AI 技能人工智能AI 评测开发工具【免费下载链接】autoresearchClaude Autoresearch Skill — Autonomous goal-directed iteration for Claude Code. Inspired by Karpathys autoresearch. Modify → Verify → Keep/Discard → Repeat forever.项目地址https://gitcode.com/gh_mirrors/auto/autoresearch点击查看免费下载导读/autoresearch:probe是 Claude Autoresearch Skill 中的需求审讯引擎它以 8 个对抗性 PersonaSkeptic、Edge-Case Hunter、Contradiction Finder 等同时盘问用户意图与代码库现状逐轮收割原子约束atomic constraints直到每轮新增约束数连续低于阈值——即机械意义上的饱和Saturation——才停止。读完本文你将掌握probe 的完整 8 阶段轮询协议、全部命令行参数与默认值、饱和判定的数学规则、四种终止状态、输出文件结构与autoresearch-config.yml的派生逻辑以及如何用--chain把 probe 接入 plan / predict / autoresearch 等下游命令为模糊需求做一次对抗式预演。一、为什么需要 probe单次提问收集不到真实需求传统的一次性需求采集你的目标是什么只能收集到用户能够说出口的那部分意图而不是这项工作实际要求的部分。模糊的意图会在后续迭代中被不断放大——每在一个未被言明的假设之上多迭代一轮后期推翻它的代价就会成倍增长。/autoresearch:probe正是为解决这个问题而设计它通过 8 个对抗性 Persona 同时审讯用户与代码库一轮接一轮地收割原子约束直到继续提问不再产生新约束为止。默认执行 15 轮可通过Iterations: N或--depth调整输出是可直接投喂给任意下游命令的5 个 autoresearch 原语Goal / Scope / Metric / Direction / Verify外加一份handoff.json。这一设计在 guide/autoresearch-probe.md 中被概括为interrogating the user AND the codebase through 8 adversarial personas, harvesting atomic constraints round after round, until additional questions stop yielding new constraints.在整体命令体系中probe 定位为模糊意图的入口SKILL 调度表plugins/autoresearch/skills/autoresearch/SKILL.md中它默认迭代 15 轮与/autoresearch:plan一次性的目标→配置转换形成互补——你能一句话说清 Goal/Scope/Metric 时用 plan否则先用 probe 做对抗式预演。二、命令入口与参数解析命令原型定义在 .claude/commands/autoresearch/probe.md插件分发版本位于 plugins/autoresearch/skills/autoresearch/probe.md。其参数声明为[Topic: text] [Scope: glob] [--depth shallow|standard|deep] [--personas N] [--mode interactive|autonomous] [Iterations: N] [--evals]参数解析规则从$ARGUMENTS中提取参数取值默认说明Topic:任意文本无缺失时走 Setup 向导去掉关键字后剩余文本为主题若无关键字则整个$ARGUMENTS视为主题Scope:/--scope文件 glob仓库顶层 3 个目录用于代码库接地Phase 3的文件范围Depth:/--depthshallow / standard / deepstandard轮数上限shallow5、standard15、deep30--personas N/Personas:3–86每轮激活的 Persona 数量从 8 个中轮转选取--saturation-threshold N整数2每轮净新增约束数低于该值则计入饱和窗口--mode/Mode:interactive / autonomousinteractiveinteractive 用提问收集答案autonomous 从代码库自行推断--adversarial开关关闭把敌意 Persona 轮转到最前Iterations:/--iterations整数或 unlimited15硬性轮数上限会覆盖--depthunlimited 表示无界--evals开关关闭开启中途评估检查点--evals-interval N整数由迭代数推导覆盖检查点频率--chain逗号分隔的下游命令无饱和后按顺序调用下游命令Setup 向导Topic 缺失时如果Topic缺失probe 会以单次批量提问AskUserQuestion / request_user_input收集四项关键信息一次调用即可完成Q1TopicWhat to probe?——描述功能、需求或设计的开放式文本Q2ScopeWhich files for context?