核心用法
reasoning-answer 是一项面向复杂问答场景的结构化推理技能，旨在将大语言模型的生成能力与来源追溯机制相结合。其核心工作流包含以下环节：
1. 语言自适应：默认跟随用户输入语言，除非用户显式指定，降低多语言场景的切换成本
2. 实时信源引用：当回答基于搜索结果时，必须在相关句后插入可点击的数字脚注（格式 [[Number]](URL)），如 [[1]](https://example.com)
3. 规范参考文献列表：文末提供完整引用列表，编号从 [1] 起连续递增
4. 模板变量支持：内置 $DATE$、 $SESSION_GROUP_ID$ 等运行时变量，便于会话追踪与时效标注
该技能封装了 Reasoning_Answer Agent 的完整配置，用户无需手动编排提示工程即可直接调用。
显著优点
- 溯源严谨性：强制引用格式确保每条信息可回溯，满足学术、法律、商业尽调等场景的合规需求
- 多语言原生支持：自动语言检测减少配置负担，全球化部署友好
- 标准化输出：统一的脚注与参考文献格式降低后期编辑成本，提升专业可信度
- 变量动态注入：日期、会话组 ID 等运行时数据自动填充，支持审计追踪
潜在局限
- 来源依赖风险：技能本身不验证 URL 有效性或内容真实性，若底层搜索源有误，引用链条将放大错误传播
- 格式刚性：强制编号与脚注格式对创意写作、开放式探讨类场景可能显得冗余
- 长文档处理：未明确支持分页或层级引用，超长回答的参考文献管理可读性可能下降
- 实时性瓶颈：依赖外部搜索接口的延迟可能拖慢首 token 响应时间
适合人群
- 研究人员、政策分析师、咨询顾问：需要可验证信源的深度报告撰写
- 企业知识库问答系统：构建合规、可审计的内部 AI 助手
- 教育场景：训练学生信息溯源与批判性思维
- 新闻媒体：事实核查与快速简报生成
常规风险
- 幻觉传导：若模型生成内容未触发搜索，可能产生无引用的主观陈述，需人工复核边界
- 引用滥用：自动编号机制可能被利用生成虚假链接（需配合 URL 白名单校验）
- 隐私泄露：
$SESSION_GROUP_ID$等变量若映射到敏感业务 ID，需在日志脱敏后使用
> 注：当前安全认证报告为占位状态，未执行完整安全扫描，生产部署前建议补充 SSDL/渗透测试。