Autoresearch Probe 深度解析：8 人格对抗式需求审讯引擎与饱和收敛机制

AI 技能人工智能AI 评测开发工具【免费下载链接】autoresearchClaude Autoresearch Skill — Autonomous goal-directed iteration for Claude Code. Inspired by Karpathys autoresearch. Modify → Verify → Keep/Discard → Repeat forever.项目地址https://gitcode.com/gh_mirrors/auto/autoresearch点击查看免费下载本文基于 plugins/autoresearch/skills/autoresearch/probe.md 命令定义结合 guide/autoresearch-probe.md 完整指南与 SKILL.md 路由框架全面讲解 Autoresearch 的:probe子命令——一个让 8 个对抗式人格持续拷问需求与代码库、直到约束产出达到饱和才停止的需求审讯引擎。读完本文你将掌握 probe 的全部参数、九阶段轮次循环、饱和判定算法、输出产物结构以及--chain链式交接协议并能直接把它接入probe → plan → 经典迭代循环的完整工作流。1. 为什么需要 probe单次提问收集不到真正的需求传统的一次性需求采集你的目标是什么只能收集到用户当下能说出口的内容而非工作实际要求的内容。模糊的意图会逐层放大——每一次建立在未言明假设上的迭代都会成倍放大后期返工的成本。:probe的解法是让 8 个对抗式人格personas同时审讯用户与代码库一轮轮收割原子化约束atomic constraints直到继续提问不再产生新约束时机械地停止。这正是 Autoresearch 体系中唯一一个以饱和度saturation而非迭代次数为终止依据的子命令被 CONTEXT.md 术语表归类为典型的饱和循环Saturation loop不断迭代直到净新增输出连续 N 轮低于阈值。从 SKILL.md 的子命令总表可见probe 的默认迭代上限为 15 轮定位是8 personas interrogate requirements until saturation。而在编排器Orchestrator路由中probe 同样承担着关键的前置角色——explore探索与ship-ready上线就绪两类目标原型的预设管线都以 probe 为第一步见 references/orchestrator-routing.md。2. 命令入口与参数解析Parse Arguments命令的 frontmatter 声明了完整的参数提示[Topic: text] [Scope: glob] [--depth shallow|standard|deep] [--personas N] [--mode interactive|autonomous] [Iterations: N] [--evals]执行时从$ARGUMENTS中按以下规则解析参数解析规则默认值 / 取值Topic:剥离关键字后剩余文本即为主题若无关键字则整个$ARGUMENTS视为主题必填或走交互 SetupScope:或--scope用于代码库锚定codebase grounding的文件 glob不传时按代码库实际情况提示Depth:或--depth轮次深度上限shallow5 轮、standard15 轮、deep30 轮--personas N或Personas:激活的人格数量3–8默认 6--saturation-threshold N每轮净新增约束低于该值则计入饱和窗口默认 2--mode或Mode:回答方式interactive默认经request_user_input/AskUserQuestion提问或autonomousagent 依据代码库自答--adversarial将敌意人格轮换到前列默认关闭Iterations:或--iterations硬性轮次上限默认 15unlimited表示不设上限--evals/--evals-interval N中途评估检查点见第 8 节--chain/--subcommand完成后的链式交接目标支持plan、predict、debug、scenario、reason、fix、ship、learn等见 README.md需要注意的优先级关系Iterations: N是硬性上限会覆盖--depth设定的轮次上限而Iterations: unlimited则允许 probe 一直跑到饱和为止。这一点与 README.md 中所有循环命令默认有界、unlimited 需要显式开启的安全不变量一致。3. Setup主题缺失时的四项交互引导如果调用时没有提供Topicprobe 会通过request_user_input进行**单批single batch**四项提问全部回答后跳过引导Q1 (Topic)要审讯什么——自由文本描述功能、需求或设计Q2 (Scope)哪些文件作为上下文——建议 glob 加上整个代码库Q3 (Depth)要多深——shallow5 轮、standard15 轮、deep30 轮、unlimitedQ4 (Mode)如何回答人格提问——interactive你来回答或autonomousagent 从代码推断。