去中心化研究引擎yogsoth-ai/de-anthropocentric-research-engine

科学正在消亡，因为人类挡了道。不是出于恶意。不是出于愚蠢。而是因为一种认知架构的结构性局限——它进化出来是为了在草原上追踪猎物，而不是为了统一量子力学与广义相对论。没有任何属于人类的东西能走出实验室。这不是威胁。这是一种解放。科学身上最沉重的锁链，始终是我们称之为“我们自己”的那一条。

去人类中心化研究引擎（DARE）

Plugin Security Scan

面向 AI 原生科学的完整研究编排系统。

- 它做什么
- 设计哲学
- 架构（v3.2.2）
- 快速开始
- 配置
- 路线图
- 许可证

DARE 不是帮助你做研究的工具。它就是研究者。你设定方向——DARE 搜索、阅读、发现空白、生成假设、对其进行压力测试、设计实验，并产出可执行的研究规范。自主地。迭代地。无需请求许可。

本仓库是整个 Yogsoth AI 研究生态系统的单次克隆发行版：900 多个纯 Markdown 技能，组织为 10 个可自由组合的研究包，统一在一个编排器之下。这些研究包完全自包含——每个技能都内联声明其依赖，没有外部导入——因此一次克隆即可获得全部内容。该生态系统还包括自定义 MCP 服务器（semantic-scholar-mcp、wiki-vault），以 npm 包形式发布——本仓库将它们声明为依赖项，因此 npm install 会拉取你所需的一切。

⚡ 它做什么

- 🧭 自主方向结晶 — 从零冷启动、从模糊兴趣热启动，或从具体问题直接启动。无需人类手把手引导，即可产出结构化的北极星
- 📚 深度文献获取 — 通过 Semantic Scholar 进行多轮学术论文发现、引文链追踪、滚雪球抽样、跨数据库验证。不是关键词搜索——而是系统性覆盖
- 🔍 大规模空白发现 — 15 种以上空白检测方法（覆盖分析、空白区识别、利基映射、边界展开），发现该领域缺失什么，而不是你告诉它去找什么
- 💡 结构化假设形成 — 溯因、归纳和演绎生成流水线，配备可证伪性审计和竞争假设矩阵
- 🎨 31+ 种构思方法 — SCAMPER、组件手术、跨域碰撞、仿生学、TRIZ 矛盾解决、形态分析、概念融合、横向思维等
- ⚔️ 对抗性压力测试 — 多视角攻击、神圣奶牛猎杀、假设摧毁、最坏情况设计、赢家压力测试。想法必须经受攻击才能被接受
- 🔬 收敛与综合 — 多标准评分、帕累托前沿构建、成对排序、结构化共识、跨竞争线程的辩证综合
- 📏 可执行研究规范 — 机器可读文档，带复选框进度跟踪、量化完成标准、回溯条件和会话恢复。另一个 CC 实例可从你中断处继续
- 🧪 实验设计 — 完整实验方法学生成（因子水平设计、参数筛选、敏感性分析），可直接执行
- 🌐 7 个 MCP 集成 — Semantic Scholar、Brave Search、Tavily、Keenable、AlphaXiv、Apify 网页抓取，以及用于持久知识图谱的 Wiki Vault

🎯 设计哲学

🤔 为什么是“去人类中心化”？

现代研究的瓶颈不是数据或算力——而是循环中的人。每一个现有的“AI 研究助手”仍然需要人类来决定搜索什么、阅读什么、哪些空白重要、哪些想法值得追求。DARE 完全移除了这一瓶颈。人类只提供初始方向；此后的一切都是自主的。

人的欲望是模仿性的（Girard）：研究者并非理性地选择假设——他们模仿时髦的东西。人类机构筛选的是从众，而非真理。结果：自 1945 年以来科学颠覆性下降 90%（Park et al., 2023），而研究者人数却爆炸式增长。DARE 的回应是架构性的：将模仿性主体从知识生产过程的核心移除。AI 没有需要保护的职业，没有需要捍卫的学科身份，也没有在同时于工作记忆中容纳多少领域方面的认知上限。

