Install
openclaw skills install @tomfoxxxx/hf-daily-deep-researcherHf Daily Deep Researcher Dist
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 v4 — 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）
┌─────────────────────────────────────────────────────────────────┐
│ 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）：
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：
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：
- 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
- 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）
- 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:
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。
这是 v4.1.2 的关键修复。
"""
all_results = []
# 对每个研究方向的关键词执行搜索
for focus in focus_keywords:
# 生成搜索关键词组合
search_queries = generate_search_queries(focus, mode=mode)
for query in search_queries:
# 主 Agent 直接调用 kimi_search
results = kimi_search(query)
all_results.extend(results)
# 如果 kimi_search 不可用，降级到 web_fetch
if not results:
results = web_fetch(f"https://export.arxiv.org/api/query?search_query={query}&max_results=50")
all_results.extend(parse_arxiv_api_results(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（主要）、HuggingFace Daily Papers（辅助）、GitHub（代码）
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:
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:
# 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']}"
)
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:
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:
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:
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:
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
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']}"
)
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")
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")
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")
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
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']}"
)
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']}"
)
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"
)
gap_analyst = sessions_spawn(
task="识别研究空白与可做方向...",
label="HF-SubAnalyst-Gap"
)
code_analyst = sessions_spawn(
task="检查代码开源情况...",
label="HF-SubAnalyst-Code"
)
authority_analyst = sessions_spawn(
task="验证论文权威性与引用准确性...",
label="HF-SubAnalyst-Authority"
)
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"
)
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"
)
report_content = extract_content_from_completion(deep_writer)
# Step 7: Multi-Checker（多维度质检）
multi_checker = sessions_spawn(
task="从五个维度检查报告...",
label="HF-MultiChecker"
)
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}"
)
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}"
)
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
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
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. 初始化（首次使用）
python3 ~/.openclaw/workspace/skills/hf-daily-deep-researcher/init.py
这会尝试从 USER.md / MEMORY.md 自动提取你的研究方向。
重要：如果无法自动提取研究方向，配置中的 research_focus 将为空。首次运行 skill 时，主 Agent 会询问你确认研究方向（通过对话交互），无需手动修改配置文件。
2. 首次运行（主Agent执行）
# 在对话中要求执行
"运行 hf-daily-deep-researcher，扫描过去7天"
主Agent会：
- 读取配置
- 如果 research_focus 为空，向用户确认研究方向（对话询问）
- 根据确认的方向动态生成关键词
- 主 Agent 直接执行搜索（调用 kimi_search 等工具，不再启动 Searcher 子 Agent）
- 启动 Deep Reader Agents（每篇 P0 论文一个子 Agent，等待 completion events）
- 检测 Deep Reader 输出完整性，如有截断则自行补充阅读
- 启动 Analyst + Writer + Checker（等待 completion events，提取内容）
- 保存报告到本地和飞书
3. 自动追踪（Cron）
{
"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：
- 每篇论文一个独立 Agent：输出量可控（一篇论文的分析）
- 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
- 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
- 并行效率：多篇论文可以并行精读
工具依赖与跨平台适配
本 Skill 依赖以下 OpenClaw 工具（按优先级排序）：
| 工具 | 用途 | 是否必需 | 替代方案 |
|---|---|---|---|
kimi_search | 语义搜索 arXiv / HF | 否 | web_fetch 调 arXiv API |
web_fetch | 获取 arXiv API / HF 页面 | 是 | browser 打开网页 |
browser | 浏览器控制（fallback） | 否 | 无（可用性降低） |
feishu_create_doc | 报告上传飞书 | 否 | 本地保存到 reports/ |
sessions_spawn | 启动子 Agent（Phase 2+） | 是 | 串行执行（效率降低） |
跨平台使用说明：
- Kimi 平台：完整功能，kimi_search + web_fetch + browser 都可用
- Claude / GPT 平台：可能没有 kimi_search，但通常有 web_fetch 和 browser
- 主 Agent 搜索已自动适配：会根据当前可用工具选择最优搜索策略
错误处理
每个阶段：
- Phase 1（搜索）：主 Agent 直接执行，无截断风险。如果搜索失败（如 kimi_search 返回空），尝试降级工具并继续
- Phase 2（精读）：子 Agent 可能截断。主 Agent 检测完整性，如截断则自行下载论文补充分析
- Phase 3-5：子 Agent 输出分析报告/报告/检查结果。如截断，主 Agent 可基于已有数据自行完成
- Checker 发现 critical 问题：返回到对应 Agent 重新执行
版本历史
- 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
- Downloads
- Security audit
- Pending
- Last updated
- 23h ago
- Current version
- v4.1.3
- License
- MIT-0