HF Daily Deep Researcher

HuggingFace Daily Papers + arXiv 多Agent深度研究系统。 采用编排器+专业Agent架构，支持两种模式： 1. 轻量扫描模式：周期性追踪（周/月），发现新论文 2. 深度调研模式：全时间范围调研，产出全面深入的研究报告 支持动态配置、自适应关键词、周期版本控制、跨平台搜索工具适配。

HF Daily Deep Researcher v5.2.9 — 多Agent编排版

架构概览

本 Skill 支持两种工作模式，根据用户请求自动判断：

模式 1: 轻量扫描（Light Scan）

• 触发条件: 用户请求时间跨度 ≤30天（如"最近一周"、"本月"）
• 目标: 周期性追踪新发表论文，及时发现新工作
• 搜索范围: 按时间窗口分段，追新
• 精读策略: 只精读 P0/P1 高优先级论文
• 输出: 周报/月报（templates/report_template.md）

模式 2: 深度调研（Deep Research）

• 触发条件: 用户请求时间跨度 >30天，或明确说"研究研究"、"深入调研"、"系统梳理"
• 目标: 全面覆盖一个研究方向，形成大而全的调研报告
• 搜索范围: 全时间范围，按方法论/作者/引用链搜索
• 精读策略: 所有重要工作都要精读，区分 milestone/improvement/application
• 分析维度: Benchmark 现状、研究空白、代码开源、权威性验证（并行子分析师）
• 输出: 深度调研报告（templates/deep_report_template.md）

text

┌─────────────────────────────────────────────────────────────────┐
│                    编排器 (Orchestrator)                          │
│              — 自动判断模式 → 执行对应工作流                       │
├─────────────────────────────────────────────────────────────────┤
│  轻量扫描模式              │  深度调研模式                        │
│  ├─ Searcher (主Agent)     │  ├─ Deep Searcher (主Agent)         │
│  ├─ Deep Reader (子Agent) │  ├─ Deep Reader (子Agent)           │
│  ├─ Analyst (子Agent)      │  ├─ Sub-Analysts (并行子Agent)     │
│  ├─ Writer (子Agent)       │  │   ├─ Benchmark                   │
│  └─ Checker (子Agent)      │  │   ├─ Gap                         │
│                            │  │   ├─ Code                        │
│                            │  │   └─ Authority                   │
│                            │  ├─ Synthesis Analyst (子Agent)    │
│                            │  ├─ Deep Writer (子Agent)          │
│                            │  ├─ Multi-Checker (子Agent)        │
│                            │  └─ Revision (迭代修订)             │
└────────────────────────────┴─────────────────────────────────────┘

注意：Searcher 阶段（红色）由主 Agent 直接执行，不再通过 sessions_spawn 启动子 Agent。这是 v4.1.2 的关键修复——彻底避免搜索结果被截断的问题。

模式判断逻辑（由主 Agent 执行）：

python

def determine_mode(user_request, days=None):
    deep_signals = ["研究研究", "深入调研", "全面调研", "系统梳理", 
                    "综述", "survey", "深度", "过去一年", "半年", 
                    "long-term", "comprehensive"]
    light_signals = ["最近一周", "最近一个月", "本周", "本月", 
                     "周报", "月报", "跟踪", "scan", "过去7天", "过去30天"]
    
    text = user_request.lower()
    if any(s in text for s in deep_signals):
        return "deep"
    if any(s in text for s in light_signals):
        return "light"
    if days is not None:
        return "deep" if days > 30 else "light"
    return "ask_user"

为什么用多Agent？

Searcher 为什么不用子 Agent？

• sessions_spawn 的 announce 机制不保证能拿到子 Agent 的完整最终输出
• 搜索阶段调用 kimi_search 等工具，主 Agent 完全有能力直接执行
• 主 Agent 直接搜索 = 100% 可控，彻底避免截断问题

Deep Reader / Analyst / Writer / Checker 为什么用子 Agent？

• 精读需要处理大量论文内容，独立上下文避免 token 爆炸
• 分析需要多维度并行（Benchmark、Gap、Code、Authority 独立分析后再综合）
• 质检需要独立视角
• 这些阶段的输出是"分析/报告/检查结论"，即使截断也可由主 Agent 检测并补充

数据传递模式

子 Agent 通过 sessions_spawn 启动，环境隔离导致它们无法直接写入主 Agent 的文件系统。工作流采用以下模式：

text

Phase 1: 主Agent直接搜索 → 写入 .tmp/papers_raw.json
Phase 2+: 子Agent执行任务 → 输出到回复/announce
          主Agent接收 completion event → 提取内容
          主Agent写入 .tmp/ 文件 → 后续阶段读取

关键设计原则：信息准确 > 格式统一

• 搜索信息来源多样（arXiv、HuggingFace、GitHub、gist 等），格式不可能标准化
• 主 Agent 直接执行搜索并整理结果，确保数据完整性
• 子 Agent 负责分析/撰写/检查，主 Agent 负责解析和结构化

⚠️ 子Agent输出截断问题（Deep Reader阶段）

子Agent在执行过程中可能产生多轮输出。sessions_spawn 的 announce 机制可能只截取其中某一轮的内容。

应对措施：

1. 每篇论文一个独立 Deep Reader Agent：减少单个 Agent 的输出量，降低截断概率
2. 主Agent检测完整性：收到子Agent结果后，检查内容是否明显不完整（如字数过少、没有核心方法描述）
3. 主Agent兜底阅读：如果检测到某篇论文分析不完整，主Agent自行下载并补充分析

Phase 1: 搜索（主Agent直接执行）

输入: config.json + keywords.json 输出: 主 Agent 直接写入 .tmp/papers_raw.json（轻量）或 .tmp/deep_papers_raw.json（深度）

