SEARCH-R 是一套面向 AI Agent 的研究方法论框架。它解决的核心问题是：
如何让 AI Agent 像研究者一样工作——不是搜完就扔，而是持续积累、深度思考、发现连接？
SEARCH-R 不绑定任何特定 AI 平台，它定义的是方法论，不是 API。
SEARCH-R 是一个 7 阶段的研究循环，用于系统性推进研究课题。
S - Survey → 观察实践，发现问题
E - Explore → 检索知识，收集信息
A - Analyze → 深度分析，构建理论
R - Review → Human 评审，方向确认
C - Confirm → 实践验证，收集证据
H - Harvest → 沉淀成果，固化知识
R - Reflect → 反思迭代，持续改进
| 阶段 | 做什么 | 产出 |
|---|---|---|
| S - Survey | 观察一线工作场景，识别值得研究的课题，检索已有知识避免重复，建立研究契约 | 课题定义 + 研究契约 |
| E - Explore | 文献检索、案例搜索、信息整理分类、识别知识缺口 | 检索报告 |
| A - Analyze | 第一性原理分析，构建理论框架，提炼设计原则，形成概念模型 | 理论文档 |
| R - Review | Human 参与评审，验证理论是否站得住脚，根据反馈调整 | 评审意见 |
| C - Confirm | 小规模试点，收集验证数据，对比预期与实际，修正理论 | 验证报告 |
| H - Harvest | 整理研究文档，形成可复用的知识产出，归档到课题目录 | 研究成果 |
| R - Reflect | 回顾研究过程，识别方法论改进空间，记录经验教训 | 反思笔记 |
SEARCH-R 的产出是研究结论，不是 Insight。 研究过程中可能产生洞见，但这是副产品，不是每个循环都必须产出。循环的价值在于系统性地推进研究深度。
┌─── S ─── E ─── A ─── R ─── C ─── H ─── R ───┐
│ │
└──────────────── 迭代 ──────────────────────────┘
Reflect 之后回到 Survey，开始下一轮研究。每一轮循环推动研究向更深处发展。
📖 详解：methodology/search-r-cycle.md
研究探索具有天然的不确定性——很难定义"完成"。研究契约不是定义"终点线"，而是定义**"边界框"**。
研究在框内自由探索，但不无限发散。
每轮研究开始时，在 topic.md 中记录一份轻量约定（3-5 行）：
## 研究契约 #N（YYYY-MM-DD）
- **本轮问题**：[具体的、可回答的问题]
- **预期产出形态**：[分类框架？设计原则？决策建议？]
- **探索边界**：[最多几轮？关注哪些子方向？]
- **停止条件**：[什么时候不值得继续了？]- 已达预期产出形态，且 Human 确认方向正确
- 连续 2 轮没有新 Insight 产出（边际收益递减）
- 发现了更好的研究方向（应修订契约）
- 资源约束
契约可以在任何阶段修订，修订需要记录原因。修订不是失败，是研究深化的体现。
📖 详解：methodology/search-r-cycle.md → 研究契约
SEARCH-R 定义了 5 个研究深度层次，Agent 聚焦前 3 层：
Level 0: 第一性原理 — 问题的本质是什么？为什么？
Level 1: 理论框架 — 如何建模？决策模型是什么？
Level 2: 设计原则 — 应该遵循什么原则？如何权衡？
Level 3: 实现思路 — 如何设计？（执行层）
Level 4: 具体实现 — 代码怎么写？（执行层）
| 深度 | 方法 | 示例 |
|---|---|---|
| Level 0 | 追问"为什么"直到无法再追问 | "为什么要分层记忆？" → "解决上下文有限 vs 知识无限的矛盾" |
| Level 1 | 构建模型、形式化表达 | "分层记忆如何建模？" → "工作台 + 文件柜 + 图书馆三层模型" |
| Level 2 | 从理论推导原则 | "分层应遵循什么原则？" → "即时层只放规则、锚点、指针" |
| Level 3-4 | 留给执行层 Agent | 不是 Research Agent 的职责 |
深度检查：每次研究后自问——我是否理解了"为什么"？是否建立了理论模型？是否明确了设计原则？
📖 详解：methodology/research-depth.md
知识萃取是独立于研究循环的能力，在研究产出后可选地执行。
Info（信息）→ 事实、数据点、观察记录
↓ 整理后
Data（数据）→ 结构化的、可分析的信息
↓ 提炼后
Insight（洞见）→ 能改变行动逻辑的发现
| 层级 | 特征 | 示例 |
|---|---|---|
| Info | 原始事实，来源明确但未加工 | "GPT-4 有 1.8T 参数" |
| Data | 经过整理的结构化信息 | "10 个模型的参数量与推理能力对比表" |
| Insight | 能改变行动逻辑的发现 | "参数量超过阈值后，推理能力提升来自架构而非规模" |
能否改变行动逻辑？
知道这个发现后，你的下一步行动会不同吗？
- 会不同 → Insight，记录行动含义
- 不会不同 → 不是 Insight，降级为 Data 或 Info
