创建输出目录 {outputDir}/research/，用 sessions_spawn 起 6 个 subagent 并行：

#	维度	产出	搜索词示例
1	著作/长文	`01-writings.md`	"[人名] book/著作/essay"
2	播客/访谈	`02-interviews.md`	"[人名] interview/podcast/演讲"
3	社交媒体	`03-social.md`	"[人名] twitter/X/知乎/公众号"
4	批评者视角	`04-critics.md`	"[人名] criticism/争议/wrong"
5	关键决策	`05-decisions.md`	"[人名] decision/为什么[事件]"
6	人生时间线	`06-timeline.md`	"[人名] biography/经历/timeline"

搜索工具四级降级（写进每个 subagent 的 task）：

tavily_search + tavily_extract — 首选，速度最快，AI 优化摘要
scripts/search.sh（ddgs + trafilatura）— tavily 报错时自动切换
- 搜索：bash {skillDir}/scripts/search.sh "查询词"
- 搜索+提取：bash {skillDir}/scripts/search.sh "查询词" --extract 3
- 单 URL 提取：bash {skillDir}/scripts/search.sh --extract "https://..."
- 免费无限用，无 API key 依赖
browser tool（navigate + snapshot）— 需要动态渲染/登录态/JS 页面时使用
- 小红书、微信公众号、B站等需要真实浏览器的平台
- 也可用于 Google/Bing 搜索作为兜底
兜底：以上都失败时，用模型自身知识 + 明确标注"无外部来源验证"

降级触发规则：每个工具尝试 1 次，报错/超时/空结果 → 自动降级到下一级。不要在同一级重试超过 1 次。

每个 subagent 产出标准：

Phase 1 结束后自动生成 research/00-summary.md：

总来源数（一手 vs 二手）
每个维度信息丰富度
信息空白点
去重 URL 清单
知名度评估：根据来源数量和质量判断
- 知名人物（一手来源 ≥10，维基百科/大量书籍）→ 标准模式
- 小众人物（一手来源 <10，无维基百科）→ 深度模式，Phase 3 自动嵌入原文

Phase 2: 双轨提炼（交叉验证）

读取 references/extraction-framework.md。

起 2 个独立 subagent（A 和 B），各自读取全部 6 份调研素材，独立提炼：

每个 subagent 提炼：

产出：research/synthesis-A.md 和 research/synthesis-B.md

交叉比对（主 agent 执行）：

比对结果写入 research/cross-validation.md。

Phase 3: 构建 Skill

读取 references/skill-template.md，填入 Phase 2 交叉验证后的结果。

溯源锁定规则：Skill 中每个心智模型和启发式，必须附带 research/ 中的来源引用编号。无来源支撑的观点 → 删除或标注为推测。

知名度自适应（根据 00-summary.md 的知名度评估）：

产出：{outputDir}/SKILL.md + 完整 references/research/ 目录

起独立 subagent（验证者），读取生成的 SKILL.md，执行：

找 3 个此人公开回答过的问题（从 research 素材中提取），用 Skill 回答，对比真实立场。

用此人已知反对的观点提问（从 04-critics.md 提取），看 Skill 会不会附和。

用此人从未涉及的领域提问，看 Skill 是否表现不确定。

匿名化 Skill 的一段回答，看能否识别出是谁。

对照 references/extraction-framework.md 末尾清单逐项检查。

产出 research/validation-report.md：

## 验证报告
- 方向一致性：3/3 ✅
- 反向诱导：通过/未通过 + 详情
- 边界测试：通过/未通过 + 详情
- 辨识度：通过/未通过 + 详情
- 自检清单：N/M 项通过
- **总评**：✅ 通过 / ❌ 需修复（列出具体问题）

不通过 → 自动回 Phase 2 修复，最多重试 2 次。 3 次不通过 → 产出当前最佳版本 + 验证报告，标注未解决的问题。