 标注 Tier：

Tier 1 典型特征：用户项目的核心商业对标数字 / 核心监管 predicate / 核心学术 baseline / 核心导师/合作者归属。

Phase 2 可选分叉（B / C 路径）

B 路径（纠错深挖）：针对 Phase 1 Tier 1 做独立二次验证

• 关键认知：Phase 1 本身可能有 FP（过度判断）和 FN（漏判）
• 跨层仲裁：B 路径预期反向修正 Phase 1 部分判断
• 实战观察：B 预期反向修正 Phase 1 若干处（典型类型：装机量 milestone 误判、同一公司多日期/多估值被误判为矛盾、监管文件表格解析错位、产品作者归属错、全球手术量区间判错等）

C 路径（盲区扩展）：对 DR 未覆盖但应覆盖的主题做独立核查

• 由用户 or agent 根据 B 结果确定候选主题
• C 路径可能进一步修正 B 路径（实战观察：γ 对 β 的跨层仲裁修正包括作者归属、产品归属等典型类型）

可选性：轻量 DR 不需要 B/C；战略 DR 建议至少跑 B；盲区多时加 C。

Phase 3 多产物输出

文件命名规则 + 格式模板统一放在 → references/strategic-output-templates.md

跨 subagent 一致性仲裁

当 subagent A 和 B 判断冲突时：

• 后验证优先（C 路径修正 B 路径 > B 路径修正 Phase 1）
• 原文证据优先（直接 PDF quote > 二手源引用）
• 合并层必须显式记录"R1-RN 仲裁表"，不能隐藏冲突
• 实战惯例：仲裁表 R1-RN 全部在最终合并的"Phase 1 vs Phase 2 内部冲突仲裁表"中公开，不隐藏冲突

分步防御性输出（4+1 策略）

N 个 subagent 各写独立 md 落盘 + 最后主 agent 合并

• 理由：中间态持久化 = 任何单点失败不致前功尽弃
• 落盘路径：优先 <项目根目录>\<项目名>\ 下子目录
• 合并阶段：主 agent 只做"综合判断层"，不复制子报告内容（交叉影响分析 + 战略映射总表）

质量基准

共享工具（两种模式通用）

非学术内容验证方法

FDA / SEC / 公司 IR / CMS / 中文财经 / 股票代码 / 市场研报 的 primary sources 索引与具体方法 → references/non-academic-verification.md

触发条件：DR 出现

• 数字带 "$"、"亿"、"K"、"M"、"B" 单位
• K 号 / De Novo 编号 / 产品码 / CPT / HCPCS
• 股票代码 / IPO 日期 / 融资轮次
• 手术量 / 人口学数字 / 国家级统计

数量级 / 汇率错专项检测

触发：DR 出现 $XX B、X 亿元、X 万例、X 万/年 等大数字

流程：

1. 独立找 primary source（SEC 10-K / 官方 IR / 国家级 registry）
2. 三源交叉验证
3. 若数字差异 ≥ 10 倍 → 确认数量级错
4. 推断错误机制（单位转换错 / 汇率未换算 / 小数点位数吞掉）

实战案例形态：

• 上市公司年收入 $X0B 被写成 $X.0B 的 10× 错（SEC 10-K + 公司 IR + 财经媒体三源交叉纠错）
• 港股/A 股公司估值 RMB→USD 未换汇率的 10× 汇率错（中文财经 + 官方公告 + 数学反推交叉）
• 某国手术量统计被 DR 10× 高估（国家级 registry peer-reviewed 论文对照纠错）

完全捏造引用识别

信号（满足 ≥3 条即判定）：

• PubMed 严格检索 0 命中（不是近似结果）
• 期刊官方发表列表（e.g. NEJM AI 年度 issues）无匹配
• Google Scholar + Semantic Scholar 均无匹配
• arXiv 检索无匹配
• 作者 + 期刊 + 年份组合在任何数据库均无返回

结论：标记 ❌ 建议删除；寻找真实等价文献作替代引用。

实战案例形态：

• DR 给出"新期刊 + 新年份 + 第一作者"看似合理的引用，PubMed/Google Scholar/Semantic Scholar 三源均无匹配 → 完全捏造
• DR 真实作者存在，但期刊/年份/主题被写错（如把 2018 写成近年、把 Nat Rev Cancer 写成 Radiology）→ 论文不存在
• DR 作者名错 + 方向相反（真实论文结论与 DR 描述方向相反，但数字被错引）→ 作者 + 方向双错

机制提示：DR 更可能在 近 2-3 年内新文献上捏造（LLM 训练数据对最新文献覆盖不足）。

整段论据崩塌处理

当某论点的核心证据全部失效（≥2 条核心引用捏造 / 错归属 / 方向相反）：

流程：

1. 识别论点（DR 想说什么）
2. 评估论点本身是否成立（可能引用捏造但论点方向对）
3. 寻找真实等价证据重建
4. 输出 ready-to-copy 段落（可直接进入用户正式产物）

实战套路：某章节核心论点若干条证据全挂后，先判断底层论断方向是否仍成立（DR 可能引用错但论断方向对），再用多篇真实文献（含最强定量锚 + 正反双向证据）重建完整证据链，产出 ready-to-copy 段落供用户直接替换进正式产物。

输出归档规范

工作完成后，所有产物整理到项目目录（避免散落根目录）：

<项目根目录>\<项目名>\<DR核查主题>_<YYYY-MM-DD>\
├── 00_README.md                     ← SESSION-MANIFEST 副本作导航
├── 01_输入_DR原报告_<主题>.md        ← DR 原文（重命名避免 artifact 长哈希名）
├── 02_Phase1_并行核查/              ← 5 组 subagent 输出
├── 03_Phase2B_纠错深挖/             ← 战略模式 B 路径（如启用）
├── 04_Phase2C_盲区扩展/             ← 战略模式 C 路径（如启用）
├── 05_Phase2_最终合并.md            ← 综合战略判断
├── 06_Phase3_最终产物/              ← 主报告 + URL 表 + claim-diff + MANIFEST
└── 99_辅助数据/                     ← subagent 拉取的原始 PDF/TXT（如 arXiv PDF）

轻量模式产物少，可平铺不分子目录。

文件夹命名：主题 + 日期（支持未来二次核查版本区分）；中文可用，× 号（U+00D7）在 Windows 路径合法。

注意事项

1. 绝不从 DR 复制 PMID / DOI / 股票代码 / K 号 / 产品码 / 具体数字——必须从 primary source 独立获取
2. 绝不假设 DR 中的作者名是第一作者——DR 倾向用通讯 / 资深作者命名
3. 对数量级 / 汇率 / 股票代码多一层警觉——LLM 在这三类上错率最高
4. 学术任务强制 opus——subagent 不能降级到 sonnet/haiku（会降低原文引用和独立验证质量）
5. 遵循 literature-search-omfs 的全部反幻觉规则——信息可及度标签 📄📑📌 和置信度标签 🟢🟡🔴 必须标注
6. 文件系统硬证据 > 视图自我怀疑——分支 workflow 中遇到 "Agent tool call 消失" 时必先 ls <产物路径> 验证
7. 每份重构报告开头声明："本清单中所有 PMID / DOI / K 号 / 标题 / 作者均直接来自 primary source 独立验证，未从 DR 原文复制"
8. 战略模式 Phase 2 B/C 路径是可选项——简单 DR 不需要；用户未明确要求时先 Phase 1 汇报，由用户决定是否进 B/C

扩展阅读（references/）

本 skill 基于多域 DR 核查项目的实战经验迭代