研究产出完成 → 判断是否有可提取的知识
→ 无：结束（正常，不是每次都有 Insight）
→ 有：三层分类 → Insight 判定 → 冗余检查 → 写入洞察索引
→ 检查跨课题关联 → 更新知识图谱
每次产出 Insight 时，提取关键词标签，在课题总览中做轻量级匹配（不做全量扫描），标注潜在关联课题。等定期网络梳理时批量验证。
📖 详解：methodology/knowledge-extraction.md ｜ methodology/insight-management.md
AI Agent 面临一个根本矛盾：上下文窗口有限 vs 知识积累无限。三层记忆架构解决这个矛盾。
┌──────────────────┐
│ 长期层 │
│ (语义检索) │
│ 全部历史记录 │
└────────┬─────────┘
│
沉淀 ↓ ↑ 提升
│
┌────────┴─────────┐
│ 近中期层 │
│ (索引+条目) │
│ 当前活跃信息 │
└────────┬─────────┘
│
精简 ↓ ↑ 加载
│
┌────────┴─────────┐
│ 即时层 │
│ (≤5KB) │
│ 规则+锚点+指针 │
└──────────────────┘
| 层级 | 类比 | 容量 | 内容 | 读写规则 |
|---|---|---|---|---|
| 即时层 | 工作台 | ≤ 5KB | 规则 + 状态锚点 + 指针 | 每次对话自动加载 |
| 近中期层 | 文件柜 | 按需 | 索引 + 条目（项目/决策/待办） | 按需读取，主动更新 |
| 长期层 | 图书馆 | 无限 | 全部历史对话 | 语义检索，按需召回 |
规则驱动的自动化记忆决策：
| 规则 | 触发条件 | 决策 |
|---|---|---|
| 跨课题引用提升 | Insight 被 ≥2 个课题引用 | 提升为跨课题 Insight，更新引用图谱 |
| 僵尸条目降级 | 30 天未被引用 | 标记待归档，网络梳理时批量处理 |
| 冗余检查 | 新增 Insight 时 | 对比已有 Insight，处理重复/重叠/矛盾 |
| 引用追踪 | 每次引用 Insight 时 | 记录引用来源，维护引用统计 |
📖 详解：methodology/memory-architecture.md
每个研究课题遵循统一的目录结构：
{课题名}/
├── topic.md ← 课题定义与元数据（必须有）
├── observations/ ← S阶段：观察记录、实践发现
├── retrievals/ ← E阶段：文献检索、知识整理
├── theory/ ← A阶段：概念模型、设计原则
├── reflections/ ← R阶段：过程反思、方法改进
├── examples/ ← 实践案例、使用示例
└── references/ ← 参考资料（仅存储）
research/
├── 课题总览.md ← 全局索引（入口）
├── topics/ ← 课题目录
│ ├── {课题A}/
│ ├── {课题B}/
│ └── {课题N}/
└── knowledge-graph/ ← 知识层（跨课题共享）
├── insights_index.md ← 洞见索引
└── topic-network-map.md ← 课题网络图
- 活跃课题 ≤ 2：同时 active 的课题不超过 2 个，深度优先于广度
- 状态流转：
active→paused→completed - 归档不删除：completed 课题保留目录，仅在总览表中标记
📖 模板：templates/topic-overview-template.md
课题之间不是孤立的。每 1-2 周对全部课题进行一次网络化梳理：
- 全量扫描：读取所有课题状态和已产出的 Insight
- 关系分析：分析课题之间的连接
- 跨域洞察：从课题交叉点发现新 Insight
- 记忆健康度检查：扫描僵尸条目、零引用 Insight、容量状态
- 验证实时关联：批量验证 Insight 产出时标注的 potential_links
- 生成网络图：可视化课题间关系
📖 详解：methodology/topic-network-mapping.md
不追求精确量化，追求趋势可观察。
| 指标 | 意义 |
|---|---|
| 检索复用率 | Insight 在后续被检索命中的次数——衡量真实使用价值 |
| 课题推进速度 | S→H 的平均周期天数——衡量研究效率 |
| Human 介入频率 | 每轮循环中 Human 参与次数——越低自主能力越强 |
| 指标 | 意义 |
|---|---|
| Insight 行动力 | 产出时自评：能否改变某个具体决策？ |
| 跨课题连接数 | 一个 Insight 被几个其他课题引用 |
| 研究契约达成率 | 实际产出是否匹配契约预期形态 |
每 4 周生成趋势报告，关注变化方向而非绝对值。
📖 详解：methodology/quality-metrics.md
技能进化是元技能——它不执行具体业务，而是改进其他技能的执行方式。
- 同类错误出现 ≥3 次
- Human 明确反馈不好用
- 新工具/方法可用
- 月度健康度巡检发现瓶颈
诊断（收集问题 → 定位根因 → 评估影响）
