WILLOSCAR/research-units-pipeline-skills

解决的问题

Research Harness 提供基础设施，使 AI 辅助研究具备可检查性、可恢复性和诚实性。它解决了「黑箱」式研究代理的问题：这些代理生成最终答案（如 PDF 文件），但不留下任何证据痕迹，导致难以验证哪些来源支持特定主张，或在失败后无法恢复工作。

工作原理

该系统将研究目标转化为以文件为先、可恢复的「运行（Run）」。研究被组织为聚焦的「技能」和明确的「工作流」。流程遵循线性推进：目标 → 运行 → 证据 → 产物。

关键机制包括：

• 固定契约（Pinned Contracts）：系统对管道进行快照并哈希其组件，确保当底层规则或技能发生变化时，运行不会静默继续。
• 基于证据的完成（Evidence-Backed Completion）：成功不仅仅是「DONE」状态；它需要多次尝试达成一致、满足必需输出、产物哈希匹配以及工作流检查通过。
• 有限诊断（Bounded Diagnosis）：当契约失败时，系统能区分可观测缺陷与具体修复面，允许针对性改进，而非重写整个流程。
• 人工检查点（Human Checkpoints）：用户可批准特定产物（如大纲或协议），这些产物与哈希绑定，任何对已批准项的修改都会撤销授权。

适用人群

使用 AI 代理进行文献综述、研究整合或撰写报告的研究人员和开发者，他们需要严格的、可验证的证据链以及从失败中恢复的能力。

主要亮点

• 多样化的流程模板：包含研究简报、论文评审、证据评审以及 LaTeX/PDF 调查报告生成等预定义流程。
• 文件优先架构：维护一个工作区，包含目标、单元状态、决策记录和完整的溯源记录，均存储在 .harness 文件夹中。
• 严格的完整性检查：实现执行完整性与契约接受层，确保交付物满足可观测的工作流检查。
• 自动化诊断：提供工具用于诊断失败，并将其追溯到最小修复面。