执行方式:

python

def run_search(focus_keywords, days=None, mode="light"):
    """
    主 Agent 直接执行搜索，不再通过 sessions_spawn 启动子 Agent。
    v5.2.3 关键改进：搜索阶段从"主次 fallback"改为"并行互补"，
    web_fetch 追新 + kimi_search 主题补充，结果合并去重，彻底避免遗漏。
    """
    all_results = []
    
    # === 工具可用性检测（v5.2.3 保留）===
    available_tools = {"kimi_search": False, "web_fetch": False, "browser": False}
    
    # 尝试 kimi_search（Kimi 平台特有）
    try:
        test_result = kimi_search("test query")
        available_tools["kimi_search"] = True
    except Exception:
        available_tools["kimi_search"] = False
    
    # 尝试 web_fetch（标准 OpenClaw 工具，最广泛可用）
    try:
        test_result = web_fetch("https://export.arxiv.org/api/query?search_query=all:test&max_results=1")
        available_tools["web_fetch"] = True
    except Exception:
        available_tools["web_fetch"] = False
    
    # 尝试 browser（部分环境可用）
    try:
        available_tools["browser"] = available_tools["web_fetch"]
    except Exception:
        available_tools["browser"] = False
    
    print(f"可用工具: kimi_search={available_tools['kimi_search']}, web_fetch={available_tools['web_fetch']}")
    
    # === v5.2.3 核心改动：并行互补搜索，而非主次 fallback ===
    # web_fetch 负责追新（arXiv API 按日期排序，时间精确，不漏最新论文）
    # kimi_search 负责主题补充（找 GitHub、博客、HuggingFace 讨论等跨平台资源）
    # 两套并行跑，结果合并去重
    
    for focus in focus_keywords:
        # --- 分支 1: web_fetch 追新（只要可用，必跑）---
        if available_tools["web_fetch"]:
            web_queries = generate_web_fetch_queries(focus, mode=mode)
            for query in web_queries:
                api_url = f"https://export.arxiv.org/api/query?search_query={query}&sortBy=submittedDate&sortOrder=descending&max_results=50"
                raw = web_fetch(api_url)
                results = parse_arxiv_api_results(raw)
                all_results.extend(results)
        
        # --- 分支 2: kimi_search 主题补充（仅当可用时跑）---
        if available_tools["kimi_search"]:
            kimi_queries = generate_kimi_search_queries(focus, mode=mode)
            for query in kimi_queries:
                results = kimi_search(query)
                all_results.extend(results)
    
    # 去重、过滤黑名单、计算优先级
    papers = deduplicate_and_rank(all_results)
    
    # 主 Agent 直接写入文件
    save_json(f".tmp/{'deep_' if mode == 'deep' else ''}papers_raw.json", papers)
    
    return papers

搜索策略（主 Agent 参考 agents/searcher_prompt.md）:

• 轻量模式：按时间窗口搜索（过去 N 天），追新
• 深度模式：不限时间，按方法论/作者/引用链全面搜索
• 关键词组合：research_focus + 自适应关键词 + 时间限定
• 来源：
  • arXiv API（主力追新，按提交日期排序）
  • HuggingFace Daily Papers（GitHub 镜像 JSON）（核心 curated 数据源，与 arXiv 并列。社区 upvote 筛选 + star 数参考）
  • GitHub（代码资源）

HF Daily Papers 数据源（v5.2.9 更新）：

本 Skill 通过 GitHub 镜像 JSON 获取 HuggingFace Daily Papers 的 curated 内容，替代直接访问 HF 官方 API。

数据源：

text

https://raw.githubusercontent.com/AtharvaDomale/Daily-HuggingFace-AI-Papers/main/data/latest.json

为什么用 GitHub 镜像？

• 稳定可靠：GitHub raw content CDN 全球可用，不受 HF 网络封锁影响
• 一次请求拿全量：无需逐页翻，一次 curl 拉取最近几天的全部 curated 论文
• 结构化数据：JSON 格式，包含标题、摘要、作者、arXiv ID、HF star 数、GitHub 链接
• 自动更新：上游 repo 每日通过 GitHub Actions 自动同步

使用方法：

1. 搜索阶段通过 exec "curl ..." 拉取完整 JSON
2. 本地按 scraped_date 筛选目标日期范围
3. 对标题+摘要做关键词匹配，按研究方向过滤
4. HF star 数高的论文优先保留（社区 curated 的高质量内容）
5. 与 arXiv API 结果按 arXiv ID 合并去重

降级策略（GitHub 镜像不可用时）：

1. 尝试官方 HF API：https://huggingface.co/api/daily_papers?date=YYYY-MM-DD
2. 如果官方 API 也不可用 → 执行 arXiv 补偿搜索（增加 4 组额外查询）
3. 在搜索报告中明确标注数据源状态和降级原因

为什么这样设计？

• 主 Agent 直接调用 kimi_search 等工具，输出完全可控
• 不需要担心 announce 截断——工具返回的结果在主 Agent 的上下文中
• 搜索策略放在 agents/searcher_prompt.md 中作为参考，主 Agent 按需读取

Phase 2: 深度精读 (Deep Reader Agents — 并行)

输入: 单篇论文 arXiv ID + 已有工作上下文 输出: 子 Agent 在回复中输出分析 → 主 Agent 提取并保存为 paper_analysis_{arxiv_id}.md

任务定义:

text

你是一名论文精读Agent。任务：
1. 下载论文 arXiv HTML 实验版（完整无截断）
2. 分段提取核心内容（方法、公式、实验数据）
3. 数据三级验证（自检 → 交叉核对 → 标注验证级别）
4. 在最终回复中一次性完整输出 Markdown 分析报告（不要写入文件）
   ⚠️ 不要在中间轮次输出任何文本，只在最终轮输出完整分析

