AI 技能人工智能大模型深度学习【免费下载链接】AI-Research-SKILLsComprehensive open-source library of AI research and engineering skills for any AI model. Package the skills and your claude code/codex/gemini agent will be an AI research agent with full horsepower. Maintained by Orchestra Research.项目地址https://gitcode.com/gh_mirrors/ai/AI-Research-SKILLs点击查看免费下载本篇技术指南以research-manager技能的常开会话协议session-protocol为骨架完整剖析 AI 研究 Agent 如何在不打断任务的前提下自动记录决策、实验、死胡同、主张与启发式并通过ara/目录实现跨会话记忆重建。读完本文你将掌握会话启动加载、事件检测循环、provenance 判定、冲突检测、会话收尾与紧急断线恢复的完整可落地流程以及与之配套的事件分类、溯源标签与 ARA 目录结构的实战细节。一、协议定位为什么需要一个常开的会话协议research-manager即 Live PMLive Research Project Manager是一套面向 AI 研究 Agent 的现场研究项目经理技能。其核心思想是研究过程中的每个决策、每个实验、每条主张都值得被结构化记录下来形成一份可被 Agent 和人类共同阅读、检索、引用的 Agent-Native Research ArtifactARA。而 session-protocol.md 描述的就是这份记录机制如何随会话自动运转的完整内部规程——它Always-On常开无需任何命令触发在会话开始、进行中、结束三个阶段分别执行既定动作。协议的首要设计原则是可见性最小化、侵入性最小化不打断用户的任务流记录动作全部静默完成不污染工作上下文ara/目录只在需要时读取避免占用宝贵的上下文窗口不伪造历史只记录真实发生或讨论过的事件绝不编造不越权升级AI 的推断永远标记为ai-suggested只有用户显式确认后才能升级为user。协议文档开头即声明The Live PM runs automatically. No commands needed.Live PM 自动运行无需任何命令。这一定位与epilogue 式的补充说明不同——后者见 SKILL.md 中的描述强调在任务结束后扫描会话历史而本协议更强调实时、增量、贯穿全程的记录方式两种视角共同构成 ARA 的完整记录体系。二、会话开始自动执行每次新会话启动时Live PM 会根据ara/目录是否存在走两条不同的分支。2.1 当ara/目录已存在第一步静默读取状态。不向用户播报任何日志直接读取三个核心文件以重建上下文文件读取内容用途ara/trace/sessions/session_index.yaml上次会话日期、摘要、未解决问题线程open threads判断我们上次停在哪里ara/logic/claims.md按状态统计的主张数量掌握已知 vs 未知的全局视图ara/staging/observations.yaml待处理观察数、可晋升候选识别遗留的松散线索第二步按需交付简报contextual briefing。这是协议中非常讲究的分寸感用户直接进入任务 → 把上下文织入第一句回复而非单独铺开。协议给出了示例话术Before we dive in — last session you were testing C04, result was 92%. Two open threads. 在开始之前——上次会话你在测试 C04结果是 92%还有两个未解决问题的线程。用户主动问现在进展如何 / 上次停在哪 → 给出完整简报绝不在用户明显有明确任务时用简报抢占开头。第三步创建会话记录。按ara/trace/sessions/YYYY-MM-DD_NNN.yaml命名规则新建当日会话文件NNN为当日序号初始化为起始时间 空事件列表。2.2 当ara/目录不存在协议明确约束了初始化行为避免打扰用户首次交互不主动创建ara/只有当检测到研究级讨论决策、假设、实验时才问一次Want me to track this projects research process? Ill set upara/.用户确认后执行完整目录初始化并从当前对话内容 bootstrap 种子数据。初始化需要创建完整的 ARA 目录结构命令来自 SKILL.md 的 Initialization 一节mkdir -p ara/{logic/solution,src/{configs,kernel},trace/sessions,evidence/{tables,figures},staging}随后写入 8 个种子文件文件初始内容ara/PAPER.md根清单从项目上下文推断标题、作者、venueara/trace/sessions/session_index.yamlsessions: []ara/trace/exploration_tree.yamltree: []ara/staging/observations.yamlobservations: []ara/logic/claims.md# Claimsara/logic/problem.md# Problemara/logic/solution/heuristics.md# Heuristicsara/evidence/README.md# Evidence