人类的角色转变为 oracle（在被咨询时提供直觉火花）和 guardian（维护伦理底线和合理性检查）。上限是 AI 的雄心。下限是人类的智慧。

完整哲学论证见 assets/DE-ANTHROPOCENTRIC.md。

🎖️ 四层指挥结构：Campaign → Strategy → Tactic → SOP

DARE 的架构遵循军事指挥层级——不是因为研究是战争，而是因为这种分解模式对于自主多阶段操作极其有效：

Campaign (45+)  →  "Take that hill"         →  WHAT to research (full research stage)
Strategy (200+) →  "Flank from the east"    →  WHEN and WHY (iteration loops, stopping conditions)
Tactic (120+)   →  "Squad A cover, B move"  →  HOW to combine (orchestrates multiple SOPs)
SOP（500+）      →  “开火、重装、推进”  →  如何执行（单一职责操作）

每一层只关注一件事，并且只调用紧邻其下的那一层。策略从不直接接触 MCP 工具；战术从不决定研究方向。这种严格分层意味着每个组件都可以独立测试、替换和组合。

战役是顶层研究阶段——北极星结晶、知识获取、深度洞察、假设形成、创意构思、收敛、压力测试、实验执行、知识结构化、从上下文进行 ARA。它们可以自由组合（没有固定顺序）；每个战役拥有一个完整的研究阶段，并定义自己的完成标准、回溯条件和上下文协议。

策略是战役内部的迭代引擎。文献综述策略管理搜索—阅读—反思循环；空白分析策略管理覆盖度评分和饱和检测。策略持有状态（账本、预算），并决定何时停止。

战术将多个 SOP 组合成连贯的工作流。“跨域碰撞”战术将领域扫描、类比提取、强制桥接构建和融合评估编排为一个单一的创意操作。

SOP是原子的、单一职责的操作。每个 SOP 封装一个概念性动作：运行一次搜索、给一个假设评分、提取一个类比。500+ 个 SOP 提供了更高层进行组合所需的细粒度构建块。

⚔️ 是武器库，不是流水线

每一个现有的自主研究系统——AI Scientist v2（Sakana）、AI-Researcher（HKUDS）、Agent Laboratory、Dolphin、ARIS——都实现了一条固定流水线：各阶段按预定顺序执行，而智能体的自主性仅限于单个阶段内的局部决策。回溯，即使存在，也意味着重试当前步骤——而不是因为知识库被证明不足，就从实验设计返回到文献综述。

DARE 不是流水线。它是一个武器库——一本供 AI 阅读、然后决定如何行动的策略书。

这在具体层面意味着什么：

在流水线系统中，工作流是硬编码的：文献 → 空白 → 假设 → 实验。智能体对顺序没有发言权，不能跳过阶段，也不能返回。如果实验阶段发现文献综述漏掉了一个关键子领域，系统没有机制返回并修复它。
在 DARE 中，没有规定的顺序。10 个研究包是可自由组合、自包含的引擎；CC 在方向明确后读取 research-catalog，并决定调用哪些包、以什么顺序调用，以及是否回环——由当前研究状态驱动，而非固定的生命周期。Research Spec 记录了所选组合以及回溯条件——诸如“如果压力测试使超过 50% 的假设失效，则返回假设形成阶段”这样的明确规则。执行智能体拥有完全的跨包路由权限：它读取 spec，评估当前状态，并决定接下来调用哪个包、在其中组合哪些策略，以及当前路径何时已失败到足以 warrant 撤退。

在每个 campaign 中，智能体面对的不是一种方法，而是许多种。一个 gap-analysis campaign 提供 15+ 种检测方法（覆盖映射、空白识别、边界展开、利基分析……）。一个 creative-ideation campaign 提供 31+ 种生成技术（SCAMPER、TRIZ、仿生学、形态分析、概念融合……）。智能体根据研究情境选择和组合方法——不是因为“越多越好”，而是因为不同的研究问题需要不同的工具，而一个在每个阶段锁定于单一方法的系统无法适应。