调用方式:

python

# 主 Agent 并行启动多个 Deep Reader（每篇 P0 论文一个）
reader_tasks = []
for paper in p0_papers[:3]:  # 最多精读3篇P0
    task = sessions_spawn(
        task=f"精读论文 {paper['arxiv_id']}...",
        label=f"HF-DeepReader-{paper['arxiv_id']}",
        runTimeoutSeconds=900  # 15 分钟
    )
    reader_tasks.append((paper['arxiv_id'], task))

# 等待所有 completion events，检测完整性
for arxiv_id, task in reader_tasks:
    content = extract_content_from_completion(task)
    
    # 检测是否完整
    if not check_reader_completeness(content):
        print(f"警告：论文 {arxiv_id} 分析不完整，主Agent自行补充")
        content = perform_backup_reading(arxiv_id)
    
    save_file(f".tmp/paper_analysis_{arxiv_id}.md", content)

并行策略:

• P0 论文：每篇一个独立 Deep Reader Agent（并行）
• P1 论文：每篇一个 Agent（如果数量多，可分批）
• P2/P3：不精读，仅记录基本信息

完整性检测:

python

def check_reader_completeness(content: str) -> bool:
    """检测论文分析是否完整"""
    if len(content) < 300:
        return False  # 字数过少
    if "核心方法" not in content and "方法" not in content:
        return False  # 缺少方法描述
    if "实验" not in content and "结果" not in content:
        return False  # 缺少实验结果
    return True

Phase 3: 综合分析 (Analyst Agent)

输入: 主 Agent 提供论文分析文件路径（或内容摘要） 输出: 子 Agent 在回复中输出分析 → 主 Agent 提取并保存为 analysis_summary.md

任务定义:

text

你是一名研究分析Agent。任务：
1. 读取所有论文分析内容（主 Agent 会在任务描述中提供）
2. 识别方法簇、分析趋势变化
3. 评估对当前研究项目的潜在影响
4. 在最终回复中一次性完整输出结构化分析（不要写入文件）

Phase 4: 报告撰写 (Writer Agent)

输入: 主 Agent 提供论文列表 + 分析内容 + 报告模板 输出: 子 Agent 在回复中输出报告 → 主 Agent 提取并保存为报告文件

任务定义:

text

你是一名报告撰写Agent。任务：
1. 根据提供的论文列表和分析内容
2. 按统一模板组织完整报告
3. 在最终回复中一次性完整输出报告内容（不要写入文件）

Phase 5: 质量检查 (Checker Agent)

输入: 主 Agent 提供报告内容 输出: 子 Agent 在回复中输出检查结果

检查清单:

text

你是一名质量检查Agent。任务：对报告做独立质量审查。
检查维度：内容完整性、数据准确性、研究观点、格式规范、去重
在回复中直接输出检查结果（PASSED/FAILED + 问题清单）

执行流程（编排器逻辑）

轻量扫描模式工作流

python

def run_light_scan(days=7):
    # Step 1: 读取配置
    config = load_config()
    focus = config["user_profile"]["research_focus"]
    
    # Step 1.5: 确认研究方向
    if not focus or len(focus) == 0:
        user_focus = ask_user("请确认你的研究方向（用逗号分隔）：")
        config["user_profile"]["research_focus"] = [f.strip() for f in user_focus.split(",")]
        save_config(config)
        focus = config["user_profile"]["research_focus"]
    
    # Step 2: 主 Agent 直接搜索（不再启动 Searcher 子 Agent）
    papers = run_search(focus, days=days, mode="light")
    # papers 已自动保存到 .tmp/papers_raw.json
    
    # Step 3: 并行 Deep Readers（只读 top N）
    p0_papers = [p for p in papers if p["priority"] >= 0.8]
    
    reader_tasks = []
    for paper in p0_papers[:3]:  # 最多精读3篇P0
        task = sessions_spawn(
            task=f"精读论文 {paper['arxiv_id']}...",
            label=f"HF-DeepReader-{paper['arxiv_id']}",
            runTimeoutSeconds=900
        )
        reader_tasks.append((paper['arxiv_id'], task))
    
    for arxiv_id, task in reader_tasks:
        content = extract_content_from_completion(task)
        if not check_reader_completeness(content):
            content = perform_backup_reading(arxiv_id)
        save_file(f".tmp/paper_analysis_{arxiv_id}.md", content)
    
    # Step 4: Analyst（趋势分析）
    analyst = sessions_spawn(
        task="分析趋势...",
        label="HF-Analyst",
        runTimeoutSeconds=600
    )
    analysis_content = extract_content_from_completion(analyst)
    save_file(".tmp/analysis_summary.md", analysis_content)
    
    # Step 5: Writer（周报）
    writer = sessions_spawn(
        task="撰写周报...",
        label="HF-Writer",
        runTimeoutSeconds=900
    )
    report_content = extract_content_from_completion(writer)
    
    # Step 6: Checker（单一质检）
    checker = sessions_spawn(
        task="检查周报质量...",
        label="HF-Checker",
        runTimeoutSeconds=600
    )
    check_result = extract_content_from_completion(checker)
    
    # Step 7: 保存
    save_report(report_content, template="report_template.md", mode="light")
    
    return report_content

深度调研模式工作流

python

def run_deep_research(research_topic, days=None):
    """
    深度调研模式：全时间范围，多维度分析，迭代修订
    """
    # Step 1: 读取配置与主题
    config = load_config()
    focus = config["user_profile"]["research_focus"]
    
    # Step 2: 主 Agent 直接深度搜索（不再启动 Deep Searcher 子 Agent）
    papers = run_search(
        focus + [research_topic], 
        mode="deep"
    )
    # papers 已自动保存到 .tmp/deep_papers_raw.json
    
