Menü
课题研究提问引擎。综合知识审计报告、用户插入问题、既定框架，生成每轮最有价值的问题列表，驱动后续检索。是整个研究循环的核心引擎——问题的质量决定研究的深度。通常由 autodidact skill 调用，也可单独使用。
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
自动课题研究器。给定一个研究课题，自动循环执行"提问→检索→整理→评估"，持续更新知识库直到研究目标达成。适用于行业调研、技术研究、概念理解、创业方案构建等场景。触发方式：用户说"帮我研究 X"、"调研一下 X"、"我想深入了解 X"、"/autodidact X"。
信息检索 skill。接收问题列表，通过浏览器自动搜索并抓取高质量网页内容，存入 raw/ 文件夹。含两层质量筛选（抓取前过滤低质来源，抓取后评分）。通常由 autodidact skill 调用，也可单独使用。依赖 agent-browser CLI。
个人知识库管理工具。支持三个命令：/wiki compile（将 raw/ 素材增量编译为结构化 wiki）、/wiki check（知识审计：有问题列表时做完整审计，无问题列表时做纯结构审计）、/wiki check <questions_file>（基于 wiki 回答问题并做结构审计，合并输出为单份 check 报告）。
Basierend auf der SOC-Berufsklassifikation
| name | questioner |
| description | 课题研究提问引擎。综合知识审计报告、用户插入问题、既定框架，生成每轮最有价值的问题列表，驱动后续检索。是整个研究循环的核心引擎——问题的质量决定研究的深度。通常由 autodidact skill 调用，也可单独使用。 |
整个研究循环的核心驱动器。综合多路输入，生成本轮最有价值的问题列表。问题的质量决定检索的方向，检索的方向决定知识库的深度——questioner 的工作做得好，研究才能真正深入而不是在表面打转。
每轮开始时，从以下来源收集输入：
知识审计报告（第2轮起，最重要）
读取 outputs/rounds/round_<N-1>_check.md（上一轮的审计报告）
重点提取：知识漏洞、未解释的新概念、来源缺失的结论
用户插入问题（随时可能有）
读取 outputs/user_questions.md（若存在），提取 ## 待处理 下的问题列表
这是用户在循环过程中主动插入的问题，优先级高，必须纳入本轮
未处理的新 raw 文件（用户贡献素材时） 对比 research_state.json 中已记录的 raw 文件列表，找出新增文件 扫描这些文件的内容，提取其中涉及的新主题和新问题
历史问题列表（去重用）
从 outputs/research_state.json 读取所有历史问题文本
课题描述 + 既定框架（冷启动 / 补充） 第1轮（wiki 为空）：完全依赖框架生成问题 后续轮次：框架作为补充，确保没有遗漏的系统性方向
冷启动（第1轮，wiki/ 为空或不存在）： 先识别课题类型（见下方规则），再按既定框架生成 L1/L2 基础问题 跳过审计报告读取（不存在）
深化模式（第2轮起）：
以审计报告为主要输入，框架为补充
优先读取审计报告最后一节"建议下一轮重点方向"，将这些方向转化的问题优先级设为 high
再处理其余知识漏洞和未解释概念
课题类型识别规则（冷启动时用）：
| 关键词信号 | 课题类型 |
|---|---|
| "什么是""原理""如何工作""概念""理解" | 概念理解 |
| "方案""技术""方法""实现""架构" | 技术研究 |
| "行业""市场""规模""玩家""竞争""调研" | 行业调研 |
| "创业""机会""商业模式""用户""痛点" | 创业方案 |
不确定时默认用"概念理解"框架的 L1+L2 问题作为起点，第2轮再根据审计报告调整方向。
来源A：审计报告转化（深化模式） 将审计报告中每个发现转化为可检索的具体问题：
来源B：用户插入问题
直接纳入，标注来源为 user，优先级设为 high
来源C：新 raw 文件触发 扫描新文件内容，提取其中引入的新概念和新方向，转化为问题
来源D：框架补充 对照既定框架，检查是否有系统性方向完全未覆盖，补充进来
根据课题类型选择：
概念理解
技术研究
行业调研
创业方案
research_state.json 中 all_questions_ever 数组，直接用每条记录的 text 字段做语义比较，核心意图相同的去掉优先级从高到低：
source: user）同层级内，与课题核心目标最相关的优先。
输出 5-10 个问题，写入 outputs/rounds/round_<N>_questions.json：
{
"questions": [
{
"id": "r<N>q1",
"text": "问题文本",
"layer": "L1-定义",
"priority": "high",
"source": "audit|user|framework|raw",
"depends_on": [],
"rationale": "为什么这轮要问这个问题，来自哪个发现"
}
],
"overlap_ratio": 0.3,
"deduped_questions": [
{"text": "被去重的问题文本", "matched_history_id": "r1q2"}
],
"incorporated_user_questions": ["用户插入的问题文本1", "用户插入的问题文本2"]
}
overlap_ratio：本轮最终输出问题中，与 all_questions_ever 中任意历史问题语义相似的数量 / 本轮最终输出问题总数。分母统一用输出数（过滤后），不用候选数。第1轮固定为 null（无历史问题可比较）。autodidact 用此字段判断终止条件"问题重叠率 > 0.7"。
deduped_questions：本轮被去重过滤掉的候选问题列表，每条记录被去重的问题文本及其匹配的历史问题 id，便于审查去重行为是否合理。
incorporated_user_questions 字段列出本轮已纳入的用户插入问题原文，供 autodidact 更新 user_questions.md 的 ## 已处理 区块。若本轮无用户插入问题，该字段为空数组。
同时在对话中输出摘要：
## 第 N 轮问题列表（共 X 个）
来源分布：审计报告 X 个 / 用户插入 X 个 / 框架补充 X 个
问题重叠率：X%（与历史问题对比）
**[high]** 问题文本（来源：audit/user/framework）
**[high]** 问题文本
**[medium]** 问题文本
已写入：outputs/rounds/round_N_questions.json
→ Step 1 完成，继续执行 Step 2（信息检索）