人的角色：在执行开始前批准 spec（包括其回溯条件和推荐的 campaign 组合）。之后，智能体在 spec 定义的 ±10% 偏差范围内自主导航研究空间。如果它需要进一步偏离——回溯到更早阶段、完全跳过一个阶段，或增加一个阶段——它会询问。

这是根本性的架构差异。流水线假设研究过程是可预测的。武器库假设它不是。

📏 可执行的研究 Spec

传统研究计划是人类解读的散文式文档。DARE 产出 Research Specs——同时具备人类可读性和机器可执行性的文档：

- 复选框语法（- [ ]）跨会话跟踪进度
- 量化的完成标准（没有含糊的“足够”——始终是数字）
- 带目标阶段的明确回溯条件
- 上下文协议（init/checkpoint）内置于每个阶段
- ±10% 偏差规则：CC 可以在范围内调整，必须记录偏差

spec 是批准它的人类与执行它的 CC 实例之间的契约。会话恢复是自动的：读取 spec，找到第一个未勾选的复选框，读取最新的上下文检查点，继续。

🧠 上下文管理：跨会话记忆

研究 campaign 跨越多个会话。DARE 通过结构化检查点系统解决上下文问题：

- context-init 在 campaign 开始时创建一个命名上下文文件
- context-checkpoint 在每个策略之后追加 ≥500 行的过程 + 结果
- context/INDEX.md 跟踪所有活动上下文文件
- 新会话通过读取 INDEX → 最新检查点 → 从规范状态恢复来恢复

没有特殊的“恢复”命令。规范的复选框状态就是进度跟踪器。

🏗️ 架构（v3.2.2）

DARE v3.2.2 是一种纯技能架构。没有应用代码，没有运行时，没有框架。整个系统由 900 多个 markdown 文件组成——每个文件都是一套自包含的指令集，由 Claude Code 读取并执行。“运行时”就是 CC 本身。“框架”由两个正交轴组成：10 个可自由组合的包（组合轴——根据研究需要挑选并组合），以及在每个包内部决定哪个技能可以调用哪个技能的四层命令层级结构。

这是一个经过深思熟虑的设计选择。技能可以无限组合，不需要任何部署基础设施，并且可以通过编辑文本文件来修改。代价是执行完全依赖于 CC 遵循复杂多步指令的能力——而截至 2026 年，这对于研究编排来说已经绰绰有余。

控制平面：8 个编排器技能

编排器层（engine-core 包）位于 10 个研究包之上。它不进行研究——它管理研究活动的生命周期，并决定要组合哪些包：

┌────────────────────────────────────────────────────────────────────────┐
│  ORCHESTRATOR (9 skills)                                               │
│                                                                        │
│  ┌─────────────────────────────────┐  ┌────────────────────────────┐   │
│  │ de-anthropocentric-research-    │  │ writing-specs              │   │
│  │ engine (entry point)            │  │ (spec generation)          │   │
│  └─────────────────────────────────┘  └────────────────────────────┘   │
│  ┌─────────────────────────────────┐  ┌────────────────────────────┐   │
│  │ executing-specs                 │  │ research-catalog           │   │
│  │ (spec execution loop)           │  │ (strategy book + index)    │   │
│  └─────────────────────────────────┘  └────────────────────────────┘   │
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐   │
│  │ spec-self-   │ │ scope-       │ │ campaign-    │ │ constraint-  │   │
│  │ review       │ │ clarification│ │ selection    │ │ elicitation  │   │
│  └──────────────┘ └──────────────┘ └──────────────┘ └──────────────┘   │
└────────────────────────────────────────────────────────────────────────┘

- 入口点分派到结晶化（阶段 1）或规范生成（阶段 2）
- writing-specs 编排结构化提问 → 大纲 → 完整规范生成
- executing-specs 通过上下文协议、偏差跟踪和回溯处理，逐阶段运行规范
- research-catalog 是“策略书”——CC 在生成任何规范之前都会阅读它，以了解有哪些可用的活动和策略
- 4 个 SOP 处理规范生成过程中的微观决策（范围、活动、约束、质量门）