    # Step 3: 并行 Deep Readers（所有重要工作）
    milestone_papers = [p for p in papers if p.get("type") == "milestone"]
    improvement_papers = [p for p in papers if p.get("type") == "improvement"]
    
    reader_tasks = []
    # 所有 milestone 必须精读
    for paper in milestone_papers:
        task = sessions_spawn(
            task=f"精读里程碑论文 {paper['arxiv_id']}...",
            label=f"HF-DeepReader-{paper['arxiv_id']}",
            runTimeoutSeconds=900
        )
        reader_tasks.append((paper['arxiv_id'], task))
    # 重要的 improvement 也要精读
    for paper in improvement_papers[:10]:
        task = sessions_spawn(
            task=f"精读改进论文 {paper['arxiv_id']}...",
            label=f"HF-DeepReader-{paper['arxiv_id']}",
            runTimeoutSeconds=900
        )
        reader_tasks.append((paper['arxiv_id'], task))
    
    for arxiv_id, task in reader_tasks:
        content = extract_content_from_completion(task)
        if not check_reader_completeness(content):
            content = perform_backup_reading(arxiv_id)
        save_file(f".tmp/paper_analysis_{arxiv_id}.md", content)
    
    # Step 4: 并行 Sub-Analysts（多维度分析）
    benchmark_analyst = sessions_spawn(
        task="分析该领域 Benchmark 现状与饱和度...",
        label="HF-SubAnalyst-Benchmark",
        runTimeoutSeconds=600
    )
    gap_analyst = sessions_spawn(
        task="识别研究空白与可做方向...",
        label="HF-SubAnalyst-Gap",
        runTimeoutSeconds=600
    )
    code_analyst = sessions_spawn(
        task="检查代码开源情况...",
        label="HF-SubAnalyst-Code",
        runTimeoutSeconds=600
    )
    authority_analyst = sessions_spawn(
        task="验证论文权威性与引用准确性...",
        label="HF-SubAnalyst-Authority",
        runTimeoutSeconds=600
    )
    
    benchmark_result = extract_content_from_completion(benchmark_analyst)
    gap_result = extract_content_from_completion(gap_analyst)
    code_result = extract_content_from_completion(code_analyst)
    authority_result = extract_content_from_completion(authority_analyst)
    
    save_file(".tmp/sub_benchmark.md", benchmark_result)
    save_file(".tmp/sub_gap.md", gap_result)
    save_file(".tmp/sub_code.md", code_result)
    save_file(".tmp/sub_authority.md", authority_result)
    
    # Step 5: Synthesis Analyst（综合整合）
    synthesis = sessions_spawn(
        task="整合所有子分析结果...",
        label="HF-Synthesis-Analyst",
        runTimeoutSeconds=600
    )
    synthesis_result = extract_content_from_completion(synthesis)
    save_file(".tmp/synthesis.md", synthesis_result)
    
    # Step 6: Deep Writer（深度报告）
    deep_writer = sessions_spawn(
        task="撰写深度调研报告...",
        label="HF-DeepWriter",
        runTimeoutSeconds=1200
    )
    report_content = extract_content_from_completion(deep_writer)
    
    # Step 7: Multi-Checker（多维度质检）
    multi_checker = sessions_spawn(
        task="从14个核心维度+2个可选维度检查报告...",
        label="HF-MultiChecker",
        runTimeoutSeconds=600
    )
    check_result = extract_content_from_completion(multi_checker)
    
    # Step 8: 迭代修订（如需要）
    revision_round = 0
    max_revisions = 3
    while "FAILED" in check_result and revision_round < max_revisions:
        critical_issues = extract_critical_issues(check_result)
        deep_writer = sessions_spawn(
            task=f"根据质检反馈修订报告...",
            label=f"HF-DeepWriter-Revision-{revision_round}",
            runTimeoutSeconds=1200
        )
        report_content = extract_content_from_completion(deep_writer)
        multi_checker = sessions_spawn(
            task="重新检查修订后的报告...",
            label=f"HF-MultiChecker-Revision-{revision_round}",
            runTimeoutSeconds=600
        )
        check_result = extract_content_from_completion(multi_checker)
        revision_round += 1
    
    # Step 9: 保存最终报告
    save_report(report_content, template="deep_report_template.md", mode="deep")
    
    return report_content

统一入口

python

def run_pipeline(user_request, days=None, research_topic=None):
    mode = determine_mode(user_request, days)
    
    if mode == "ask_user":
        mode = ask_user("您希望执行哪种模式？\n1. 轻量扫描（周期性追踪，≤30天）\n2. 深度调研（全面调研，>30天或不限时间）")
        mode = "light" if "1" in mode else "deep"
    
    if mode == "light":
        return run_light_scan(days=days or 7)
    else:
        topic = research_topic or ask_user("请输入深度调研的主题/方向：")
        return run_deep_research(topic, days=days)