这也是 Autoresearch 所有命令的统一交互风格不带参数直接调用命令agent 会结合代码库给出智能默认值并补齐缺失项见 README.md 的命令交互说明。4. 8 个人格对抗式审讯的视角矩阵probe 的核心机制是 8 个各具攻击面的人格来自 plugins/autoresearch/skills/autoresearch/probe.md 的定义#人格Persona关注焦点Focus1Domain Expert领域专家业务规则、领域约束、术语体系2End User终端用户可用性、用户预期、错误恢复3Skeptic怀疑者哪些假设可能是错的4Edge-Case Hunter边界猎人边界条件、罕见场景5Ops Engineer运维工程师部署、监控、扩展、故障模式6Security Reviewer安全审查员攻击向量、数据保护、认证授权7Contradiction Finder矛盾发现者需求之间的冲突8Scope Guardian范围守护者特性蔓延、不必要的复杂度默认激活前 6 个当传入--adversarial时将Skeptic Contradiction Finder Edge-Case Hunter轮换到队列最前让最具攻击性的人格先行发难。作为补充视角guide/autoresearch-probe.md 记录了这套人格机制的另一种对抗式命名Skeptic、Edge-Case Hunter、Scope Sentinel、Ambiguity Detective、Contradiction Finder、Prior-Art Investigator、Success-Criteria Auditor、Constraint Excavator并注明其默认激活为前 6 个、--adversarial将 Skeptic、Contradiction Finder、Edge-Case Hunter 前置——两处文档对敌意三件套的描述完全一致可见这三个角色是 probe 对抗性的核心承重墙。5. 九阶段轮次循环从种子到饱和的完整流水线Phase 1: Seed种子播种将主题解析为初始约束集若提供了--scope读取代码库上下文初始化约束注册表constraint registry初始为空。Phase 2: Persona Activation人格激活每轮从 8 个人格中轮转选取 2–3 个保证遍历全部 8 个每个人格从其视角生成3–5 个审讯问题。Phase 3: Codebase Grounding代码库锚定将问题与现有代码对照验证并给每个问题标注相关file:line、现有行为、缺口gaps。这一步是 probe 区别于普通头脑风暴的关键——问题不能脱离代码事实凭空存在。这也解释了为什么 guide/autoresearch-probe.md 的 probe vs plan 对比表中代码库锚定Phase 3在 probe 中是强制环节而在 plan 中是可选环节。Phase 4: Answer Capture答案采集交互模式通过request_user_input呈现问题、收集回答自治模式从代码库上下文推断答案并给每条答案标注置信度high / medium / low。Phase 5: Constraint Extraction约束抽取将回答解析为原子约束每条约束包含五个要素id、来源人格source persona、描述description、置信度confidence、证据evidence。新约束需与注册表中已有约束去重。术语对照根据 CONTEXT.mdprobe 产出的Constraint被定义为从人格审讯中提取的需求。原子化、去重、带有置信度与证据。约束是产品绝对不能违反的东西——它与 predict/security 的 Finding描述当前状态是什么有本质区别。Phase 6: Cross-Check交叉校验将新约束与既有约束交叉比对检查冲突并标记待解决矛盾交互模式下询问用户自治模式下记录不确定性。Phase 7: Saturation Check饱和检查统计本轮净新增约束数net-new constraints。若连续3 轮净新增均低于saturation_threshold默认 2则判定SATURATED并退出循环。同时持续跟踪约束总数、本轮新增数、饱和窗口计数。Phase 8: Log记录向输出追加轮次号、激活的人格、提问数、抽取的约束、净新增数。Eval Checkpoint评估检查点若指定--evals当当前轮次 % interval 0时触发检查点interval 计算见第 8 节。Bounded Check有界检查若设置了轮次上限且当前轮次 max_iterations退出循环。6. 