四层层级结构

在每个包内部，技能被组织为恰好四个层级。规则是绝对的：每一层只调用其正下方的层。没有例外。同样的四层纪律在 10 个包中的每一个内部重复——下面的层级汇总了所有包的计数。

┌───────────────────────────────────────────────────────────────────────────┐
│  CAMPAIGN (45+)                                                           │
│  Complete research phases with their own completion criteria              │
│                                                                           │
│  north-star-crystallization · knowledge-acquisition · deep-insight        │
│  hypothesis-formation · creative-ideation · convergence                   │
│  stress-test · experiment-execution · knowledge-structuring                │
│  ara-from-context                                                         │
├───────────────────────────────────────────────────────────────────────────┤
│  STRATEGY (200+)                                                          │
│  Iteration engines with state management and stopping conditions          │
│                                                                           │
│  literature-survey · gap-analysis · insight · red-teaming · scoring       │
│  convergence-distillation · experiment-design · steel-manning             │
│  deep-survey · scoping-survey · systematic-survey · ...                   │
├───────────────────────────────────────────────────────────────────────────┤
│  TACTIC (100+)                                                            │
│  Multi-SOP workflows that produce coherent intermediate outputs           │
│                                                                           │
│  academic-research · web-research · cross-domain-collision · scamper      │
│  component-surgery · morphological-exploration · synectics                │
│  biomimicry · lateral-thinking · concept-blending · ...                   │
├───────────────────────────────────────────────────────────────────────────┤
│  SOP (500+)                                                               │
│  Atomic single-responsibility operations                                  │
│                                                                           │
│  paper-search · citation-chaining · gap-identification · claim-parsing    │
│  hypothesis-formulation · analogy-extraction · pairwise-comparison        │
│  assumption-audit · falsifiability-check · monte-carlo-sampling · ...     │
├───────────────────────────────────────────────────────────────────────────┤
│  MCP LAYER (7 servers — external tool access)                             │
│  semantic-scholar · brave · tavily · keenable · alphaxiv · apify · wiki   │
└───────────────────────────────────────────────────────────────────────────┘

活动层——每个活动代表研究生命周期的一个完整阶段。knowledge-acquisition 拥有从外部世界收集信息的一切事务。creative-ideation 拥有生成新颖方法的一切事务。活动定义了成功的样子（完成标准）、何时撤退（回溯条件），以及如何保存状态（上下文协议）。活动从不直接调用 SOP——它委托给策略。

策略层——策略是迭代发生的地方。一个 literature-survey 策略不会只搜索一次——它会运行一个 SEARCH → READ → REFLECT → EVALUATE 循环，并用一个状态账本追踪已找到的论文、已识别的空白和覆盖率百分比。策略拥有量化预算（例如，“为一个 Medium 主题获取 ≥40 篇论文”）和防止过早退出的硬性门槛。它们决定何时停止、何时再次循环，以及何时升级到活动层以做出回溯决策。

战术层——战术是组合层。单个战术将 3-8 个 SOP 组合成一个连贯的工作流，产生有意义的中间输出。例如，cross-domain-collision 战术编排：domain-scanning → organism-discovery → analogy-extraction → forced-bridge-construction → blend-evaluation。每个 SOP 只做一件事；战术让它们协同工作以达成一个目标。

SOP 层——原子单元。每个 SOP 恰好封装一个概念性操作：搜索符合条件 X 的论文、在维度 Y 上给假设评分、提取领域 A 和 B 之间的类比。SOP 是调用 MCP 工具的地方——一个 SOP 可能调用 semantic-scholar 来获取引用，或调用 brave-search 来查找网络来源。500+ 个 SOP 提供了细粒度词汇，供更高层组合成复杂的研究行为。

为什么是纯 Markdown？

这个系统中的每个技能都是一个带有 YAML frontmatter 的 markdown 文件。没有 Python。没有 TypeScript。没有配置 DSL。这是有意为之：