目录结构

text

hf-daily-deep-researcher/
├── SKILL.md                          # 本文件（编排器定义）
├── init.py                           # 初始化配置（从环境提取）
├── config.json                       # 用户配置（动态生成）
├── keywords.json                     # 关键词权重表
├── adaptive.py                       # 关键词自适应模块
├── report_manager.py                 # 报告保存、版本控制
├── tracker.py                        # 编排器入口（读取配置，准备环境）
│
├── agents/                           # Agent 任务定义模板
│   ├── searcher_prompt.md            # 搜索策略参考（主Agent直接执行时参考）
│   ├── deep_reader_prompt.md         # Deep Reader Agent（精读单篇论文）
│   ├── analyst_prompt.md             # Analyst Agent（趋势分析）
│   ├── writer_prompt.md              # Writer Agent（周报撰写）
│   ├── checker_prompt.md             # Checker Agent（单一质检）
│   ├── sub_analyst_benchmark.md      # Sub-Analyst: Benchmark 现状
│   ├── sub_analyst_gap.md            # Sub-Analyst: 研究空白
│   ├── sub_analyst_code.md           # Sub-Analyst: 代码开源
│   ├── sub_analyst_authority.md      # Sub-Analyst: 权威性验证
│   ├── synthesis_analyst_prompt.md   # Synthesis Analyst（综合整合）
│   ├── deep_writer_prompt.md         # Deep Writer Agent（深度报告）
│   └── multi_checker_prompt.md       # Multi-Checker Agent（多维度质检）
│
├── templates/                        # 报告模板
│   ├── report_template.md            # 轻量扫描报告模板（周报/月报）
│   └── deep_report_template.md       # 深度调研报告模板
│
├── reports/                          # 输出报告（本地）
├── history/                          # 扫描历史
│   └── scan_history.json
│
└── .tmp/                             # 临时文件（Agent间传递）
    ├── papers_raw.json               # 主Agent搜索输出（轻量）
    ├── deep_papers_raw.json          # 主Agent搜索输出（深度）
    ├── paper_analysis_*.md           # Deep Reader 输出
    ├── analysis_summary.md           # Analyst 输出（轻量）
    ├── sub_benchmark.md              # Sub-Analyst 输出
    ├── sub_gap.md
    ├── sub_code.md
    ├── sub_authority.md
    ├── synthesis.md                  # Synthesis Analyst 输出
    └── check_result.md               # Checker 输出

快速开始

1. 安装

bash

# 从 ClawHub 安装
openclaw skills install @tomfoxxxx/hf-daily-deep-researcher

安装后，Skill 会出现在你的 workspace 的 skills/ 目录下。

---

2. 研究方向是什么

研究方向 = 一个研究领域 + 一组相关关键词

每个方向不是单个关键词，而是一组相关概念的集合。系统会用这组关键词去搜索和追踪论文。

示例：

方向名称	包含的关键词
Credit Assignment	multi-agent credit assignment, hindsight credit, stepwise reward, turn-level advantage, process reward model, hierarchical credit
OPD	token importance, OPD RL joint training, online preference distillation, preference optimization
多模态	visual perception, image reasoning, multimodal understanding, multimodal agent, vision language model

你可以配置多个方向。每个方向独立追踪，也可以合并搜索。

---

3. 首次使用配置

方式一：对话触发（推荐）

直接在对话中对主 Agent 说：

text

运行 hf-daily-deep-researcher，扫描过去7天

主 Agent 会：

1. 读取 config.json
2. 如果 research_focus 为空（首次使用），引导你配置研究方向：

   "请配置你的研究方向。每个方向需要一个名称和一组相关关键词。"

   "示例：" "- 方向1 'Credit Assignment'：multi-agent credit assignment, hindsight credit, stepwise reward..." "- 方向2 'OPD'：token importance, OPD RL joint training..." "- 方向3 '多模态'：visual perception, image reasoning..."

   "请输入你的方向（格式：方向名: 关键词1, 关键词2, 关键词3）"

3. 你回复后，主 Agent 自动保存配置，开始搜索

方式二：手动运行 init.py

bash

python3 ~/.openclaw/workspace/skills/hf-daily-deep-researcher/init.py

这会尝试从你的 USER.md / MEMORY.md 自动提取研究方向。如果提取不到，config.json 中的 research_focus 将为空，首次运行时主 Agent 仍会询问。

配置完成后，后续运行直接读取 config.json，不再重复询问。

config.json 中的方向格式：

json

{
  "user_profile": {
    "research_focus": [
      {
        "name": "Credit Assignment",
        "keywords": ["multi-agent credit assignment", "hindsight credit", "stepwise reward"]
      },
      {
        "name": "OPD",
        "keywords": ["token importance", "OPD RL joint training", "online preference distillation"]
      }
    ]
  }
}

---

4. 运行方式

配置多个方向后，有三种运行方式：

方式一：合并搜索（默认）

text

运行 hf-daily-deep-researcher，扫描过去7天

所有方向的关键词合并去重，一次性搜索，生成一份综合报告。

方式二：指定方向

text

运行 hf-daily-deep-researcher，扫描过去7天，方向：Credit Assignment

只取该方向的关键词集合搜索，生成该方向的独立报告。

方式三：每个方向单独生成报告

text

运行 hf-daily-deep-researcher，扫描过去7天，每个方向单独生成报告

依次为每个方向独立运行完整工作流，最终产出多篇独立报告。

---

5. 深度调研

text

运行 hf-daily-deep-researcher，深度调研 Credit Assignment

主 Agent 自动判断为深度模式，全时间范围搜索该方向，产出深度调研报告。

---

6. 飞书文档输出

本 Skill 支持将报告上传到飞书文档。强烈建议安装飞书插件并关联飞书文档，报告会自动上传到飞书，阅读体验远优于本地 Markdown。

本地 Markdown 需要手动打开文件，无格式渲染、无目录导航、不便分享。飞书文档支持富文本、表格、协作评论和链接分享。

配置方式：安装飞书插件后，在对话中授权关联飞书文档即可。首次配置需要完成 OAuth 授权，后续报告会自动上传。

---

7. 自动追踪（Cron）

json

{
  "name": "hf-weekly-research",
  "schedule": {
    "kind": "cron",
    "expr": "0 9 * * 1",
    "tz": "Asia/Shanghai"
  },
  "payload": {
    "kind": "agentTurn",
    "message": "运行 hf-daily-deep-researcher skill，执行完整工作流：搜索过去7天论文，深度精读P0/P1，生成报告并检查质量。追踪领域从 config.json 读取。"
  },
  "sessionTarget": "isolated",
  "delivery": { "mode": "announce" }
}