Index三、会话进行中持续、隐形的记录循环3.1 事件检测循环Event Detection Loop在每一次实质性交流之后Live PM 都要对刚刚发生的交流做一次八项检查把事件路由到对应的 ARA 文件1. Decision made? → write to exploration_tree.yaml 做出了决策 2. Result observed? → write to exploration_tree.yaml evidence/ 观察到了结果 3. Approach failed? → write dead_end to exploration_tree.yaml 方案失败了 4. Claim stated? → write to claims.md 陈述了主张 5. Trick discovered? → write to heuristics.md 发现了技巧 6. Direction changed? → write pivot to exploration_tree.yaml 方向改变了 7. AI wrote code? → log to session record (ai_actions) AI 写了代码 8. Interesting note? → write to staging/observations.yaml 有趣的零散笔记这套循环与 event-taxonomy.md 中的完整事件分类相互印证。事件被分为五类各有明确的路由目标事件类别类型路由目标研究事件question / decision / experiment / dead_end / pivottrace/exploration_tree.yaml知识事件claim / heuristic / concept / constraint / architecturelogic/对应文件证据事件result_table / result_figure / metricevidence/对应文件过程事件ai-action / ai-suggestion / user-direction会话记录session record暂存事件observation无法归类的有趣内容staging/observations.yaml同时event-taxonomy 给出了一条路由决策树帮助判断一条信息该去哪是否是在多个备选间做选择 → decisiontrace 是否是定量结果/实验产出 → experimenttrace 证据数据evidence/ 是否是被放弃且有原因的方案 → dead_endtrace 是否是可证伪的断言 → claimlogic/claims.md 是否是有原理支撑的实现技巧 → heuristiclogic/solution/heuristics.md 是否是重大方向转变 → pivottrace 是否是正在探索的研究问题 → questiontrace 以上都不是 → observationstaging不值得记录的内容协议明确列出避免记录噪音常规文件读取、拼写修正、格式调整、git 操作、依赖安装以及澄清性问题除非其答案是决策。3.2 写入协议Writing Protocol向 ARA 文件写入任何内容都必须遵守六条铁律先读目标文件获取下一个可用 ID避免 ID 冲突只追加Append绝不覆盖已有内容立即建立绑定bindingsclaim→proof、heuristic→code_ref、decision→evidence使用正确的 provenance 标签依据信息的产生者判定保持 YAML 合法——写入前在脑中校验结构保持沉默——除非被问到不要在对话里提及记录动作。ID 约定来自 event-taxonomy是全局递增的探索节点用N01、主张用C01、启发式用H01、实验计划用E01、观察用O01、会话用日期_序号如2026-03-11_001。自动递增的规则是必须先读现有文件找到当前最大 ID再创建新 ID。3.3 Provenance 决策树溯源标签如何判定溯源provenance是 ARA 体系的基石——它决定了一条知识的认知地位用户亲口说的主张与 AI 从代码输出推断出的主张权重完全不同。会话协议给出如下决策树用户显式输入/说出 → provenance: user AI 运行了代码/测试/命令并产出该信息 → provenance: ai-executed AI 注意到了模式、推断出含义、提出了解释 → provenance: ai-suggested 用户修正了 AI 的建议 → provenance: user-revised 不确定 → provenance: ai-suggested保守默认值四种标签的完整语义在 provenance-tags.md 中展开标签适用场景示例user用户显式陈述、输入或确认Lets use GQA用 GQAai-suggestedAI 推断/提出用户未确认AI 注意到一个代码模式ai-executedAI 执行了动作写代码、跑测试、建文件AI 写了 scheduler.pyuser-revisedAI 建议后用户做了修正不对阈值是 90%provenance-tags.md 还补充了升级路径规则ai-suggested只有在用户显式确认后才能升级为user或user-revised沉默不等于确认——AI 提出建议后用户不回应该条目保持ai-suggested不变。