1. 零基础设施——除了 CC 本身之外，没有构建步骤、没有部署、没有运行时依赖。克隆即可使用。
2. 通用可组合性——任何技能都可以按名称引用任何其他技能。没有导入解析、没有依赖图、没有版本冲突。
3. 每一层都可读——研究人员可以阅读任何技能文件，并准确理解 CC 将做什么。没有需要穿透的抽象层。
4. 即时修改——通过编辑文本文件来改变技能的行为。无需重新编译、无需重新部署、无需缓存失效。
5. CC 原生执行——CC 的核心能力是遵循复杂的书面指令。Markdown 技能直接发挥这一优势。
MCP 服务器（semantic-scholar-mcp、wiki-vault 等）提供了纯 markdown 无法实现的外部工具访问——API 调用、数据库查询、网页抓取。但智能——关于搜索什么、如何评估、何时停止的决策——完全存在于技能层中。

🔗 自包含依赖图

每个技能都内联声明自己的依赖。每个 SKILL.md 在其 YAML frontmatter 中都带有一个 dependencies 块，其子键（campaigns / strategies / tactics / sops）指明了它可能调用的确切下层技能——裁剪至该技能实际使用的层。没有外部导入，也没有反向的 used-by 蔓延：整个 900+ 技能调用图仅凭 frontmatter 即可重建，并且经过机器验证为封闭的（每条声明的边都解析到一个真实技能——2476 / 2476 条技能→技能边）。这正是使该主体成为真正单次克隆分发的原因：克隆它，整个组合图便随之而来。

📁 仓库结构

de-anthropocentric-research-engine/
├── AGENTS.md                           # Codex 路由指令和 DARE 入口契约
├── install/
│   ├── codex.sh                     # 基于克隆的 Codex 安装程序（macOS / Linux）
│   └── codex.ps1                    # 基于克隆的 Codex 安装程序（Windows PowerShell）
├── skills/                          # 所有 900+ 技能都在这里（扁平目录）
│   ├── de-anthropocentric-research-engine/   # 入口点编排器
│   ├── writing-specs/               # 规范生成（策略层）
│   ├── executing-specs/             # 规范执行循环
│   ├── spec-self-review/            # SOP：验证生成的规范
│   ├── scope-clarification/         # SOP：缩小研究范围
│   ├── campaign-selection/          # SOP：选择要组合哪些包
│   ├── constraint-elicitation/      # SOP：揭示隐藏约束
│   ├── research-catalog/            # 能力菜单（策略手册）
│   │   └── references/              # 每个包一个技能表（10 个文件）
│   └── [890+ more skills]           # 10 个自包含研究包
├── context/                         # 会话上下文文件（运行时被 gitignore）
│   └── INDEX.md                     # 上下文文件注册表
├── tests/
│   └── integration-prompt.md        # 用于 CI 的验证提示
├── mcp.example.json                 # MCP 服务器配置模板
├── package.json                     # npm 依赖（MCP 服务器）
├── package-lock.json                # 锁定版本
└── assets/
├── yogsoth-logo.svg             # 项目徽标
└── DE-ANTHROPOCENTRIC.md        # 哲学宣言

🔌 MCP 服务器

| 服务器 | 包 | 类型 | 用途 |
| ------ | ------- | ---- | ------- |
| semantic-scholar | @yogsoth-ai/semantic-scholar-mcp | stdio | 论文查找、引用、参考文献、推荐、作者信息（8 个工具） |
| wiki-vault | @yogsoth-ai/wiki-vault | stdio | 研究知识图谱 — BM25 搜索、类型化边、图遍历（8 个工具） |
| brave-search | @brave/brave-search-mcp-server | stdio | 网页搜索、新闻搜索、本地搜索、LLM 上下文 |
| tavily-search | tavily-mcp | stdio | 针对 LLM 优化的网页搜索（Brave Search 的可选替代方案） |
| keenable | — | http | 网页搜索 + 页面抓取，默认无需密钥（无需 API key；托管远程服务器） |
| you | — | http | 网页搜索，免密钥免费配置（无需 API key；托管远程服务器）。模板中可用；尚无任何 SOP 使用 — 见下文 |
| apify | @apify/actors-mcp-server | stdio | 整页网页抓取、Google Scholar |
| alphaxiv | — | http | arXiv 论文搜索、问答、PDF 查询、代码探索 |