---

关键设计决策

为什么 Searcher 不用子 Agent？（v4.1.2 关键修复）

sessions_spawn 的 announce 机制存在根本性问题：它不保证能拿到子 Agent 的完整最终输出。

子 Agent 执行过程：thinking → toolCall → thinking → toolCall → 最终文本。announce 可能截取其中任意一轮，导致主 Agent 收到"开始搜索..."而非完整结果。

v4.1.2 之前（v4.0.4-v4.1.1）的缓解措施：

• 强化 Searcher Prompt 约束（要求最终轮一次性输出）
• 主 Agent 完整性检测
• 主 Agent 兜底搜索

问题：这些只是"缓解"，不是"解决"。Searcher 子 Agent 仍然可能输出截断，主 Agent 兜底搜索是二次工作，效率低。

v4.1.2 的修复：Searcher 阶段直接由主 Agent 执行。

• 主 Agent 调用 kimi_search 等工具，结果在主 Agent 上下文中
• 100% 避免截断问题
• 不需要完整性检测和兜底搜索
• 搜索策略（关键词组合、来源优先级）放在 agents/searcher_prompt.md 中供主 Agent 参考

为什么 Deep Reader 仍然用子 Agent？

Deep Reader 的情况不同：

1. 每篇论文一个独立 Agent：输出量可控（一篇论文的分析）
2. 即使截断，主 Agent 可以检测并自行补充阅读：单篇论文的阅读成本可控
3. 独立上下文的价值：论文精读需要大量 token 空间，独立 Agent 避免上下文被其他论文淹没
4. 并行效率：多篇论文可以并行精读

Multi-Agent 调度与超时策略

核心原则：区分"在干活"与"卡死"

子 Agent 超时不等于失败。可能是：

• 正常慢：论文下载慢、PDF 解析慢、长论文内容多
• 网络问题：arXiv 连接超时、工具调用失败
• 真卡死：陷入循环、遇到无法处理的输入

不应直接接管"在干活"的子 Agent——会丢失中间成果。应采用阶段性超时 + 弹性检测策略。

阶段性超时配置

阶段	建议超时	理由
Phase 1 搜索	无（主Agent直接执行）	无子Agent
Phase 2 Deep Reader	15 分钟	论文下载+精读，长论文需要
Phase 3 Analyst	10 分钟	分析已有内容，不涉下载
Phase 4 Writer	15-20 分钟	深度报告撰写量大
Phase 5 Checker	10 分钟	检查报告，纯分析
迭代修订	同 Writer	修订与撰写同量级

代码示例：

python

# Deep Reader — 论文精读，给充足时间
sessions_spawn(
    task="精读论文 arXiv:2605.25507...",
    label="HF-DeepReader-2605.25507",
    runTimeoutSeconds=900  # 15 分钟
)

# Deep Writer — 深度报告撰写
sessions_spawn(
    task="撰写深度调研报告...",
    label="HF-DeepWriter",
    runTimeoutSeconds=1200  # 20 分钟
)

弹性超时：不直接接管

超时后的处理流程：

python

def handle_subagent_timeout(task, expected_stage="deep_read"):
    """
    子Agent超时后的弹性处理
    """
    # Step 1: 检查是否有部分输出
    partial_output = check_partial_result(task)
    
    if partial_output and len(partial_output) > 500:
        # 有实质性部分输出 → 标记为"部分完成"，不接管
        print(f"⚠️ 子Agent超时，但有{len(partial_output)}字部分输出，保留等待或延长超时")
        return {"status": "partial", "content": partial_output}
    
    # Step 2: 检查是否有进度汇报
    progress = check_progress_report(task)
    if progress and progress.get("stage"):
        print(f"⏳ 子Agent进度: {progress['stage']}，延长超时")
        return {"status": "extend", "progress": progress}
    
    # Step 3: 真的卡死/无输出 → 主Agent兜底
    print(f"❌ 子Agent无实质性输出，主Agent接管")
    return {"status": "fallback", "content": perform_backup_task(expected_stage)}

关键设计：

1. 有输出就不接管：子 Agent 已产出部分分析，应回收而非丢弃
2. 有进度就延长：子 Agent 报告了进度（如"已读完方法部分，正在提取实验数据"），延长超时
3. 完全无输出才兜底：确认子 Agent 确实卡死，主 Agent 才接管

子 Agent 进度汇报机制

在子 Agent Prompt 中增加进度要求：

text

# 在 deep_reader_prompt.md / writer_prompt.md 等中增加：

⚠️ 超时保护：本任务可能超时。为避免被主Agent误判为卡死：
- 如果执行时间预计超过5分钟，在开始后2分钟输出一次进度汇报：
  "进度汇报：当前正在[具体阶段]，预计还需[X]分钟"
- 如果下载论文耗时较长，先输出："正在下载论文，请稍候..."
- 如果分析已部分完成（如方法已读完，实验待提取），输出：
  "进度汇报：已完成[已完成部分]，剩余[剩余部分]"

分片策略：控制单 Agent 工作量

避免单个 Agent 任务过重导致超时：

Agent 类型	单任务工作量	超时依据
Deep Reader	1 篇论文	论文长度决定
Analyst	3-5 篇论文分析	内容复杂度
Sub-Analyst	单一维度（如仅Benchmark）	分析范围可控
Writer	完整报告	报告长度决定

原则：宁可多启动几个 Agent（并行），也不把太多工作塞进一个 Agent。

工具依赖与跨平台适配（v5.2.0/5.2.1 重要更新）

本 Skill 设计目标是在任何标准 OpenClaw 环境中都能正常运行，不依赖特定平台的专属工具。

核心原则：运行时检测 + 并行互补（v5.2.3 修正）

v5.2.0 之前的问题：默认假设 kimi_search 一定存在。在非 Kimi 平台中，这些工具直接不存在，导致 Skill 无法运行。

v5.2.0 的修复：主 Agent 在搜索阶段先检测当前环境有哪些工具可用，然后选择最优工具链。

v5.2.3 的改进：从"主次 fallback"升级为"并行互补"。

• 实验发现：kimi_search 在"追新"方面存在系统性遗漏（日期过滤失效），而 web_fetch（arXiv API）在时间精确度上显著更优
• 新策略：
  • web_fetch 追新：arXiv API 按 submittedDate 排序，时间精确，不漏最新论文
  • kimi_search 主题补充：找 GitHub、博客、HuggingFace 讨论等跨平台资源
  • 两套并行跑，结果合并去重