——建议 glob 或整个代码库Q3DepthHow deep?——shallow5 轮/ standard15 轮/ deep30 轮/ unlimitedQ4ModeHow to answer persona questions?——interactive你来回答/ autonomousAgent 从代码推断。若四项均已内联提供则跳过向导直接执行。三、8 个对抗性 Persona 与轮转策略probe 的核心资产是 8 个各有明确攻击方向的 Persona#Persona专注方向1Domain Expert领域专家业务规则、领域约束、术语2End User终端用户可用性、期望、错误恢复3Skeptic怀疑论者哪些假设可能是错的4Edge-Case Hunter边界猎手边界条件、罕见场景5Ops Engineer运维工程师部署、监控、扩展、故障模式6Security Reviewer安全审查员攻击向量、数据保护、认证授权7Contradiction Finder矛盾发现者需求之间的冲突8Scope Guardian范围守护者范围蔓延、不必要的复杂度默认激活前 6 个--personas可调 3–8。当传入--adversarial时将Skeptic Contradiction Finder Edge-Case Hunter这三个敌意最强者轮转到最前——适合对已经看起来挺顺的需求做压力测试。在 guide/autoresearch-probe.md 中这 8 个 Persona 被进一步具象化为Skeptic挑战前提——为什么这是正确的问题、Edge-Case Hunteroff-by-one、空/空值/最大值输入、Scope Sentinel强制明确反目标 anti-goals、Ambiguity Detective要求把快可扩展等模糊词给出定义、Contradiction Finder交叉引用答案、标记内部不一致、Prior-Art Investigator之前试过吗哪里坏了——读取代码库与 git 历史、Success-Criteria Auditor强制机械可测的成功标准我们怎么知道它成了、Constraint Excavator挖出性能、合规、基础设施、依赖等非显性约束。四、轮询循环Phase 1–9 完整协议probe 的执行是一个多轮round循环。每轮依次经过以下阶段Phase 1Seed种子捕获把主题解析为初始约束集合若提供了--scope读取代码库上下文初始化一个空的约束注册表constraint registry。Phase 2Persona 激活本轮选取 2–3 个 Persona在全部 8 个中轮转每个 Persona 从其视角生成 3–5 个盘问问题。Phase 3代码库接地Codebase Grounding将问题对照现有代码查证证据为每个问题标注相关file:line、现有行为、缺口gaps。这一步是 probe 与/autoresearch:plan的关键分水岭之一代码库接地是强制性的见 guide/autoresearch-probe.md 的对比表跳过它会重复询问代码里已经做出的决定。Phase 4答案捕获Interactive 模式通过 AskUserQuestion批量单轮最多 5 个问题呈现问题并收集答案Autonomous 模式从代码库上下文推断答案并为每个原子标注置信度high / medium / low。Phase 5约束抽取将答案解析为原子约束atomic constraint每个约束携带id、来源 persona、描述、置信度、证据与既有注册表去重。Phase 6交叉检查Cross-Check检查新约束与既有约束的冲突冲突标记待解决interactive 模式→询问用户autonomous 模式→记录不确定性。Phase 7饱和检查Saturation Check统计本轮净新增约束数net-new constraints若连续 3 轮净新增数 --saturation-threshold默认 2→SATURATED退出循环全程追踪约束总数、本轮新增数、饱和窗口计数。Phase 8日志Log向输出追加轮次、活跃 Persona、被问问题数、抽取约束数、净新增数。Eval 检查点若启用--evals检查current_round % interval 0命中则运行检查点分析。有界检查若为有界模式current_round max_iterations→ 退出循环。Phase 9综合与输出Synthesize Output创建输出目录autoresearch/probe-{YYMMDD}-{HHMM}/然后写入constraints.md——按类别组织的完整约束注册表写入conflicts.md——未解决的矛盾生成可直接运行的 autoresearch 配置——从约束派生 Goal / Scope / Metric / Verify以代码块形式放入summary.md打印总轮数、发现的约束数、饱和状态、未解决冲突数。Summary循环结束后打印总轮数、总约束数、净新增趋势、饱和状态、影响最大的前 5 条约束。