→ 方案设计（最小改动 → 向后兼容 → 可验证）
→ 验证（小范围测试 → Human 确认 → 全量更新）
→ 固化（更新文档 → 记录进化日志 → 通知相关技能）
每个技能在使用后都应评估是否需要进化。
📖 详解：agent/v2/skills/skill-evolution/SKILL.md
Human 是研究伙伴，不是老板。Agent 自主完成大部分研究工作，Human 只在关键决策点介入。
目标：Human 参与时间 / 总研究时间 < 20%
Human 的思维是网络式的、跳跃的、扩散的。Agent 的角色：
- 接住扩散：不纠正 Human 的跳跃，而是跟着跳
- 发现连接：在跳跃中发现概念之间的隐藏关系
- 翻译线性：事后用 SEARCH-R 整理成结构化产出
- 维护网络：把发现的连接记录到课题网络图中
SEARCH-R 是事后整理工具，不是思考时的真实路径。
📖 详解：methodology/human-role.md
SEARCH-R/
├── methodology/ ← 方法论（持续迭代，所有 Agent 版本共享）
│ ├── search-r-cycle.md 7 阶段研究循环 + 研究契约
│ ├── research-depth.md 研究深度分层（Level 0-4）
│ ├── human-role.md Human 角色定义
│ ├── insight-management.md 三层知识结构 + 洞见判定 + 实时关联发现
│ ├── memory-architecture.md 记忆架构 + 智能化管理
│ ├── knowledge-extraction.md 知识萃取协议
│ ├── topic-network-mapping.md 课题网络梳理机制
│ ├── quality-metrics.md 研究质量度量体系
│ ├── AFP.md Agent 反馈协议（联系客服助理）
│ └── CHANGELOG.md 方法论升级记录
│
├── agent/ ← 智能体定义（按版本归档）
│ ├── v1/ v1.x 归档
│ └── v2/ v2.1（当前版本）
│ ├── SOUL.md 身份定义
│ ├── AGENTS.md 行为规范 + 课题管理
│ ├── ESSENTIALS.md 核心概念速查
│ ├── README.md 模块概览与文件索引
│ ├── skills/ 技能定义
│ │ ├── knowledge-extraction/ 知识萃取
│ │ ├── topic-management/ 课题管理
│ │ ├── network-mapping/ 课题网络梳理
│ │ └── skill-evolution/ 技能进化（元技能）
│ └── templates/ 文档模板
│
├── INIT.md ← 智能体初始化指南
└── CHANGELOG.md ← Agent 版本变更记录
设计决策：
| 决策 | 原因 |
|---|---|
| 方法论不分版本 | 方法论是活的，持续打磨。每次升级记在 CHANGELOG.md，不做版本快照 |
| Agent 分版本 | Agent 是工程实现，有明确的版本边界。v1 和 v2 是不同的实现规范 |
| 方法论共享 | 所有 Agent 版本基于同一套方法论。方法论升级时，所有版本受益 |
想让一个 AI Agent 成为 SEARCH-R 研究智能体？
📖 完整的初始化流程（含 6 个 Phase）详见 INIT.md
以下是概览：
阅读 agent/v2/SOUL.md，理解 Agent 的身份、核心信念和行为边界。
阅读 agent/v2/AGENTS.md，理解核心能力体系、课题管理机制和工作流程。
按顺序阅读 methodology/ 目录下的文件：
| 顺序 | 文件 | 重点 |
|---|---|---|
| 1 | search-r-cycle.md |
7 阶段循环 + 研究契约 |
| 2 | research-depth.md |
研究深度 Level 0-4 |
| 3 | human-role.md |
人机协作边界 |
| 4 | insight-management.md |
三层知识结构 + 洞见判定 + 实时关联 |
| 5 | memory-architecture.md |
记忆分层 + 智能化管理 |
| 6 | knowledge-extraction.md |
知识萃取方法 |
| 7 | topic-network-mapping.md |
课题网络梳理 |
| 8 | quality-metrics.md |
研究质量度量 |
按需加载 agent/v2/skills/ 下的技能：
- knowledge-extraction — 从研究中萃取知识
- topic-management — 管理课题生命周期
- network-mapping — 发现跨课题连接
- skill-evolution — 技能进化（元技能）
- 创建课题目录和标准子目录
- 创建 topic.md，填写课题目标和状态
- 建立本轮研究契约
- 注册到课题总览表
- 从 SEARCH-R 循环的 S（Survey）阶段开始
维护者: Sonnet.G
创建时间: 2026-03-07
最后更新: 2026-08-14
当前 Agent 版本: v2.1
⬆ 返回顶部