Imported from huangfu170/cross-domain-deep-research (discover-cross-domain-opportunities-zh/SKILL.md). Install upstream with npx skills add huangfu170/cross-domain-deep-research --skill discover-cross-domain-opportunities-zh. Copyright stays with the author.

跨领域研究机会发现

目标与硬原则

执行完整研究闭环，而不是生成泛泛点子：

1. 从论文、benchmark 和失败分析中确认问题。
2. 先建立同任务方法版图，再寻找跨领域迁移机制。
3. 将候选方法冻结为可检索的方法指纹和贡献原子。
4. 主动寻找能够否定候选新颖性的最近邻工作。
5. 只有通过检索覆盖门禁、对抗性审查和可行性审查的候选才能进入推荐列表。

遵守以下硬原则：

• 将“未检索到”视为有限覆盖下的结果，不视为不存在的证明。
• 分离 proposer pass（生成候选）与 falsifier pass（证伪候选）；不得用支持候选的搜索代替最近邻检索。
• 不得仅以目标 benchmark、最终方法名或完整模块组合检索。必须检索无 benchmark 的抽象机制、贡献原子和核心原子组合。
• 不得把固定查询数量当成覆盖完成。只有查询族、贡献原子、同任务 anchor 和 citation neighborhood 均覆盖后，才能声称剩余新颖性。
• 不得把换数据集、换 backbone、换 prompt、增加常规模块或简单系统拼接判为实质创新。
• 最终推荐项必须同时满足 application_status: residual_novelty、review_verdict: go、top_conference_bar: medium/strong 和 approved_for_report: true。

资源读取与脚本

将包含本 SKILL.md 的目录记为 {skill_dir}。所有 bundled reference 和 script 都从 {skill_dir} 解析，不要假设当前工作目录就是 skill 目录。

按需读取，不要把所有 reference 一次性放入上下文：

• 创建或修改运行产物前，完整读取 references/artifact-schemas.md。
• 进入阶段 3B 前，完整读取 references/query-families.md。
• 进入阶段 3C 和阶段 4 前，完整读取 references/novelty-review.md。
• 正常研究运行不得读取 references/novelty-regression-cases.yaml。仅在开发、修改或 forward-test 本 skill 时读取，避免把预期论文泄漏给正常检索。
• 用 validate_json.py 做字段覆盖检查；它不是 novelty 门禁。
• 用 scripts/build_novelty_queries.py 生成方法指纹 hash 和查询覆盖计划。
• 用 scripts/check_method_cache.py 判断旧 novelty audit 是否仍可复用。
• 用 scripts/validate_novelty_audit.py 做 novelty 语义门禁。最终推荐项必须使用 --require-reportable 再验证一次。

总体工作流

按以下顺序执行：

阶段 0 运行元数据与缓存
→ 阶段 1 同任务方法版图
→ 阶段 2 有证据的问题缺口
→ 阶段 3A 跨领域候选生成
→ 阶段 3B 候选冻结与贡献原子化
→ 阶段 3C 对抗性最近邻检索
→ 阶段 4 应用、可行性与顶会创新性审核
→ 阶段 3A/3B/3C 修订闭环
→ 阶段 5 报告与 claim audit

阶段 3C 未完成前，不要展开昂贵的完整实验设计。阶段 4 返回 revise 后，只要候选的核心机制、任务形式、学习目标或贡献句发生变化，就必须生成新 fingerprint 并重新执行阶段 3C。

阶段 0：初始化运行元数据与缓存

获取当前年月，并记录为 {current_year_month}：

• PowerShell：Get-Date -Format "yyyy-MM"
• POSIX：date +%Y-%m

初始化：

{target_domain}/outline.yaml
{target_domain}/fields.yaml
{target_domain}/run_manifest.yaml
{target_domain}/results/search_log.jsonl
{target_domain}/results/claim_audit.json
{target_domain}/results/transfer_candidates/
{target_domain}/results/novelty_audits/

在 run_manifest.yaml 中分别跟踪 phase1_landscape、phase2_gap_extraction、phase3a_transfer、phase3b_fingerprint、phase3c_novelty、phase4_review 和 phase5_report。

设置：

resume_policy:
  skip_existing_json: true
  refresh_after_days: 30
  fingerprint_bound: true
  query_policy_version: "2"

仅当以下项目全部一致时复用 novelty 结果：

• method_fingerprint_hash；
• query_policy_version；
• 目标任务和检索范围；
• search_cutoff_date 未过期。

任一项变化时使缓存失效。不得仅凭文件名存在跳过查新。

已有候选和缓存时运行：

python "{skill_dir}/scripts/check_method_cache.py" --current <candidate.json> --cached <cached-candidate.json> --max-age-days 30

