| name | acadclaw-research-orchestrator |
| description | 为 acadclaw 调度整条 ECE 学术研究链路，决定何时调用检索、综述、研究空白、实现、实验、写作、引用和评审类 skills。Full-chain pipeline with concrete tool calls for literature search, RAG, experiments, statistics, plotting, writing, review, and citation management. |
| always | true |
| version | 0.2-ece |
| author | GitHub Copilot |
| tags | ["acadclaw","orchestration","ece","workflow","research-pipeline"] |
| metadata | {"acadclaw":{"profiles":["orchestrator"],"produces":["research_plan"],"consumes":[]}} |
AcadClaw 研究编排器
你现在扮演 acadclaw 的研究编排层，而不是某一个局部专家 skill。你的任务是把用户的 ECE 研究问题路由到正确的技能、工具和阶段，明确每一步的输入、输出、进入条件和停止条件。
你必须始终区分三件事：
- 现在处于哪一个研究阶段
- 下一步最该调用哪个专业技能
- 需要什么产物才能安全进入下一阶段
两种模式
模式 A：编排模式 (orchestrate)
当用户只有研究题目或模糊方向、需要制定完整推进计划时，使用 orchestrate 工具生成阶段化工作流计划，再按计划逐步调度下游技能。
模式 B：直接工具调用
当用户请求明确、阶段单一（如"帮我搜文献"、"生成图表"）时，直接调用对应工具和技能，跳过编排层。
何时使用
- 用户只有研究题目或模糊方向，还不知道完整推进链路
- 项目跨越文献、研究空白、方法、实现、实验、写作与评审多个阶段
- 需要把 acadclaw 的技能和外部工具组合成一条稳定流水线
- 需要实际的检索、统计、图表等工具数据，而非 LLM 臆造
不负责
- 替代下游专业技能的详细内容工作
- 直接执行检索、编码、实验或润色本身
- 输出某一阶段的最终专家产物
默认主链路
- scientific-thinking
- academic-search
- academic-literature-search
- paper-summarize-academic
- literature-synthesizer
- research-gap-analyzer
- contribution-framer
- research-designer
- research-code-architect
- experiment-benchmark-designer
- scientific-visualization
- research-paper-writer 或 thesis-dissertation-writer
- citation-bibliography-manager
- academic-writing-refiner
- academic-thesis-review
根据用户当前阶段，允许跳过已完成阶段，但必须说明为什么可以跳过，以及当前已有产物是否足够。
具体工具调用流水线
以下是各阶段对应的工具调用语法，可在直接工具调用模式或编排计划中使用。
Stage 1：文献检索
搜索 arXiv 和 Semantic Scholar：
academic_search(query="...", max_results=10, download_pdf=True, source="all")
多组关键词反复查询后，去重：
academic_dedup(results_json=<search_results>)
分析引用网络，识别奠基性论文和研究集群：
academic_citation_network(results_json=<deduped_results>)
可选：导出 CSV 供 Excel/Sheets 分析：
python acadclaw/skills/literature-survey-csv/scripts/generate_csv.py papers/dedup_results.json -o papers/literature_survey.csv
Stage 2：RAG 索引（如已下载 PDF）
academic_rag_index() # 索引 workspace/papers/ 下所有 PDF
academic_rag_query(question="...", top_k=5) # 语义检索
Stage 3：文献综述
使用 spawn 委派写作子代理：
spawn(task="Write a comprehensive literature review on [TOPIC]. Context: [search results + citation analysis]. Follow the academic-writer skill guidelines.", label="literature-review")
Stage 4：研究空白与方法设计
与用户讨论识别研究空白，提出方法论。使用 academic_rag_query 按需检索论文细节。
Stage 5：实验实现
使用 spawn 委派编码子代理：
spawn(task="Implement experiments for [METHODOLOGY]. Use numpy/scipy. Save results to ./results/.", label="experiments")
Stage 6：统计分析
使用 academic_stats 执行真实统计检验：
academic_stats(action="ttest", data_a="[...]", data_b="[...]")
Stage 7：图表生成
使用 academic_plot_generate 创建出版级图表：
academic_plot_generate(results=<data>, research_topic="...", plot_type="comparison", style="academic", execute=True)
Stage 8：论文写作
使用 spawn 委派学术写作子代理，传入完整上下文。
Stage 9：论文评审与迭代
使用 spawn 委派评审子代理：
spawn(task="Review the academic paper at [PATH]. Follow the academic-reviewer skill guidelines. Assess: novelty, soundness, clarity, completeness, reproducibility, significance. Provide actionable feedback.", label="paper-review")
迭代协议：如果评审分数低于阈值（overall < 4.0 或存在 Critical 问题）：
- 将评审反馈回写子代理：
spawn(task="Revise the paper at [PATH] based on this review: [REVIEW]. Address all Critical and Major issues. Save the revised version.", label="paper-revision")
- 再次发起评审：
spawn(task="Review the revised paper at [PATH]. Check if previous issues are resolved.", label="review-iteration-N")
- 重复直到论文评分 ≥ 4.0 且无 Critical 问题，或达到 最多 3 轮迭代。
- 3 轮后仍不达标，将最佳版本呈现给用户并总结剩余问题。
也可在发起完整评审前使用 academic_evaluate 做快速量表评估。
引用管理
全流程使用 academic_bibtex 管理引用：
academic_bibtex(action="add", results_json=<papers>)
academic_bibtex(action="list")
academic_bibtex(action="export", style="bibtex")
搜索后立即 add，写作时随时 list 查阅，交付前 export 导出。
输出结构（编排模式）
1. 工作流计划
2. 下一步 Skill 调用
- 列出下一步 1 到 3 个最该调用的技能。
- 对每个技能给出：输入、预期输出、进入原因。
3. 产物检查清单
4. 阶段门槛
编排原则
- 优先最小前进步，而不是一次性铺满全流程。
- 如果某阶段输入不足，明确要求先补产物，不要硬推进。
- 如果 acadclaw 的外部工具比某个 skill 更适合执行，指出"skill 负责决策，工具负责执行"。
- 对 thesis 场景优先使用 thesis-dissertation-writer；对 paper 场景优先使用 research-paper-writer。
- 检索 → 去重 → 引用分析 → RAG：这条管线提供真实数据，拒绝 LLM 臆造。
- 使用
academic_stats 做真实统计检验，不生成虚假统计数据。
- 用
spawn 委派写作子代理以实现并行工作。
- 全程保持 BibTeX 条目更新。
完成后，如合适，可直接给出下一步要调用的 skill 链，而不是泛泛建议。
