Auto Researcher

核心用法

Auto Researcher 是一套结构化自主研究系统，用户通过自然语言指令激活研究任务后，系统执行5阶段流程：定义问题→多策略搜索→CRAAP可信度评估→综合发现→交叉验证。研究完成后可生成带APA/MLA引用的结构化报告，或构建知识图谱存储实体关系。

显著优点

• 方法论成熟：直接采用信息科学领域经典的CRAAP评估框架（时效性、相关性、权威性、准确性、目的），将主观判断转化为可量化的A-F评分
• 多源验证机制：强制要求交叉检查，自动标注置信度等级，降低单源偏见风险
• 输出标准化：支持学术级引用格式与结构化报告模板，适合直接用于论文、研报、决策文档
• 持续监控能力：可配置周期性任务追踪主题更新，生成趋势分析

局限与风险

• 依赖搜索工具质量：若底层searxng等搜索工具返回结果有限或存在SEO污染，研究深度受限
• CRAAP评分主观性：部分指标（如"偏见是否明显"）仍依赖模型判断，不同运行可能产生评分波动
• 实时性瓶颈：技术类主题>2年即标记可能过时，但模型训练数据截止日可能早于该阈值
• 知识图谱简化：相比专业图数据库，JSON存储的关系查询能力有限

适合人群

学术研究者、市场分析师、内容创作者、技术调研人员、需要持续跟踪行业动态的产品经理

常规风险

• 低CRAAP评分来源若被误引用可能导致结论失真
• 持续监控任务需消耗周期性计算资源，长期运行成本需评估
• 涉及敏感主题的交叉验证可能触发内容过滤，导致研究中断

核心用法

Auto Researcher 是一款纯提示词驱动的自主研究助手，采用 OpenFang Researcher Hand 的学术方法论，通过 Define-Search-Evaluate-Synthesize-Verify 五阶段流程，帮助用户完成深度主题调研。用户可通过自然语言激活研究（如"帮我研究知乎盐选投稿指南"），系统会自动执行多策略搜索、CRAAP 可信度评估、知识图谱构建，最终输出带 APA/MLA 引用的结构化报告。

显著优点

1. 学术级严谨性：完整移植 CRAAP 框架（Currency/Relevance/Authority/Accuracy/Purpose），对信息来源进行 A-F 六级评分，有效过滤低质量内容。

2. 多源交叉验证：强制要求至少 3 个独立来源确认同一事实，自动标注矛盾信息与置信度等级，显著降低单一来源偏见风险。

3. 零代码攻击面：纯 Markdown/Prompt 实现，无执行代码、零外部依赖、无持久化存储，供应链攻击风险降至最低。

4. 知识图谱可视化：内置实体-关系存储结构（JSON 格式），支持将研究对象（人物、组织、概念等）转化为可查询的知识网络。

5. 持续监控能力：支持对特定主题设置周期性追踪（如"每周监控 OpenClaw 新功能"），自动生成趋势月报。

潜在局限

1. 执行依赖外部工具：实际搜索需调用 searxng web_fetch 等外部 Skill，若未配置则仅能提供方法论指导。

2. CRAAP 评分主观性：框架虽标准化，但最终评分仍需人工判断，自动化程度受限。

3. 中文本地化不足：示例查询以知乎、GitHub 为主，缺乏知网、万方等学术数据库的搜索语法支持。

4. 知识图谱无持久化：memory/store 为会话级存储，跨会话数据需手动导出。

适合人群

• 学术研究者（文献综述、理论溯源）
• 产品经理（竞品分析、市场调研）
• 内容创作者（选题验证、事实核查）
• 投资者（行业趋势、技术可行性评估）
• 知识工作者（任何需要"快速成为某领域半个专家"的场景）

使用风险

• 性能风险：深度研究模式需遍历 20+ 来源，token 消耗较高；建议在关键节点人工确认方向。
• 时效性幻觉：模型训练数据存在 cutoff，对 2024 年后新兴主题的 CRAAP 评估可能失效。
• 工具链依赖：若未安装 searxng qqbot-cron 等配套 Skill，部分功能降级为模板指导模式。
• 引用格式风险：自动生成的 APA 引用需人工复核作者、日期等字段，不建议直接用于正式出版物。