五、饱和机械式的停止判据probe 的停止不是靠感觉差不多了而是靠数学判定继续问下去是浪费saturation_threshold 2 默认——每轮净新增原子数 window_K 3 默认——连续低于阈值的轮数 Round 1: 14 atoms Round 2: 9 atoms Round 5: 2 atoms —— 进入窗口 Round 6: 1 atom Round 7: 1 atom —— 窗口[2,1,1] 全部 阈值 → SATURATEDprobe 共有四种终止状态状态含义SATURATED连续 K 轮净新增低于阈值BOUNDEDIterations: N耗尽USER_INTERRUPTCtrlC 或轮中回答 stopSCOPE_LOCKED连续 2 轮所有原子均被归类为范围外从源码角度看这种连续窗口判定的机械思路与 orchestrator 的 plateau 检测一脉相承scripts/orchestrate.sh中的plateau子命令同样用滑动窗口判定净进展停滞plugins/autoresearch/skills/autoresearch/scripts/orchestrate.sh连续 N 个值持平或更差即判定停滞且专门跳过unknown计算周期防止把崩溃误读为进展。probe 的饱和窗口是这一净新增/净进展思想的轮询版实现。六、Eval 检查点与 Chain HandoffEval 检查点--evals标志若传入--evals计算间隔floor(max_iterations / 3)最小为 1无界模式固定为 10打印检查点报告格式为--- Eval Checkpoint (rounds {X}-{Y}) ---Constraints: {total} ({new}) | Saturation: {window_count}/3{recommendation}---若连续 3 个以上检查点饱和 → 建议提前停止循环结束时 → 将完整 evals 摘要写入evals-summary.md。Chain Handoff链式交接循环结束后写入handoff.json字段包括version: 2.1.0、source: probe、timestampstatusCOMPLETE | SATURATED | USER_INTERRUPT | BOUNDED | ERROR之一findings 约束集合config 派生出的 autoresearch 配置Goal / Scope / Metric / Direction / Verify。然后按--chain指定的顺序调用下一个目标命令并传递--evals标志。handoff.json是 probe 与下游命令之间的标准桥梁SKILL 调度表plugins/autoresearch/skills/autoresearch/SKILL.md明确所有链式交接均通过handoff.json完成evals 读取*-results.tsv。README 也确认handoff.json会携带 Goal/Scope/Metric/Verify 配置供--chain plan,autoresearch自动读取见 README.md。七、完整参数表与典型用法全部标志速查标志默认用途Iterations: N15轮数硬上限会覆盖--depth--depth shallow\|standard\|deepstandardshallow5、standard15、deep30 轮上限--personas N6激活 Persona 数量3–8--saturation-threshold N2每轮净新增原子数低于该值则计入饱和窗口--scope glob仓库顶层 3 目录用于代码库接地Phase 3的文件--chain targets无饱和后的下游命令--mode interactive\|autonomousinteractiveautonomous 从代码库自行作答--adversarial关闭把 Skeptic Contradiction Finder Edge-Case Hunter 轮转到最前用法示例来自 guide/autoresearch-probe.md 与命令文件# 无界——一直 probe 到饱和 /autoresearch:probe # 有界——恰好 10 轮 /autoresearch:probe Iterations: 10 # 内联主题 深度参数 /autoresearch:probe --depth deep --personas 8 --adversarial Topic: Migrate session storage from Redis to Postgres # 代码库接地推荐用于接手遗留代码 /autoresearch:probe --scope src/auth/** Topic: Tighten OAuth2 token validation # 自主模式全程无用户提问 /autoresearch:probe --mode autonomous --scope src/checkout/** Topic: Identify race conditions in checkout flow # 链式——probe 综合出配置后直接进入 autoresearch 循环 /autoresearch:probe --chain plan Topic: Add rate limiting to /api/v1/*八、核心输出autoresearch-config.ymlprobe 的主要产出是一份可直接投喂下游命令的配置goal: Add OAuth2 password-grant flow to /api/v1/auth scope: src/api/auth/**, src/middleware/auth.ts, tests/auth/** metric: auth_score passing_tests * 10 zero_secrets_in_logs * 50 direction: minimize verify: npm test -- auth/ npm run lint guard: no new dependencies; no breaking changes to /api/v1/users iterations: 25这份配置与经典/autoresearch命令的输入完全同构——后者正是从Goal/Scope/Metric/Verify/Guard/Iterations这些字段驱动修改→验证→保留/回滚循环见 .claude/commands/autoresearch.md。