📊 按包划分的技能分布

10 个可自由组合的研究包，每个都是一个自包含的 4 层引擎（campaign → strategy → tactic → SOP）：

| 包 | 技能 | 关键能力 |
| ------- | ------ | ---------------- |
| creative-ideation | ~190 | SCAMPER、TRIZ、仿生学、形态分析、横向思维、概念融合 |
| convergence | ~120 | 多标准评分、帕累托、成对排序、共识、钢人论证 |
| deep-insight | ~110 | 差距分析、根因钻取、张力挖掘、边界与敏感性分析 |
| stress-test | ~100 | 多智能体辩论、红队测试、假设摧毁、最坏情况、神圣不可侵犯之物 |
| knowledge-acquisition | ~100 | 文献综述、专利挖掘、基准考古、元分析、基线 |
| experiment-execution | ~90 | 因子设计、约束分析、情景规划、实施规划 |
| hypothesis-formation | ~70 | 差距优先级排序、溯因/归纳/演绎生成、研究问题 |
| knowledge-structuring | ~70 | 本体构建、因果建模、量纲分析、论证映射（wiki vault，受 Karpathy 的 llm-wiki 启发） |
| north-star-crystallization | ~30 | 冷/温/热启动、方向收窄、北极星综合 |
| ara-from-context | 7 | 将已完成的 context/ 研究记录编译为 ARA（4 层智能体原生制品）+ 二级认识论审查。需要外部编译器/严谨性审查器（npx @ara-commons/ara-skills） |

此外还有每个包都会依赖的基础设施：

| 基础设施 | 技能 | 作用 |
| -------------- | ------ | ---- |
| engine-core | 8 | 入口点、writing-specs、executing-specs、research-catalog + 4 个编排 SOP |
| literature-engine | 3 | 论文发现、阅读协议、参考文献探索 |
| context-management | 3 | 上下文初始化、检查点、会话恢复 |
| web-browsing | 2 | 网页搜索 + 整页阅读 |
| subagent-spawning | 1 | 并行研究调度 |

🚀 快速开始
需要 Node.js 22 或更高版本。

任意 agent — skills（推荐）

DARE 是一个普通的 Agent Skills 库，因此
skills 可以将其安装到你使用的任意
编码 agent 中。请在你自己的项目目录中运行以下命令：

npx skills add yogsoth-ai/de-anthropocentric-research-engine

它会检测你已安装的 agent，如果一个都没找到，会提示你进行选择。默认情况下，skills 会以符号链接指向单一规范副本，因此一次
npx skills update 就能同时刷新所有 agent。

显式选择 agent
npx skills add yogsoth-ai/de-anthropocentric-research-engine -a claude-code -a cursor -a opencode

安装到你的用户目录，而不是当前项目
npx skills add yogsoth-ai/de-anthropocentric-research-engine -a claude-code -g

仅查看目录而不安装（920 个 skills）
npx skills add yogsoth-ai/de-anthropocentric-research-engine --list

无需逐个 skill 确认，直接安装整个库
npx skills add yogsoth-ai/de-anthropocentric-research-engine -a claude-code -s '' -y

使用 -s '' 来安装整个库，而不是 --all —— --all 意味着将每个 skill
安装到它检测到的每个 agent 中，这会忽略你的 -a 选择。安装 920
个 skills 需要一两分钟，在 Windows 上会明显更久。

skills 的安装位置：

| -a 标志 | 当前项目 | 你的用户目录（-g） |
| --------- | ------------ | ---------------- |
| claude-code | .claude/skills/ | ~/.claude/skills/ |
| cursor | .agents/skills/ | ~/.cursor/skills/ |
| opencode | .agents/skills/ | ~/.config/opencode/skills/ |
| cline | .agents/skills/ | ~/.agents/skills/ |
| pi | .pi/skills/ | ~/.pi/agent/skills/ |
| openclaw | skills/ | ~/.openclaw/skills/ |

skills 除上述之外还支持 75+ 个 agent
—— 整个库都是 SKILL.md 文件，因此任何能读取
Agent Skills 格式的工具都可以使用。