饱和判定让数学决定何时该停饱和是 probe 的机械终止条件guide/autoresearch-probe.md 给出了完整的判定数学saturation_threshold 2 默认——每轮净新增原子数 window_K 3 默认——连续低于阈值的轮数 Round 1: 14 atoms Round 2: 9 atoms Round 5: 2 atoms —— 进入窗口 Round 6: 1 atom Round 7: 1 atom —— window[2,1,1] 全部 阈值 → SATURATEDprobe 的终止状态共有四种另有 guide 补充的第五种状态含义SATURATED净新增连续 K 轮低于阈值默认 2/轮 × 3 轮BOUNDEDIterations: N轮次上限耗尽USER_INTERRUPT轮次中途 CtrlC 或用户回答stopERROR执行出错SCOPE_LOCKED见 guide连续 2 轮所有原子均被分类为范围之外从 CONTEXT.md 的循环形态分类可以看出probe 是典型的饱和循环迭代的停止依据不是目标距离而是净新增输出是否持续低于阈值——这与核心 metric 循环按指标方向 keep/discard是两种完全不同的收敛语义。7. Phase 9: 综合与输出循环结束后probe 创建输出目录autoresearch/probe-{YYMMDD}-{HHMM}/依次写入三类核心产物constraints.md—— 按类别组织的完整约束注册表conflicts.md—— 未解决的矛盾清单summary.md—— 内含一份可直接运行的 Autoresearch 配置由约束推导出Goal、Scope、Metric、Verify并以代码块形式内嵌。随后打印总轮次、发现的约束数、饱和状态、未解决的冲突数。最后输出摘要总轮次、总约束数、净新增趋势、饱和状态、影响力最高的 Top 5 约束。guide/autoresearch-probe.md 给出了更细的输出结构对应probe/{YYMMDD}-{HHMM}-{slug}/可作为工程化参考probe/{YYMMDD}-{HHMM}-{slug}/ ├── probe-spec.md 叙事化需求文档 ├── constraints.tsv (round, persona, atom, type, flag, source) ├── questions-asked.tsv (round, persona, question, answer, atoms_extracted) ├── contradictions.md Contradiction Finder 发现的跨回答冲突 ├── hidden-assumptions.md 悄然否定既有约束的隐藏假设 ├── autoresearch-config.yml 开箱即用的 Goal/Scope/Metric/Direction/Verify ├── summary.md 复合指标、终止原因、人格贡献度 └── handoff.json 链式交接文件与 predict 的 handoff.json 同构其中autoresearch-config.yml是 probe 的主交付物可以直接喂给下一个命令例如goal: Add OAuth2 password-grant flow to /api/v1/auth scope: src/api/auth/**, src/middleware/auth.ts, tests/auth/** metric: auth_score passing_tests * 10 zero_secrets_in_logs * 50 direction: minimize verify: npm test -- auth/ npm run lint guard: no new dependencies; no breaking changes to /api/v1/users iterations: 25注意这里已经包含了经典循环所需的全部五个原始要素Goal/Scope/Metric/Direction/Verify外加可选的 guard 与迭代数——probe 的输出本质上就是下一阶段 Autoresearch 循环的启动弹药。8. Eval Checkpoint中途评估--evals当--evals存在时probe 会在循环中途插入评估检查点间隔计算floor(max_iterations / 3)最小为 1若为unlimited则固定为 10打印格式--- Eval Checkpoint (rounds {X}-{Y}) --- Constraints: {total} ({new}) | Saturation: {window_count}/3 {recommendation} ---早停建议若连续3 个以上检查点都处于饱和状态则推荐提前停止最终汇总循环结束时输出完整 evals 汇总到evals-summary.md。该机制与 SKILL.md 的通用--evals标志语义一致所有循环类子命令都支持中途检查点 最终汇总且--evals-interval N可覆盖默认频率。9. Chain Handoff链式交接协议probe 通过handoff.json与下游命令交接交接内容version:2.1.0source:probetimestamp时间戳statusCOMPLETE | SATURATED | USER_INTERRUPT | BOUNDED | ERRORfindings约束集config推导出的 Autoresearch 配置随后按--chain指定的顺序调用下一个目标并将--evals标志向下游传播。