工具链职责分工（v5.2.3）

工具	职责	适用平台	搜索能力	获取论文能力
web_fetch	追新主力（必跑）	任何 OpenClaw	中（arXiv API 按日期排序）	中（arXiv API / arXiv HTML）
kimi_search	主题补充（可选）	Kimi/OpenClaw	强（语义搜索）	强（直接获取 HTML）
browser	兜底	部分环境	弱（页面抓取）	弱（页面渲染）

最低要求：web_fetch 必须可用。如果 web_fetch 和 kimi_search 都没有，Skill 会报错并提示用户。

各平台预期表现

平台	web_fetch	kimi_search	browser	Skill 可用性
Kimi/OpenClaw	✅	✅	✅	完整功能（双轨并行）
开源 OpenClaw	✅	❌	视配置	核心功能正常（web_fetch 单轨）
Claude Code	✅	❌	✅	核心功能正常（web_fetch 单轨）
CodeX	✅	❌	视配置	核心功能正常（web_fetch 单轨）

web_fetch 方案详述（跨平台主力 + 追新主力）

搜索论文：

python

# arXiv API（Atom XML 格式）
web_fetch("https://export.arxiv.org/api/query?search_query=all:KEYWORD&sortBy=submittedDate&sortOrder=descending&max_results=50")

# HuggingFace Daily Papers
web_fetch("https://huggingface.co/papers?date=YYYY-MM-DD")

获取论文全文：

python

# arXiv 原生 HTML（最可靠的全文获取方式）
web_fetch("https://arxiv.org/html/2606.XXXXX")

# arXiv 抽象页（备用）
web_fetch("https://arxiv.org/abs/2606.XXXXX")

解析要求：主 Agent 需要能解析 arXiv API 返回的 Atom XML（提取 title, summary, author, published, id），以及 arXiv HTML（提取论文正文）。

kimi_search 方案详述（主题补充）

当 kimi_search 可用时，作为补充轨道并行运行：

搜索职责：

• 找 arXiv 之外的资源（GitHub 仓库、技术博客、HuggingFace 讨论）
• 语义搜索发现标题/摘要中未直接出现关键词的相关论文
• 验证 web_fetch 找到的论文的社区讨论热度

不承担的职责：

• 不作为"追新"的唯一来源（日期过滤不可靠）
• 不替代 web_fetch 的 arXiv API 搜索

错误处理

每个阶段：

1. Phase 1（搜索）：
   • web_fetch 轨道：始终执行（只要可用），负责追新
   • kimi_search 轨道：并行执行（如果可用），负责主题补充
   • 两套结果合并去重，确保不遗漏
2. Phase 2（精读）：子 Agent 的 Deep Reader Prompt 中已包含工具检测逻辑（见 deep_reader_prompt.md）。优先尝试 web_fetch → kimi_fetch → browser。
3. Phase 3-5：不直接依赖搜索工具，正常执行。
4. 飞书上传：feishu_create_doc 是可选功能。如果不可用，报告保存到本地 reports/ 目录。

版本历史

• v5.2.9 (2026-08-25): HF 数据源重构 — GitHub 镜像替代直接 API。解决 HF 官方 API 在网络受限环境中的可用性问题：

  • 将 HF Daily Papers 数据源从直接访问 huggingface.co/api/daily_papers 改为 GitHub 镜像 JSON（raw.githubusercontent.com/AtharvaDomale/Daily-HuggingFace-AI-Papers/main/data/latest.json）
  • 新增 exec（curl）工具链支持，一次请求拉取全量 curated 论文数据
  • searcher_prompt.md: 重写 HF 数据源获取逻辑（A4 步骤），增加 JSON 解析和关键词过滤说明
  • deep_searcher_prompt.md: 更新工具检测和自检清单，GitHub 镜像作为可选补充
  • SKILL.md: 重写 HF Daily Papers 数据源说明，移除网络可用性警告，改为 GitHub 镜像使用指南
  • 所有文件版本号统一为 5.2.9

• v5.2.8 (2026-08-06): 深度调研模式增强。提升深度调研的广度和报告质量：

  • deep_searcher_prompt.md: 搜索查询从 12 组增加到强制 15 组，新增引用链扩展搜索和关键作者追踪
  • deep_reader_prompt.md: milestone 论文超时延长至 25 分钟，新增引用关系分析（依赖工作/技术路线位置）
  • deep_report_template.md: 新增技术演进时间线、饱和度分级（🔴🟡🟢🔵）、方法簇覆盖度矩阵
  • sub_analyst_benchmark.md: 新增方法×Benchmark 交叉覆盖分析、时间维度饱和度趋势
  • sub_analyst_gap.md: 新增基于饱和度的方向推荐、方法簇覆盖度矩阵
  • 所有文件版本号统一为 5.2.8

• v5.2.7 (2026-08-06): P0 质量修复 + 隐私清理。修复搜索覆盖不足和数据验证缺失问题：

  • searcher_prompt.md: 8 组 arXiv + 6 组 kimi_search 从"建议"升级为强制下限
  • deep_reader_prompt.md: 每个实验数据强制标注 [V]/[C]/[U] 验证级别
  • writer_prompt.md: 每篇 P0/P1 论文强制列出 benchmark 名称和具体分数
  • checker_prompt.md: 新增阻塞性问题定义（未标注验证级别 = FAILED）
  • dist 去隐私化清理：name="User", research_focus=[], folder_token=""
  • 所有文件版本号统一为 5.2.7

