meta-autonomous-deep-research

由 model-distillation 从教师技能 autonomous-deep-research 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。

meta-autonomous-deep-research（蒸馏超越型元技能）

由 model-distillation 从教师技能 autonomous-deep-research 蒸馏并增强生成。 生成时间：2026-07-22 23:28:35 ｜ 蒸馏机制：跨模型蒸馏（见 meta-evolver 北极星策略）

来源能力签名（教师）

• 标题层级：autonomous-deep-research —— 自主深度研究, 闭环（research.py 真实实现）, 使用, 输出 report.json, 自我进化
• 显性工作流步骤（5 步）：
  1. 分解 Decompose：把主问题拆成 3–5 个可独立检索的子问题（按连词/关键概念切分）。
  2. 检索 Retrieve：对每个子问题，优先调用 rag(本地知识库) 或 web-fetch(在线)；
  3. 综合 Synthesize：把各子答案按「主张 + 依据 + 置信度」结构聚合成研究报告。
  4. 反思 Reflect：检查每个子问题是否已有依据、是否存在自相矛盾，定位覆盖空洞。
  5. 迭代 Iterate：对空洞子问题进入下一轮检索（最多 max-iter 轮），逐步逼近完整答案。

增强点（超越教师）

1. 可靠自验证：每步产出后用 reason-verify 做命题一致性/事实锚定校验，reliability<0.8 即回退重做。
2. 自我反思闭环：执行后写入 self-reflection-loop，沉淀失败模式到 learner。
3. 整合进 super-agent：作为节点接入「感知→规划→执行→自验证→反思→记忆」超级智能体闭环，可被长程任务编排。
4. 对抗验证蒸馏质量：对蒸馏出的关键决策规则做反例测试，防止只学到表面话术。
5. 持续自进化：注入 learner，纳入 meta-evolver 的 sense/plan/record 闭环，跨会话越用越强。

教师 vs 学生 对比

维度	教师(autonomous-deep-research)	学生(meta-autonomous-deep-research)
能力来源	原始 SKILL.md（1395 字符）	蒸馏提取 + 元进化增强
工作流	5 步显性流程	同流程 + 自验证钩子 + 反思步
工具脚本	learner.py, research.py	继承 + reason-verify/self-reflection 钩子
失败防护	未显式标注	显式 limits + 对抗验证
自进化	视技能而定	强制注入 learner，纳入 meta-evolver 闭环
集成	单点	接入 super-agent 感知→规划→执行→自验证→反思→记忆闭环

使用

直接调用本技能完成「autonomous-deep-research」领域的任务；本技能在教师能力之上叠加自验证与反思，输出更可靠、可追溯。

已知限制（来自教师蒸馏 + 元进化补充）

• （教师未显式标注限制）
• 蒸馏不保证覆盖教师全部隐式知识，首次使用需对照教师原技能核验关键决策。