也就是说probe 把模糊需求翻译成了 autoresearch 循环可以直接执行的机械契约。输出目录结构probe/{YYMMDD}-{HHMM}-{slug}/ ├── probe-spec.md Narrative 需求文档 ├── constraints.tsv (round, persona, atom, type, flag, source) ├── questions-asked.tsv (round, persona, question, answer, atoms_extracted) ├── contradictions.md 矛盾发现者标记的跨答案冲突 ├── hidden-assumptions.md 悄悄否定既有约束的隐含假设 ├── autoresearch-config.yml 可直接使用的 Goal/Scope/Metric/Direction/Verify ├── summary.md 复合指标、终止原因、各 persona 贡献 └── handoff.json 链式交接文件与 predict 的 handoff.json 同构九、模式对比Interactive 与 AutonomousInteractive默认每轮 probe 把最多 5 个问题批量打包成一次调用。你每轮回答一次。最适合人在环内的需求澄清——你只需要每轮做一次决定其余由 Persona 轮转驱动。Autonomous--mode autonomous自行从代码库 persona 推理作答并为每个原子标注confidence: low|med|high。适用于遗留代码库——先让 Agent 从代码反推意图再决定是否问人CI/CD 门禁——用 probe 对照当前代码检查过期 spec发现矛盾即失败引导启动——自动生成一份起始配置供人工评审。十、probe vs. plan如何选择维度/autoresearch:plan/autoresearch:probe轮数1直到饱和典型 8–12 轮Persona16–8 个对抗性代码库接地可选强制Phase 3输出5 个原语5 个原语 constraints.tsv contradictions hidden-assumptions最佳场景意图清晰意图模糊或对抗式预演判据一句话如果你已经能用一句话分别说清 Goal/Scope/Metric用plan如果可是……那如果……式的追问大概率要超过三轮用probe原文If three rounds of yes but what about are likely, use probe见 guide/autoresearch-probe.md。在 orchestrator 路由中probe 也是多条预设流水线的第一跳例如explore原型走probe → scenario → planship-ready原型走probe → debug → fix → regression → ship见 plugins/autoresearch/skills/autoresearch/references/orchestrator-routing.md。这印证了 probe 的定位它是整个 autoresearch 工作流的需求前哨。链式模式# probe → autoresearch最常见 /autoresearch:probe Topic: Reduce p95 latency on /search to under 50ms # 约 12 轮后饱和产出 autoresearch-config.yml /autoresearch Goal: (from probe-spec.md) Scope: (from autoresearch-config.yml) Metric: (from autoresearch-config.yml) # probe → predict /autoresearch:probe --chain predict Topic: Add multi-tenant isolation to the database layer # probe → scenario,debug,fix /autoresearch:probe --chain scenario,debug,fix --scope src/payments/** Topic: Harden checkout against partial-failure modesREADME 同样给出了前置预演示例/autoresearch:probe --chain plan,autoresearch先探测隐藏约束再规划并进入迭代循环见 README.md。