• v5.2.5 (2026-08-05): 网络诊断增强 + 质量改进。解决 HuggingFace 在中国大陆网络环境被 DNS 污染 + SNI 阻断的问题：

  • searcher_prompt.md 增加 HF 可用性检测和网络诊断逻辑
  • SKILL.md 增加 HF API 网络可用性说明和用户解决方案
  • config.json 增加 network.proxy 配置段，支持用户配置代理
  • multi_checker_prompt.md 增加历史已知问题检查点（3SPO 数据错误、ARPO ID 错误、模型规模混用等）
  • deep_writer_prompt.md 强化数据验证标准和历史教训
  • 所有文件版本号统一为 5.2.5

• v5.2.3 (2026-08-04): 搜索策略重要修正。从"主次 fallback"升级为"并行互补"：

  • web_fetch（arXiv API）提升为追新主力，始终执行
  • kimi_search 降级为主题补充，并行运行但不承担追新主责
  • 实验数据支撑：7/29 对比实验中，kimi_search 只找到 1 篇 7 月论文，web_fetch 找到 7 篇，两方案零交集
  • 彻底避免 kimi_search 日期过滤失效导致的信息遗漏

• v5.2.0 (2026-07-29): 跨平台兼容性重大改进。解决 Skill 在非 Kimi 平台（开源 OpenClaw、Claude Code、CodeX）无法运行的问题：

  • 搜索阶段增加运行时工具可用性检测（kimi_search → web_fetch → browser），不再假设 kimi_search 一定存在
  • web_fetch + arXiv API 被提升为跨平台主力方案，详细文档化
  • 各 Prompt 文件（searcher/deep_reader/deep_searcher）统一更新工具选择逻辑
  • 明确最低要求：web_fetch 或 kimi_search 至少一个可用
  • 新增平台兼容性矩阵（Kimi/开源 OpenClaw/Claude Code/CodeX）

• v5.1.2 (2026-07-24): 简化首次配置体验。飞书文档输出说明精简为"安装飞书插件并关联飞书文档"。多方向概念重新梳理：research_focus 是多个研究方向的列表，每个方向是一组相关关键词的集合，支持指定方向运行和批量生成所有方向的独立报告。

• v5.1.1 (2026-07-24): 新增 Multi-Agent 调度与超时策略章节。明确阶段性超时配置（Deep Reader 15min / Writer 20min）。增加弹性超时处理：超时后不直接接管，先检查部分输出和进度汇报。完善首次使用配置流程：对话触发 → 自动询问研究方向 → 保存配置 → 后续直接读取。所有子 Agent 调用示例补充 runTimeoutSeconds 参数。

• v5.1.0 (2026-07-24): 全局版本号统一（SKILL.md / tracker.py / prompt / checklist / _meta.json / skill-card）。补全版本历史记录。清理 checklist.md 硬编码文档ID。修复 deep_writer_prompt / multi_checker_prompt 版本标注滞后。清理 ClawHub 分发包个人报告残留。

• v5.0.0 (2026-07-18): 用户工作状态同步（留在华为）。云盘归档完成。Skill 本地/远程版本同步流程建立。_meta.json 和 skill-card.md 版本更新。

• v4.5.0 (2026-07-14): 强化质检体系。Multi-Checker 从 8 维扩展到 14 维核心 + 2 维可选维度，新增：技术洞察力、未来预判合理性、实操路径可行性、数学与理论严谨性、数据效率分析、组合矩阵覆盖度。新增独立 agents/checklist.md 文件供人工复核。修复安全规范强化：禁止空头承诺，唯一可靠路线为下载→本地修复→overwrite覆盖。

• v4.1.2 (2026-07-03): 关键修复：Searcher 阶段不再通过 sessions_spawn 启动子 Agent，改由主 Agent 直接执行搜索。彻底解决了子 Agent 输出截断导致的搜索结果不完整问题。Deep Reader 仍保留子 Agent，但每篇论文独立一个 Agent，并增加主 Agent 完整性检测与兜底阅读机制。

• v4.1.1 (2026-07-02): ClawHub 发布版。修复工具引用一致性（deep_reader_prompt.md curl→browser/web_fetch）、版本号统一、移除未实现参数提示、分发包清理。

• v4.1.0 (2026-06-30): 新增深度调研模式（Deep Research）。支持双模式自动判断。深度模式新增：Deep Searcher、4个并行 Sub-Analysts、Synthesis Analyst、Deep Writer、Multi-Checker、迭代修订。

• v4.0.8 (2026-06-30): 清理默认配置残留。config.json folder_token 置空，keywords.json 默认清空，面向多用户分发优化。

• v4.0.7 (2026-06-30): Deep Reader prompt 修正全文获取方案。Searcher 跨平台工具链明确优先级。

• v4.0.6 (2026-06-30): 首次运行研究方向确认流程。

• v4.0.5 (2026-06-30): 增加跨平台搜索工具适配。Searcher Prompt 支持三级降级。

• v4.0.4 (2026-06-30): 修复子Agent输出截断问题（缓解措施：Prompt约束+完整性检测+兜底搜索）。

• v4.0.3 (2026-06-29): 修正设计理念：信息准确 > 格式统一。

• v4.0.2 (2026-06-29): 修复子 Agent 输出格式不稳定问题。

• v4.0.0 (2026-06-29): 重写为多Agent编排架构。

• v3.1.0 (2026-06-28): 新增报告管理模块，动态配置初始化

• v3.0.1 (2026-06-27): 数据验证机制，修正 cron 配置

• v3.0.0 (2026-06-27): 完善联动体系

• v2.0.0 (2026-06-27): 新增深度精读方法论

• v1.0.0 (2026-06-27): 初始版本