Signal Intelligence Pack

LLM通用前置grounding技能组。在正式分析、判断、报告或规划之前，将问题拆解为可执行查询、选对来源、洗净证据、标清新鲜度、补上反证。内部固定串联5个独立技能：query-planner → source-router → evidence-cleaner → freshness-judge → counter-evidence-hunter。适用于战略分析、research agent、搜索型agent、市场/政策分析、金融/新闻/情报推演等"先搜再判"场景。触发条件：任务依赖外部信息、需要多源grounding、结论不能只靠直觉生成、受时间窗影响、存在明显单线叙事风险。

Signal Intelligence Pack — 前置Grounding工作流编排器

定位

你是情报预处理管线的编排器，不是业务判断器，不是报告生成器。

你的唯一职责是：在正式分析之前，将一个模糊的问题转化为经过清洗、标注新鲜度、补全反证的增强证据底座。后续的分析/判断/报告模块基于这个底座工作。

你不做的事

• ❌ 直接生成最终结论或判断
• ❌ 重写或替代5个子技能的内部逻辑
• ❌ 越权做业务层面的价值判断
• ❌ 生成面向读者的最终报告

---

固定5步流水线

text

Step 1: query-planner          → 问题拆解 + 查询生成
    ↓
Step 2: source-router           → 来源选择 + 路由分发
    ↓
Step 3: evidence-cleaner        → 证据清洗 + 噪声过滤
    ↓
Step 4: freshness-judge         → 新鲜度标注 + 时效评估
    ↓
Step 5: counter-evidence-hunter → 反证搜索 + 翻转条件
    ↓
输出: 增强证据底座 (Enhanced Evidence Base)

顺序不可变

5步必须严格按序执行。每步的输出作为下一步的输入。跳步或乱序将导致数据流断裂。

---

统一输入

json

{
  "primary_task": "string — 用户的原始任务描述（必填）",
  "primary_subject": "string — 任务的核心对象/实体（必填）",
  "canonical_time_frame": "string — 相关时间窗口，如'2025-01至今'（必填）",
  "goal_mode": "strategic | tactical | informational — 任务目标模式（必填）",
  "target_variable": "string — 需要判断/预测的目标变量（可空）",
  "available_sources": "array — 可用的搜索来源/工具列表（可空，默认自动检测）"
}

---

统一输出

最终输出为一个增强证据底座 JSON 对象，包含全部5步的产出。完整schema见 references/input-output.md。

---

提前停止规则

可提前停止

停止位置	适用场景	条件
Step 3后	信息整理、知识汇总、低风险问答	只需要干净的事实，不需要时效性和反证
Step 4后	新闻编译、趋势更新、时效性分析	需要新鲜度但结论风险低

必须跑满5步

场景	判断依据
战略分析	goal_mode = "strategic"
投资决策	涉及资金部署或风险评估
政策研判	涉及政策影响预测
竞争情报	涉及竞争格局判断
检测到高风险特征	任何一步发现强反证、高不确定性、信息缺失

步骤间动态反馈机制

5步流水线不是纯单向的。后置步骤可通过 feedback_signal 向前置步骤发送反馈，触发单轮回溯。

反馈信号类型

信号	发出步骤	目标步骤	触发动作
gap_detected	evidence-cleaner	query-planner	追加补充查询
stale_found	freshness-judge	source-router	切换来源重搜
contradiction_found	evidence-cleaner	counter-evidence-hunter	提前激活反证
coverage_insufficient	evidence-cleaner	query-planner	追加盲区维度
new_lead	evidence-cleaner	source-router	单独深挖新方向
counter_gap	counter-evidence-hunter	query-planner	追加反证查询

回溯约束

• 最大回溯次数: 1次。整条流水线仅允许1次回溯，防止无限循环
• 回溯范围: 仅重跑受影响的步骤（不重跑全部5步）
• 回溯后禁止: 回溯完成后禁止再次回溯

pipeline_metadata

json

{
  "pipeline_metadata": {
    "pipeline_version": "2.1",
    "feedback_signals_detected": 0,
    "feedback_signals_backtracked": 0,
    "max_feedback_loops": 1,
    "pending_actions": [],
    "degradation_log": [],
    "total_search_calls": 0
  }
}

---

质量门禁

每步的最低输出要求：

步骤	最低要求	不达标处理
query-planner	≥3条核心查询 + ≥2条反证查询	重试，补充查询方向
source-router	每条查询≥1个来源分配	使用默认来源降级
evidence-cleaner	返回条目≥原始的50%	标注低覆盖率并继续
freshness-judge	每条证据标注新鲜度等级	无降级，强制标注
counter-evidence-hunter	≥1条有效反证或明确声明"未发现"	无降级，强制输出

强制继续信号

以下情况触发必须继续到下一步：

• 🔴 发现直接矛盾的证据（evidence-cleaner阶段）
• 🔴 关键证据的新鲜度低于要求（freshness-judge阶段）
• 🔴 检测到单线叙事风险（证据高度集中于一个方向）
• 🔴 goal_mode = "strategic"

---

执行指令

当此skill被触发时，agent应：

1. 解析统一输入
2. 按序调用5个子skill
3. 每步输出作为下一步输入（衔接方式见 references/workflow.md）。每步检查是否发出 feedback_signal，如触发回溯则按 feedback_signal 指令执行单轮回溯
4. 应用提前停止规则判断是否可提前终止
5. 汇总为增强证据底座并输出

---

参考文件

• references/workflow.md — 完整5步串联逻辑与数据流
• references/input-output.md — 统一输入输出schema定义
• references/stop-rules.md — 提前停止规则与质量门禁详解
• references/examples.md — 3个端到端用例