此外还提供了会话记录中的 provenance 聚合统计格式provenance_summary: user_confirmed: 5 ai_suggested: 3 ai_executed: 7 user_revised: 1 confirmation_rate: 0.625 # user / (user ai-suggested)这个confirmation_rate人工确认率是衡量 ARA 整体可信度的重要信号人类确认的知识占比越高artifact 质量信号越强。3.4 会话记录Session Record里积累什么运行中的会话记录trace/sessions/YYYY-MM-DD_NNN.yaml是本次会话的单一事实来源累计以下几类内容写入任意 ARA 文件的每个事件类型、ID、provenance、一行摘要AI 动作写了什么代码、跑了什么命令、创建/修改了哪些文件被触动的主张哪些 claim 被创建、推进、削弱或确认未解决问题的线程open threads未解决的问题或未完成的工作待确认的 AI 建议AI 提出但用户尚未确认的内容。对应的完整 YAML 结构来自 SKILL.md 的 Writing Formats 一节如下session: id: YYYY-MM-DD_NNN timestamp: YYYY-MM-DDTHH:MM summary: {one-line summary of what happened} events_logged: - type: decision | experiment | dead_end | pivot | claim | heuristic | observation id: {N/C/H/O}{XX} provenance: user | ai-suggested | ai-executed | user-revised summary: {what} ai_actions: - action: {what AI did} provenance: ai-executed files_changed: [{paths}] claims_touched: - id: C{XX} action: created | advanced | weakened | confirmed provenance: user | ai-suggested open_threads: - {what needs follow-up} ai_suggestions_pending: - {unconfirmed AI suggestions from this session}3.5 冲突检测Conflict Detection写入新条目时Live PM 必须对照已有内容做冲突检查这是 ARA 保持认知一致性的关键机制冲突情形处理动作新主张与既有主张矛盾在双方条目上添加!-- CONFLICT: see C{XX} --注释新证据削弱既有主张将对应 claim 的状态更新为weakened新决策推翻旧决策以pivot类型记录并链接到原始决策四、会话结束自动执行4.1 结束触发条件Live PM 通过以下信号判断会话即将/已经结束对话明显收尾谢谢、就这些了、用户不再发言上下文窗口被压缩系统开始总结旧消息说明会话进入尾声用户显式告别或表示工作完成。4.2 收尾流程第一步终结会话记录。设置ended时间戳写一行核心摘要会话主要成果并确保所有缓冲事件已 flush 到各 ARA 文件。第二步更新会话索引。向ara/trace/sessions/session_index.yaml追加一条记录- id: YYYY-MM-DD_NNN date: YYYY-MM-DD summary: {main outcome} events_count: {N} claims_touched: [C{XX}, ...] open_threads: {N}第三步对 staging 区执行成熟度检查Maturity Check。协议定义了三条晋升规则同一主题有 3 条观察→ 自动晋升到对应层级标记为ai-suggestedprovenance带实验证据的观察→ 晋升到evidence/过时条目跨越 3 个以上会话仍未处理→ 标记stale: true。SKILL.md 中的 Maturity Tracker 补充了一条与某条主张矛盾的观察→ 标记!-- CONFLICT: contradicts C{XX} --。第四步一行收尾简报严格保持一行格式固定[PM] Session captured: 3 decisions, 1 experiment, 2 claims advanced. 1 open thread.五、跨会话连续性ARA 本身就是记忆5.1 记忆如何持久化Agent 本身没有内置的跨会话记忆——每个会话的上下文窗口都是全新的。协议的答案是ARA 目录就是记忆。各文件各司其职文件回答的问题session_index.yaml什么时候发生了什么claims.md已知 vs 未知主张及其状态exploration_tree.yaml完整的研究轨迹研究 DAGstaging/observations.yaml尚未整理的松散线索单个会话记录每个会话的详细历史这与 0-autoresearch-skill/references/agent-continuity.md 中workspace files are your memory工作区文件就是记忆的理念一脉相承无论是 wall-clock 循环驱动的长时自主研究还是跨会话的人工协作持久化的真相始终落在磁盘文件上而非 Agent 的上下文里。5.2 会话开始的重建机制每次新会话启动时通过读取上述文件即可完整重建项目上下文。Agent 通过它亲手构建的 artifact记住了一切——这正是本协议会话开始静默读状态步骤背后的深层设计意图。