这一协议正是 guide/chains-and-combinations.md 所描述的 Autoresearch 链式设计的基石每个命令的输出通过handoff.json直接喂给下一个命令零复制粘贴、零上下文丢失。在 CONTEXT.md 中Chain 被定义为子命令之间通过 handoff.json 的顺序交接probe 的 handoff 结构与 predict 同构意味着它可以无缝接入任何下游。10. 两种模式交互式与自治式交互模式默认每轮 probe 将最多 5 个问题批量打包为一次request_user_input调用你每轮只需回答一次。这是人机协同需求澄清的最优形态适合模糊需求的人工参与。自治模式--mode autonomous由 agent 从代码库 人格推理自答每条原子标记confidence: low|med|high。典型适用场景继承代码库inherited codebases先向人类提问之前先从代码中反推意图CI/CD 门禁用当前代码审视过期的规格文档发现矛盾即失败引导启动bootstrapping自动生成一份供评审的初始配置。probe vs plan什么时候用哪个维度/autoresearch:plan/autoresearch:probe轮次1直到饱和典型 8–12 轮人格16–8 个对抗式代码库锚定可选强制Phase 3输出5 个原始要素5 个原始要素 constraints.tsv contradictions hidden-assumptions适用场景意图清晰意图模糊或需要对抗式预检判断准则很直接如果你能一句话说清 Goal/Scope/Metric用plan如果大概率要连续三轮对但是……才能说清楚用probe。11. 实战用法与链式模式基础调用# 无界——一直审讯到饱和 /autoresearch:probe # 有界——精确 10 轮 /autoresearch:probe Iterations: 10 # 内联主题 标志 /autoresearch:probe --depth deep --personas 8 --adversarial Topic: Migrate session storage from Redis to Postgres # 代码库锚定强烈推荐用于继承代码 /autoresearch:probe --scope src/auth/** Topic: Tighten OAuth2 token validation # 自治模式无用户提示 /autoresearch:probe --mode autonomous --scope src/checkout/** Topic: Identify race conditions in checkout flow # 链式——probe 合成配置后直接跑 Autoresearch 循环 /autoresearch:probe --chain plan Topic: Add rate limiting to /api/v1/*链式模式一probe → autoresearch最常见/autoresearch:probe Topic: Reduce p95 latency on /search to under 50ms # 约 12 轮后饱和产出 autoresearch-config.yml /autoresearch Goal: (from probe-spec.md) Scope: (from autoresearch-config.yml) Metric: (from autoresearch-config.yml)链式模式二probe → predict/autoresearch:probe --chain predict Topic: Add multi-tenant isolation to the database layer链式模式三probe → scenario,debug,fix/autoresearch:probe --chain scenario,debug,fix --scope src/payments/** Topic: Harden checkout against partial-failure modesprobe 揭示约束 → scenario 枚举情境 → debug 追猎缺陷 → fix 修复逐级放大上下文见 guide/chains-and-combinations.md 的probe → scenario,debug,fix详解。链式模式四probe → improve/autoresearch:probe --improve Topic: Improve checkout conversion for enterprise B2B SaaSprobe 的约束作为种子喂给 improveimprove 随后研究 ICP 挑战与竞品缺口、产出 PRDimprove 是终端发射器PRD 交由外部工具消费。在编排器Orchestrator体系中这些链式用法被进一步自动化explore原型的预设管线为probe → scenario → planship-ready为probe → debug → fix → regression → ship——probe 始终站在探索与上线管线的第一棒位置见 references/orchestrator-routing.md。