yushui2022 权威数据自动获取（Authoritative Data Harvester）
全局流程协作约束（长对话防漂移）
- 本 skill 不得作为孤立入口。用户要求完整论文、生成 Word、继续流程或不确定阶段时，先回到
paper-workflow-orchestrator判断当前 S0-S8 阶段。 - 启动或继续本 skill 的正式任务前，必须运行：
python .agents/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --skill authoritative-data-harvester - 如果输出
[WORKFLOW FAIL]或报告status != "PASS"，停止本 skill，按paper_output/qa/workflow_guard_report.json的失败项回补前置阶段，不得凭记忆继续。 - 本 skill 只写入自己契约范围内的
paper_output/产物；完成后必须回到paper-workflow-orchestrator判断下一步，并用context-memory-keeper记录已完成产物、阻塞项和下一步。 - 长对话中如果上下文变长、阶段不确定或用户分开调用 skill，先运行：
再读取python .agents/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --statuspaper_output/qa/workflow_guard_report.json、paper_output/preflight_report.json、paper_output/input_manifest.json、paper_output/results/run_manifest.json和本 skill 的上游 JSON 契约，按报告里的recommended_skill与next_action继续。 - 继续流程前，必须把
paper_output/context/workflow_memory.json视为长期断点记录；若其中的current_step、next_step、recommended_skill与workflow_guard.py --status不一致，以 guard 报告为准。 - 每次完成本 skill 的产物后，先回到
paper-workflow-orchestrator或运行workflow_guard.py --status，再更新 workflow memory：
更新后读取python .agents/skills/context-memory-keeper/scripts/update_workflow_memory.pypaper_output/context/workflow_memory.json/.md，确认下一步和推荐 skill 已记录。
执行契约
- 上游输入：用户给出的变量需求，或
paper_output/step1/problem_analysis.json、paper_output/plan/model_route.json中识别出的外部数据需求。 - 必须输出：可复现的数据源说明、抓取或下载方案，并将原始/处理后数据与来源信息保存到
crawled_data/，优先包含crawled_data/sources.json。 - 下游交接：
data-cleaning-and-visualization读取crawled_data/做统一清洗、图表计划和论文级配图。 - 推荐下一步：数据落盘后进入
data-cleaning-and-visualization；完整论文目标应回到paper-workflow-orchestrator判断后续阶段。 - 失败回退：若无法自动获取，应给出同级权威替代源、口径差异和人工下载路径；不得使用无来源或不可引用的数据冒充权威数据。
目标
在数学建模任务中，快速找到“权威、可引用、可复现”的公开数据源，并以尽量不爬网页、优先 API/批量下载的方式获取数据，最终输出：
- 数据获取脚本/方案（含链接、参数、时间范围、字段解释）
- 原始数据与清洗后的数据（CSV/Parquet）
- 数据字典与引用信息（来源、更新时间、许可证/条款、访问日期）
何时调用
- 需要权威/官方数据源（统计局、国际组织、政府开放数据）
- 需要可复现的数据抓取流程（接口参数固定、可重复运行）
- 已有变量清单但缺数据，或需要补充替代指标
总原则（必须遵守）
- 优先使用官方 API 或 Bulk Download，最后才做 HTML 解析。
- 遵守 robots.txt 与服务条款，尊重速率限制；不得绕过登录/付费/验证码。
- 全流程可复现：记录来源 URL、接口参数、访问日期、版本/更新时间、字段含义与单位。
- 数据质量优先：对齐口径、单位、频率、地理范围；明确缺失与异常处理策略。
标准工作流（每次执行都按此输出）
1) 需求归一化
输出“数据需求表”，至少包含：
- 变量名（中英）、单位、期望频率（日/月/年）、时间范围
- 地区粒度（国家/省/市/网格）与口径说明
- 允许替代指标（主指标不可得时）
2) 选源策略（先权威后便利）
按任务类型优先匹配：
- 宏观/发展：World Bank、IMF、OECD、UNData
- 人口/社会：UN DESA、World Bank、各国统计局/人口普查
- 公共卫生：WHO（必要时补充二次聚合源并标注来源链）
- 气象/气候：NOAA、NASA（按开放政策选择）
- 欧盟统计：Eurostat
- 中国：国家统计局、部委开放数据、地方统计局（优先可下载/接口）
3) 访问方式决策树
- 有官方 API：直接 API
- 无 API 但有批量下载（CSV/Excel/ZIP）：直链下载
- 仅网页表格：优先找页面背后的 XHR/JSON；仍不行再做 HTML 解析
4) 抓取实现规范
交付脚本必须具备：
- 参数化：start/end、region、indicator、output_dir
- 稳健性：重试（指数退避）、超时、速率限制、缓存/断点
- 落盘：raw/ 与 processed/ 分目录；保留原始响应或原始文件
- 日志：只记录必要信息，不输出敏感信息
5) 清洗与校验（最低要求）
- 字段：统一命名（snake_case）、类型转换、单位换算、时间索引对齐
- 缺失：说明缺失原因（不可得/断档/口径变化），给出处理策略
- 异常：基本规则校验（范围、同比/环比跳变阈值）
- 抽检：与来源页面/元数据对照样本行
6) 交付物清单（必须输出）
- 数据文件：raw.*、processed.csv（或 parquet）
- 元数据：sources.json（name/url/access_method/params/license/updated_at/accessed_at）
- 数据字典：字段含义、单位、频率、地区粒度、缺失策略
- 引用格式：可直接用于论文/报告的参考条目
常用权威数据源（可扩展）
- World Bank Data API
- IMF Data
- UNData / UN agencies
- OECD Data
- Eurostat
- WHO
- NOAA / NASA
- 各国统计局与政府开放数据平台
用户输入模板（用于快速启动）
- “我要做【主题】建模，变量有【A,B,C】；时间【YYYY-YYYY】；地区【国家/省/市】；请给权威来源与可复现的数据获取脚本+清洗结果。”
- “我需要【某指标】的官方数据，优先 API，没有就批量下载；请输出 sources.json + processed.csv。”
失败回退策略
当某源不可用/受限：
- 换同级权威源（例如 UN ↔ World Bank ↔ OECD）
- 换替代指标并明确口径差异
- 仅交付最权威的可下载版本，并说明无法自动化获取原因
目录约定（与项目全局对齐）
- 原始下载与接口响应建议保存到：
crawled_data/raw/。 - 清洗后的结构化数据建议保存到：
crawled_data/processed/。 - 来源与可复现信息建议保存为：
crawled_data/sources.json（包含 url、参数、访问日期、许可证/条款）。
前后衔接
- 后续通常先做：
data-cleaning-and-visualization（把crawled_data/里的数据统一清洗并出图）。 - 若要继续到论文草稿：回到
paper-workflow-orchestrator。
约束（必须遵守）
- Memory Interaction (必做):
- 获取数据后：必须调用
context-memory-keeper，记录“新增数据源名称”与“存放路径”到Short-term Workbench。
- 获取数据后：必须调用
- 本技能只负责“把权威数据拿到手并保证可复现”，不负责直接写论文正文；产物必须落盘到
crawled_data/。 - 若数据要进入论文，必须同时满足两点：
crawled_data/sources.json中记录可引用来源信息。- 后续调用
data-cleaning-and-visualization，把数据清洗并生成paper_output/figures/的证据图表。