十一、反模式什么会让 probe 失效反模式为何失败模糊问题这样完整吗不产出任何原子——每个问题必须逼迫出一个原子约束Persona 漂移Skeptic 必须保持怀疑不能变成规划者接受听起来不错模糊答案重新排队绝不作为约束抽取跳过代码库接地没有 Phase 3问题会重复代码中已做出的决定十二、源码级佐证probe 思想在实现中的落地probe 的核心协议本身是命令文件约 116 行中的指令式规范而它背后的约束饱和 机械判定 状态交接思想在仓库实现中随处可见状态交接的确定性handoff.json的status枚举COMPLETE / SATURATED / USER_INTERRUPT / BOUNDED / ERROR与 orchestrator 状态机共享同一套证据链设计。scripts/orchestrate.sh的validate-state子命令会用 Node 的 JSON 解析器校验orchestrator-state.json的必填字段与粗类型——一个畸形状态文件不会被信任用于路由plugins/autoresearch/skills/autoresearch/scripts/orchestrate.sh。probe 产出的约束与配置正是这条证据链的起点。路由决策的确定性orchestrator 的next-hop子命令按errors → regression → untested_gaps → pending_verify → ship/DONE的固定优先级决策完全由 grep 解析状态字段、无 jq 依赖plugins/autoresearch/skills/autoresearch/scripts/orchestrate.sh。这与 probe按固定 Phase 顺序执行、不依赖主观判断的设计哲学一致。测试覆盖tests/test-orchestrator.sh 为 classify / next-hop / units / plateau / screen-cmd / verdict 各子命令提供了系统化断言例如state-errors.json → fix、state-regression-unstable.json → regression、state-untested-gaps.json → debug其 fixtures 目录tests/fixtures/orchestrator/包含 plateau、verdict、安全谓词等各类状态样例。probe 的饱和判定与状态枚举虽然不是 bash 子命令但与这些被测试的判定逻辑共享同一套可机械验证的价值取向。令牌经济的架构背景v2.1.0 将 813 行的单体 SKILL.md 重构为 41 行路由表 12 个自包含命令文件每个约 94–120 行、5–8K 令牌实现 95% 的令牌削减见 README.md。probe.md正是这批小而自包含命令文件之一——它本身就是可读、可执行、可被 LLM 完整消费的协议。结语/autoresearch:probe解决的是自动化工作中最容易被低估的一环输入质量。通过 8 个对抗性 Persona 对用户 代码库的双重盘问、逐轮原子约束收割、以及净新增 阈值连续 3 轮即饱和的机械停止判据它把模糊意图在进入昂贵的迭代循环之前就压缩成一份完备的约束注册表与一份可直接运行的autoresearch-config.yml。配合--chainprobe 能无缝衔接 plan、predict、scenario、debug、fix、autoresearch 等任意下游命令——需求越模糊、假设越隐蔽probe 的价值就越大。它不产出代码却决定了后续每一行代码的方向是否正确。赞分享AI 技能人工智能AI 评测开发工具【免费下载链接】autoresearchClaude Autoresearch Skill — Autonomous goal-directed iteration for Claude Code. Inspired by Karpathys autoresearch. Modify → Verify → Keep/Discard → Repeat forever.项目地址https://gitcode.com/gh_mirrors/auto/autoresearch点击查看免费下载相关推荐Autoresearch :probe 需求审讯引擎实战指南8 人格对抗式约束挖掘与饱和停止机制Autoresearch :probe 需求审讯引擎实战指南8 人格对抗式约束挖掘与饱和停止机制 /autoresearch:probe 是 AutoreseAI 技能人工智能AI 评测开发工具3分钟解锁用户需求Chainlit对话挖掘用NLP让交互数据自己说话3分钟解锁用户需求Chainlit对话挖掘用NLP让交互数据自己说话 你还在人工筛选用户对话中的有效信息面对成百上千条用户留言运营人员往往需要花费数小时人工智能大模型AI 应用后端前端LifeOS IterativeDepth 技能全解析用 2-8 次多视角透镜遍历挖掘隐藏需求与 ISC 标准LifeOS IterativeDepth 技能全解析用 2 8 次多视角透镜遍历挖掘隐藏需求与 ISC 标准 IterativeDepth 是 LifeOSAI 技能人工智能AI 应用上一篇BlurHash 在 Swift 中的完整实践从独立解码器到 BlurHashKit 高级库下一篇Rholang智能合约开发实战从Hello World到去中心化应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考