5.3 未解决问题线程Open Threads的自动接力未解决问题的线程跨会话自动传递形成接力闭环每个会话记录都列出open_threads会话开始时最新会话的 open threads 会被自动呈现纳入简报当某个线程在后续会话中被解决在该会话的事件记录中注明即可。六、紧急 / 非正常结束Emergency / Abrupt End如果对话在没有正常收尾流程的情况下中断如用户直接关闭、进程崩溃、上下文被强行压缩协议给出了明确的兜底保证已写入 ARA 文件的事件是安全的——因为写入是增量、实时的而不是在结尾批量提交会话记录可能不完整——下次会话启动时应检测到这种不完整并在会话记录中注明不会丢失数据——实时写入write-in-real-time的设计让最坏情况也只是收尾元数据缺失而核心研究内容毫发无损。这也是整个协议最重要的架构决策之一把写入从会话结束的批处理改为事件发生的即时处理用增量持久化换取崩溃安全。七、协议背后的配套体系session-protocol 是 ARA 记录体系的运行时规程它与同技能及兄弟技能中的多个规范文档咬合紧密event-taxonomy.md提供事件分类、路由决策树、ID 约定与取证绑定清单Claim→Proof、Experiment→Claim、Heuristic→Code、Decision→Evidence、Dead End→Lesson若暂无法绑定则写入!-- TODO: bind to {target} --注释作为可追踪义务provenance-tags.md定义四种溯源标签的完整语义、升级规则、混合溯源条目与会话级溯源聚合ara-schema.md定义 ARA 全量目录 schema 与逐文件字段级格式是写入格式的最终权威exploration-tree-spec.md定义探索树 YAML 规范节点类型、children嵌套、also_depends_on交叉边、support_level显式/推断标注并明确dead_end 是对下游 Agent 最有价值的节点类型——它帮未来的 Agent 避免重新发现已知的失败review-dimensions.md从 Evidence Relevance、Falsifiability、Scope Calibration、Argument Coherence、Exploration Integrity、Methodological Rigor 六个维度对 ARA 做语义级审查——session-protocol 保证记录发生rigor-reviewer 保证记录质量。八、总结一条可运行的研究元数据管线纵观全协议Live PM 实际上构建了一条研究元数据管线会话开始读取状态 → 进行中按 8 项检查持续捕获事件 → 按 provenance 决策树标注来源 → 按事件分类路由到对应 ARA 文件 → 会话结束做成熟度晋升与索引归档 → 跨会话通过 artifact 重建记忆 → 异常中断靠增量写入兜底。其核心价值可以归纳为四点忠实性只记录真实发生的内容ai-suggested的保守默认杜绝了 AI 自我美化历史可审计性每一条知识都带 provenance 标签和证据绑定可追溯到来源连续性Agent 没有记忆但 artifact 有——跨会话上下文因此得以完整重建崩溃安全增量写入让任何时点的中断都不会丢失已捕获的研究过程。对于任何想要让 AI 研究 Agent记住并传承研究过程的团队而言这套会话协议提供了一个开箱即用的实现范式它不需要复杂的记忆基础设施只需要一个结构化的目录、一套严谨的分类学以及一个懂得何时沉默、何时记录、何时晋升的 Live PM。赞分享AI 技能人工智能大模型深度学习【免费下载链接】AI-Research-SKILLsComprehensive open-source library of AI research and engineering skills for any AI model. Package the skills and your claude code/codex/gemini agent will be an AI research agent with full horsepower. Maintained by Orchestra Research.项目地址https://gitcode.com/gh_mirrors/ai/AI-Research-SKILLs点击查看免费下载相关推荐RuFlo 记忆协调员Memory CoordinatorAgent 模板深度解析跨会话持久记忆与多 Agent 记忆共享架构RuFlo 记忆协调员Memory CoordinatorAgent 模板深度解析跨会话持久记忆与多 Agent 记忆共享架构 导读 本文以 RuFlo人工智能AI Agent多智能体Agent 编排Agent 记忆工具调用代码智能体MCP 服务AI 评测PraisonAI Session 记忆持久化修复全解析让 Agent 跨会话记住对话历史PraisonAI Session 记忆持久化修复全解析让 Agent 跨会话记住对话历史 导读 在 PraisonAI 的多 Agent 应用中会话Se人工智能AI AgentAgent 框架多智能体工作流自动化RAGMCP 服务Relay记忆系统深度解读从会话记忆到跨会话知识持久化的完整三层设计指南Relay记忆系统深度解读从会话记忆到跨会话知识持久化的完整三层设计指南 Relay 是一个多智能体协作平台通过统一界面让多个 AI Agent 像团队一样人工智能AI Agent多智能体后端前端创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考