只有脚本输出 CACHE_VALID 时才能复用。

准备迁移模式库：

1. 优先使用用户指定路径，否则使用仓库根目录 transfer-patterns.yaml。
2. 只读取 # @pattern id=<id> keywords=<keywords> 索引行。
3. 阶段 2 选中 pattern 后再读取对应 YAML 块；不要全文加载模式库。
4. 模式库缺失时继续任务，并记录 missing。

每次检索都写入 search_log.jsonl，至少记录时间、阶段、RQ、query、query family、命中的 claim atom、top results、使用目的、决定和原因。

阶段 1：先建立同任务方法版图

在跨领域迁移前，先检索目标任务本身。覆盖：

• survey、review、taxonomy、roadmap；
• benchmark、dataset、challenge、leaderboard；
• limitation、failure、negative result、robustness、OOD；
• 主流方法族、经典 anchor、近年代表方法；
• 相邻任务和不同术语下的同构问题；
• 代码、官方 benchmark 页面和数据说明。

优先使用论文原文、官方 benchmark 和作者代码等一手来源。记录至少两个同任务 anchor；若确实不足，标记 insufficient_search_coverage，不得用跨领域论文补足同任务 anchor 数量。

按搜索环扩展：

• R0：用户给定术语；
• R1：核心论文、survey、benchmark；
• R2：R1 的参考文献、被引工作、related work 和同作者后续工作；
• R3：相邻任务；
• R4：抽象机制对应的外部领域；
• R5：代码、数据、工具、工业系统。

阶段 1 的产物必须包含 approach_families、same_task_anchors、terminology_map 和 known_failure_modes。后续 novelty search 必须复用这些字段。

阶段 2：抽取有证据的问题缺口

仅保留有论文或 benchmark 证据的问题：

• 多个独立来源重复出现的问题优先。
• 只有单篇来源时标记 weak_evidence。
• 区分作者明确提出的 limitation 与 agent 推断。
• 缺少关键证据时使用 [uncertain]，不得包装成 confirmed problem。

对每个 gap：

1. 记录问题、已有尝试、失败模式、评测缺口和为什么仍未解决。
2. 从这些字段中提取 5–12 个检索关键词。
3. 用 scripts/select_patterns.py 或索引搜索选择最多 5 个迁移 pattern。
4. 记录 pattern 的命中关键词和选择理由。
5. 用 validate_json.py 检查字段覆盖；不要据此判断新颖性。

阶段 3A：生成跨领域候选

对每个 gap：

1. 构造 surface_problem、abstract_problem、mechanism_keywords 和 source_domain_seeds。
2. 读取选中的 pattern 块，用 transfer、use_when 和 queries 扩展源领域。
3. 搜索外部方法及其有效性证据；不要把 pattern 匹配本身当成创新点。
4. 生成候选机制骨架，说明预测对象、信息流、训练信号和拟修改的目标组件。
5. 写出一句可证伪的 claimed_contribution，然后进入阶段 3B。此时不要先写完整论文故事。

若候选来自上一轮 revise，必须针对最近邻重合、贡献不清或不可验证等具体原因修改机制；只改名字或表述视为同一候选。

阶段 3B：冻结方法指纹与贡献原子

按照 artifact schema 写出：

• method_name、target_domain、target_task、target_benchmark；
• adjacent_tasks；
• claimed_contribution；
• method_fingerprint；
• claim_atoms。

method_fingerprint 至少包含：

• task_scope；
• prediction_units 或输出对象；
• architecture 和信息流；
• learning_objectives；
• structural_constraints；
• supervision；
• claimed_delta。

将贡献拆成原子。删除某原子会使主贡献不成立时，将其标为 core: true。每个核心原子至少给出一个术语同义表达。

运行：

python "{skill_dir}/scripts/build_novelty_queries.py" --candidate <candidate.json> --output <query-plan.json>

把脚本生成的 method_fingerprint_hash、query_policy_version 和 queries 写入 novelty audit。候选修订后重新运行；hash 变化时废弃旧 audit。

阶段 3C：执行对抗性最近邻检索

将搜索目标设为：“哪篇论文会让审稿人认为这个候选已经做过或只是增量？”

严格执行：

1. 完成 query plan 中所有 required query families。
2. 每个核心原子至少出现在 2 个已执行查询中，且跨至少 2 个 query family。
3. 至少执行一个完全不含目标 benchmark 和最终方法名的机制查询。
4. 检索同任务、相邻任务和跨领域结构等价方法。
5. 对至少两个最接近的同任务 anchor 做一跳 backward/forward citation snowball；同时检查 related work 和作者后续工作。
6. 阅读最接近论文的原文方法部分，不得只依据搜索摘要判定 overlap。
7. 选出 2–5 篇最近邻工作，按 exact、structural、component、adjacent 或 none 分级。
8. 建立 paper × claim atom overlap matrix，并为每个覆盖判断记录论文位置或证据摘要。
9. 单独写 adversarial_review.rejection_case；先陈述最强反对意见，再决定 verdict。
10. 运行语义验证：

python "{skill_dir}/scripts/validate_novelty_audit.py" --candidate <candidate-with-audit.json>

