从研究目标到排序想法与提案的端到端研究构思流程

当需要寻找研究方向、头脑风暴想法、评估新颖性、排序比较研究想法或生成研究提案时使用。

适用场景

解决思路

1. Step 0：从 evo-memory 加载先验知识——在任何构思开始前，读取 /memory/ideation-memory.md 中的 Ideation Memory (M_I)，通过对比每条记录的 Summary 和 Retrieval Tags 与当前目标，选出最相关的 top-2 条目（k_I=2）；将先前的可行方向作为 Step 3 的种子候选方向；将标记为根本性失败的方向用于 Step 4 的想法剪枝；若 M_I 尚不存在（首个周期），跳过此步。
2. Step 1：定义一个长期研究目标——目标需兼具科学价值与实用价值，足够宏大以支撑多篇论文，又足够具体以指导日常决策；自问：这个研究方向的终极形态是什么？如果这个问题被完全解决，世界会变成什么样？
3. Step 2：文献奠基——调用 paper-navigator（Workflow 9: Ideation Support）收集 30-50 篇相关论文；禁止使用 WebSearch、WebFetch 或任何通用网页搜索工具查找论文，必须使用 paper-navigator 及其脚本（scholar_search、citation_traverse、arxiv_monitor、recommend 等）；从收集的论文构建挑战-洞见树（challenge-insight tree）：从每篇论文提取它解决的技术挑战、提取它使用的技术或关键洞见、映射哪些洞见解决哪些挑战；洞见很少的挑战=未解决问题（Step 3 候选），尚未应用于某挑战的洞见=跨域迁移机会（Step 4 候选），洞见很多的挑战=已被充分研究应避免；同时生成精简的文献综述综合作为想法生成的上下文；构建方法见 references/literature-tree.md。
4. Step 3：生成想法——分析文献与挑战-洞见树，识别 3 个根本不同的研究方向；每个方向用 Innovator 人设生成一个想法；每个想法必须遵循两条方法论路径之一：Path 1（聚焦贡献）单一新组件、清晰假设，或 Path 2（系统贡献）组件间紧密因果交互、涌现能力；想法格式包含标题、核心想法（一段话：提案+它解决的研究方向）、验证计划（具体实验大纲：数据集、基线、指标）。
5. Step 4：精炼想法——运行 3 条并行精炼轨道，每条对应一个初始想法，每条轨道使用全部 3 个人设（Innovator 关注新颖性与创造力、Pragmatist 关注可行性、Critic 关注科学价值）；每条轨道迭代 N=3 次：评估当前最佳想法（新颖性、可行性、影响力、对齐度）→ 3 个人设基于评估生成精炼版本 → 选出最佳精炼作为下一轮种子；轨道冠军=所有迭代中的最佳想法；使用 5 种进化策略：通过奠基增强（用文献引用强化）、提升连贯性（修复机制中的逻辑缺陷）、灵感与组合（与文献中不同概念组合）、简化（剥离到干净可检验的假设）、文献驱动转向（放弃机制，从文献提出新方法）；关键规则：若评估认为该方法是死胡同，人设必须转向，精炼不限于打补丁；逻辑凝聚原则：变量太多→通过减法聚焦，隔离最有前景的变量；组件脱节→通过强关联论证，建立显式因果链接。
6. Step 5：ELO 锦标赛并呈现 Top-3——通过两两比较对所有轨道冠军排序，然后将 top-3 呈现给用户选择；四个维度：新颖性（与已发表工作有多大不同）、可行性（能否在合理资源内实现）、相关性（是否解决与目标对齐的重要问题）、清晰度（是否定义得足够清楚可立即开始）；起始 Elo 1500，K-factor 32，两两比较→更新 Elo→按最终分数排序，评分标准与公式见 references/elo-ranking-guide.md；呈现时包含三部分：Part 1 对比表（排名、标题、核心机制、新颖性、可行性、相关性、清晰度、ELO），Part 2 每个 top-3 的完整精炼想法（核心想法、验证计划、精炼总结——说明简化/移除了什么及原因、添加/具体化了什么及原因、哪个人设驱动了最有影响力的改变、精炼中添加的关键风险缓解），此部分为强制不可省略，Part 3 选择提示：你想把哪个想法发展为完整提案？（1/2/3，或组合元素）；呈现 top-3 后、最终确定用户选择前，触发 Step 6。
7. Step 6：更新 evo-memory——在锦标赛之后、用户选择之前，触发 evo-memory IDE（Idea Direction Evolution）：将 top-3 方向保存到 /direction-summary.md；通过 evo-memory 技能以方向摘要触发 IDE 协议；每个 top 方向作为可行方向连同其 ELO 分数加入 M_I；Step 4 精炼中明显不可行的想法记录为不成功方向并分类失败类型（根本性 vs 实现性）。
8. Step 7：扩展为提案——用户选定想法后，扩展为手稿级研究提案，分两阶段：Phase 1 生成领域特定模板——从研究目标和文献识别领域，从通用章节开始（Abstract、Problem、Related Work、Method、Evaluation、Conclusion），添加领域特定章节（如医学研究的 Ethics/IRB、化学的安全分析、临床试验的统计功效分析、ML 的消融设计），按领域惯例调整术语（医学用 Study Design、社会科学用 Methodology、工程用 Proposed Method），完整指南见 assets/proposal-template.md；Phase 2 撰写提案——面向领域顶刊审稿人写作，每个论断有支撑、每个设计有理由；避免变量混淆，清晰隔离核心贡献；匹配领域严谨标准（定量领域用数学、实验领域用协议、定性领域用编码方案）；主动预判审稿人的质疑，详细章节指导见 references/proposal-extension.md。
9. Step 8：验证与迭代——在代表性数据上运行实验；若方法失败，带着更新后的知识返回 Step 3 或 Step 4；系统调试见 experiment-craft。
10. 反直觉规则：1. 问题选择 > 方案设计——选择解决什么比如何解决更重要；2. 追求新的失败案例而非增量改进——找到现有方法失效的场景；3. 若存在成熟解决方案则换问题——改进空间太小；4. 技术是创造性组合而非拼接——简单 A→B 流水线不是贡献；5. 生成阶段数量先于质量——先产生大量候选再评估；6. 可行性不是可选项——绝妙但不可行的想法浪费研究周期；7. 锦标赛会发现惊喜——相信排名而非直觉。
11. 交接：提案完成（Step 7）后交给 paper-planning 规划论文结构，关键产物 /research-proposal.md、/direction-summary.md；提案完成（Step 7）后交给 experiment-pipeline 开始实验，关键产物同上；锦标赛后（Step 6）交给 evo-memory 通过 IDE 协议更新 Ideation Memory，关键产物 /direction-summary.md。

适用边界 · 注意事项

• 用于查找/搜索/阅读论文时——应使用 paper-navigator
• 用于生成文献综述报告时——应使用 research-survey
• 用于规划论文（故事设计、实验计划）时——应使用 paper-planning