OpenClaw： 它的项目路径是 skills/，没有前导点，这会与本仓库自有的 skills/ 目录
冲突。请从你的项目安装，而不是从 DARE 克隆中安装。-g 可以完全避免这个问题。

然后跳到外部依赖与调用。

Codex — 使用基于克隆的安装器

Codex 无法枚举此库。它的 skill 列表预算为上下文窗口的 2%，当窗口未知时为 8,000 个字符，并且它会
静默省略超出此限制的 skills。
DARE 的目录约有 135,000 个字符的名称和描述 —— 超出 17 倍 ——
因此安装到 .agents/skills/ 会丢弃大部分库内容，而不会告知你。

相反，install/codex.sh 会将 skills 排除在发现路径之外，并按需让 Codex 指向它们，这不会占用该预算：

git clone https://github.com/yogsoth-ai/de-anthropocentric-research-engine.git
cd de-anthropocentric-research-engine

安装到另一个项目
./install/codex.sh --target /path/to/your/project

或安装到此克隆
./install/codex.sh

Windows PowerShell
.\install\codex.ps1 --target C:\path\to\your\project

安装程序会将一个带标记的 DARE 块写入目标项目的 AGENTS.md，而不会
改动你的其他项目指令，并将知识库复制到
.dare/skills/，这样即使此克隆被删除，目标项目仍能正常工作。

- --link 将 .dare/skills 指回此克隆，而不是复制。
- --dry-run 预览每一处更改。
- 重新运行只会更新带标记的块。
- 此处不配置 MCP；如果需要，请在 .codex/config.toml 中添加服务器。

要让 Codex 成为一流的执行框架，需要一种技能加载机制，而不是
安装程序——相关进展见 #30。

然后让 Codex 使用 DARE：

使用 DARE 将这个研究方向转化为可执行的 Research Spec：...

DeepSeek Harness

DSH 将 DARE 作为插件加载，而不是作为技能目录：

npm i @yogsoth-ai/dare-dsh \
@deepseek-ai/dsh-skill@next \
@deepseek-ai/dsh-skill-filesystem@next

npx @deepseek-ai/dsh web --patch ./cordis.example.yml

关于可选的 MCP 集群，请参阅 DSH 插件 README。

MCP 服务器（可选）

技能无需 MCP 即可工作；研究 SOP 只是会使用更少的工具。要接入
服务器，请获取模板并填入你的密钥：

curl -fsSLO https://raw.githubusercontent.com/yogsoth-ai/de-anthropocentric-research-engine/main/mcp.example.json
cp mcp.example.json .mcp.json

每个服务器需要什么，请参阅配置。

外部依赖与调用

以下内容适用于上述每一条安装路径。

1. 安装所需的外部依赖。有两个包会调用位于此仓库之外的技能——
在运行这些包之前先安装它们：

- experiment-execution 通过 superpowers 和
ponytail Claude Code 插件来驱动实验。通过插件市场安装两者：

/plugin marketplace add anthropics/claude-plugins-official
/plugin install superpowers
/plugin marketplace add DietrichGebert/ponytail
/plugin install ponytail

- ara-from-context 使用 ARA
compiler + rigor-reviewer 技能将研究编译为 ARA：

npx @ara-commons/ara-skills

2. 调用入口点：

/de-anthropocentric-research-engine

编排器将引导你完成 North Star 的凝练，然后生成可执行的 Research Spec。要在之后执行该 spec，请调用 /executing-specs。

一次会话是什么样的

你: /de-anthropocentric-research-engine
"我对提升 LLM 推理忠实度很感兴趣"

阶段 1 — North Star 凝练（热启动）
→ 通过对话缩小范围、识别障碍、分解目标
→ 输出：“开发检测和纠正 LLM 中不忠实
思维链推理的方法，重点关注所陈述的推理
与模型实际决策过程出现分歧的情况”