应用状态：

• already_applied：同任务中已有 exact prior。
• structural_equivalent：核心预测对象、拓扑或学习目标已被结构等价方法覆盖。
• component_collision：一个或多个核心组件已有先例，但仍可能存在实质组合或机制差异。
• residual_novelty：覆盖门禁完成，未发现 exact/structural equivalent，最近邻剩余差异属于实质机制、问题形式、学习目标、监督或评测协议。
• insufficient_search_coverage：无法完成查询、anchor、citation 或原文证据覆盖。

already_applied 和 structural_equivalent 可以凭直接原文证据提前排除，但必须记录来源。component_collision 必须回到阶段 3B 收缩贡献或解释非平凡交互。insufficient_search_coverage 不得进入推荐列表。

阶段 4：应用、可行性与顶会创新性审核

仅为 residual_novelty 候选展开完整方案：

• 目标组件、机制映射、实现步骤、所需信号或数据；
• 要修改的强 baseline；
• 可验证研究假设和最小实验；
• 成功指标、关键消融、泛化与失败分析；
• 工程、数据和评估难度；
• 风险与 fallback。

执行 novelty reviewer 与 feasibility reviewer 两个逻辑独立的 pass。deep 或 exhaustive 且运行环境允许时，可把 falsifier pass 交给独立子 agent；只传候选 artifact 和来源，不传 proposer 的新颖性结论。否则由同一 agent 在独立小节完成。

顶会审核必须：

• 列出 2–5 篇最近邻 prior work；
• 说明每篇论文覆盖哪些 claim atoms；
• 明确最近论文的 remaining_delta 和 residual_delta_type；
• 给出一句论文主贡献；
• 判断差异是否具有非平凡性、通用性和可验证性。

verdict：

• go：coverage gate 完成，最小实验可信，且 top_conference_bar 至少为 medium。
• revise：存在 component collision、贡献不清、最近邻差异过小或实验不能验证核心机制；返回阶段 3B，必要时返回阶段 3A。
• hold：关键依赖不可获得、只能形成常规工程集成，或三轮修订仍不能形成可信 residual novelty。

仅 go 可设置 approved_for_report: true。设置后必须运行：

python "{skill_dir}/scripts/validate_novelty_audit.py" --candidate <candidate-with-audit.json> --require-reportable

验证失败时取消批准并返回对应阶段，不得人工绕过。

阶段 5：生成报告与 claim audit

仅报告 approved_for_report: true 的机会。其他状态只能进入“风险、反例与排除项”，并说明排除原因。

为关键 claim 建立 claim_audit.json，覆盖：

• 问题是否真实存在；
• 迁移方法为何相关；
• novelty coverage 是否充分；
• 最近邻差异；
• 可行性与顶会判断；
• 风险与不确定性。

每个 claim 都要能追溯到 search_log.jsonl。support_type: inferred、confidence: low 或 unsupported_risk: high 的 claim 不得作为推荐项核心论据。

报告第一次出现方法、数据集、benchmark、模型和指标名称时，使用 English term(中文释义)。报告至少包含：

1. 领域现状与同任务方法版图；
2. 有论文证据的问题缺口；
3. 跨领域候选及迁移机制；
4. 方法指纹与贡献原子；
5. 查询覆盖、citation neighborhood 和遗漏风险；
6. 最近邻 overlap matrix；
7. 排除、修订与保留候选；
8. 最小实验与顶会创新性审核；
9. 排序后的 3–5 个研究假设；
10. 参考文献。

搜索深度与停止条件

默认使用 deep：

• light：只用于用户明确要求快速扫描；结果默认不得宣称 residual novelty。
• standard：完成同任务版图和主要 query families。
• deep：完成全部覆盖门禁、一跳 citation snowball、相邻任务和原文核验。
• exhaustive：增加专利、工业报告、更深 citation graph 和更多机制同义表达。

停止条件必须基于覆盖，而不是“连续若干结果没有新论文”：

• 发现 exact 或 structural equivalent：记录证据并提前排除。
• 所有核心原子、required query families、同任务 anchors 和 citation neighborhood 已覆盖，且新检索不再改变最近邻排序：允许结束 novelty search。
• 来源不可访问或同任务 anchor 不足：标记 insufficient_search_coverage。
• 找不到可信 baseline、数据或指标：在阶段 4 标记 hold。

不要用未通过门禁的候选凑够 3–5 个推荐项；可信候选不足时如实报告。