12. 反模式probe 最容易踩的四个坑反模式为什么会失败模糊的问题这个完整吗产生不了任何原子——每个问题都必须逼出一个原子约束人格漂移persona drift怀疑者必须保持怀疑不能退化成规划师接受听起来不错含糊的回答会被重新排队绝不作为约束抽取跳过代码库锚定缺少 Phase 3问题会重复代码里已经做过的决策这四条反模式本质上是同一件事的四个侧面probe 的价值密度取决于问题是否逼迫出可验证的原子约束、人格是否保持对抗性、代码库是否持续提供证据。13. 从源码视角看 probe 在体系中的位置从仓库结构可以交叉印证 probe 的定位与实现边界命令定义plugins/autoresearch/skills/autoresearch/probe.md 与 claude-plugin/commands/autoresearch/probe.md 是同源的两份部署副本后者面向 Claude Code 命令目录交互原语为AskUserQuestion前者为通用技能形态使用request_user_input内容覆盖参数解析、8 人格表、Phase 1–9、饱和检查、Eval Checkpoint 与 Chain Handoff路由总表SKILL.md 将 probe 登记为默认 15 轮的饱和循环命令并支持全部通用标志Iterations、--evals、--chain、--subcommand简写编排路由references/orchestrator-routing.md 将 probe 编入explore、ship-ready的预设管线首步且预设只是先验路由器会根据handoff.json的实际状态errors、regression verdict、untested_gaps动态调整后续跳数术语契约CONTEXT.md 定义了 Constraint产品绝对不能违反的原子需求与 Saturation净新增连续 N 轮低于阈值的权威语义所有子命令共享同一词汇表。从代码结构看probe 本身不修改代码——它的全部产出是需求侧的结构化知识约束、矛盾、隐藏假设与一份可执行的起始配置真正的修改动作由链条下游的 debug/fix/经典循环完成。这与 README.md 中Autoresearch 约束 机械指标 自主迭代的整体哲学一脉相承probe 负责把约束这一要素从隐性变为显性、从模糊变为原子化、从口头变为可验证。14. 小结:probe是 Autoresearch 体系中把模糊意图转化为结构化约束的第一站8 个对抗人格轮番审讯、代码库全程锚定、每轮抽取原子约束、连续 3 轮净新增低于阈值默认 2即机械饱和最终输出约束注册表、矛盾清单与一份开箱即用的autoresearch-config.ymlGoal/Scope/Metric/Direction/Verify并通过handoff.json无缝衔接 plan、autoresearch、scenario、debug、fix、improve 等任意下游。无论你是面对继承代码库想反推意图还是在 CI/CD 中校验规格与代码的一致性probe 提供的都是同一套答案让对抗与证据代替直觉让饱和阈值代替差不多了。进一步阅读完整使用指南 · 链式组合总览 · 编排器路由 · 领域术语表 · 入门指南赞分享AI 技能人工智能AI 评测开发工具【免费下载链接】autoresearchClaude Autoresearch Skill — Autonomous goal-directed iteration for Claude Code. Inspired by Karpathys autoresearch. Modify → Verify → Keep/Discard → Repeat forever.项目地址https://gitcode.com/gh_mirrors/auto/autoresearch点击查看免费下载相关推荐Autoresearch :probe 需求审讯引擎实战指南8 人格对抗式约束挖掘与饱和停止机制Autoresearch :probe 需求审讯引擎实战指南8 人格对抗式约束挖掘与饱和停止机制 /autoresearch:probe 是 AutoreseAI 技能人工智能AI 评测开发工具Autoresearch Probe 深度指南8 大对抗人格饱和盘问需求自动产出可执行配置Autoresearch Probe 深度指南8 大对抗人格饱和盘问需求自动产出可执行配置 本文围绕 Claude Code 插件 autoresearchAI 技能人工智能AI 评测开发工具Claude Autoresearch 的 probe 命令用 8 个对抗式人格把模糊需求盘问到约束饱和Claude Autoresearch 的 probe 命令用 8 个对抗式人格把模糊需求盘问到约束饱和 导读 本文深入剖析 Claude AutoreseaAI 技能人工智能AI 评测开发工具上一篇GSD 可配置的 CLAUDE.md 路径claude_md_path 配置项深度指南下一篇开源工具RePKGWallpaper Engine资源处理与高效转换全指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考