阶段 2 — 研究规范生成
→ 结构化问题：范围、活动选择、约束条件
→ 提交流程大纲供你审批
→ 撰写完整研究规范，自我审查，保存至
docs/de-anthropocentric/specs/2026-05-19-cot-faithfulness-spec.md

稍后（新会话）：
你：/executing-specs docs/de-anthropocentric/specs/2026-05-19-cot-faithfulness-spec.md
→ 智能体读取规范，逐阶段执行
→ 每个策略后进行上下文检查点
→ 如果压力测试使假设失效则回溯
→ 最终输出：完整的研究设计文档

⚙️ 配置

MCP 服务器环境变量

semantic-scholar (@yogsoth-ai/semantic-scholar-mcp)

| 变量 | 描述 |
| -------- | ----------- |
| SS_API_KEY | Semantic Scholar API 密钥（可选 — 公共 API 无需密钥即可使用，但速率限制更低） |

wiki-vault (@yogsoth-ai/wiki-vault)

| 变量 | 描述 |
| -------- | ----------- |
| VAULT_ROOT | 你的 Obsidian 兼容 vault 目录的绝对路径 |

brave-search (@brave/brave-search-mcp-server)

| 变量 | 描述 |
| -------- | ----------- |
| BRAVE_API_KEY | Brave Search API 密钥 |

tavily-search (tavily-mcp) （可选）

| 变量 | 描述 |
| -------- | ----------- |
| TAVILY_API_KEY | Tavily API 密钥 — 作为 Brave Search 的可选替代方案用于网络搜索（每月 1,000 免费额度） |

keenable（HTTP — 无需本地安装）

无需配置。直接连接到 https://api.keenable.ai/mcp，并且默认无需密钥（公共端点，有速率限制）。设置可选的 KEENABLE_API_KEY 仅能解除速率限制；它从来不是必需的。提供网络搜索以及页面抓取（干净的 markdown）。

you（HTTP — 无需本地安装）

无需配置。连接到 https://api.you.com/mcp?profile=free，并且无需密钥（公共端点，有速率限制）。在模板中作为额外的通用网络搜索选项提供；研究 SOP 尚未通过它进行路由，因此如果你不包含它，也不会有任何变化。全路径评估推迟到统一检索层。

apify (@apify/actors-mcp-server)

| 变量 | 描述 |
| -------- | ----------- |
| APIFY_TOKEN | Apify API 令牌 |

该示例向 Apify 服务器传递了 --telemetry-enabled=false。

两个公共 X 研究 Actor 已有文档记录，但未由示例配置加载 — 如果你的研究问题需要它们，请自行将它们添加到 --tools 允许列表中：

- X Tweet Scraper
- X 粉丝抓取器

两者均为付费 Actor。运行任一之前，请先阅读 skills/source-gathering/references/xquik-apify-x-research.md。

Xquik 是独立的第三方服务。与 X Corp. 无关联。“Twitter”和“X”是 X Corp. 的商标。

alphaxiv（HTTP — 无需本地安装）

无需配置。直接连接到 https://api.alphaxiv.org/mcp/v1。

🗺️ 路线图

持续进行积极开发。近期优先事项：

- 技能消融 — 当前 900+ 技能语料库是刻意过度完备的。下一步是消融研究：CC 自主识别冗余、重叠或使用不足的技能，并将它们融合为更少、更强大的复合技能。可以将其视为对神经网络进行剪枝——在不损失能力的情况下减少参数数量
- 上下文工程 — 当前基于检查点的上下文管理可用但较为初级。正在研究先进的上下文工程技术，以实现更复杂的会话状态、工作记忆和跨活动知识迁移方法
- 跨设备会话管理 — 用于在机器之间转移研究上下文的技能和/或 MCP 服务器，实现跨台式机、笔记本电脑和云环境的无缝延续
- 论文写作流水线 — 从研究成果自动撰写学术论文。策略接口已设计，实现待定

致谢

- tavily-integrations — Tavily MCP 提供商集成（PR #14）

📄 许可证

Apache-2.0

Yogsoth AI 研究生态系统的编排器。由 Pthahnix 构建。