由 model-distillation 从教师技能 autonomous-researcher 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。
Coding
meta-autonomous-research-scale
Try it由 model-distillation 从教师技能 autonomous-research-scale 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。
What it does
由 model-distillation 从教师技能 autonomous-research-scale 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。
The skill document
meta-autonomous-research-scale（蒸馏超越型元技能）
由
model-distillation从教师技能 autonomous-research-scale 蒸馏并增强生成。 生成时间：2026-07-23 08:23:15 ｜ 蒸馏机制：跨模型蒸馏（见 meta-evolver 北极星策略）
来源能力签名（教师）
- 标题层级：autonomous-research-scale（自主科研规模化）, 何时使用, 工作流, 用法, 集成（超越单次研究）, 已知限制, 自进化学习系统（越用越好用、越用越高效）, 记忆文件
- 显性工作流步骤（4 步）：
- 分解（decompose）：把研究主题拆成 N 条并行假设线程（子问题 + 候选假设）。
- 派发（dispatch）：每条线程交给可插拔 researcher（默认确定性 mock；真实部署可换检索/工具链/文献 API）。
- 聚合（aggregate）：识别收敛（≥2 线程支持同 claim）、冲突（不支持）、不确定（低置信），算总体置信。
- 元综合（meta-synthesis）：给出主结论 + 总体置信 + 知识增量，并落盘跨战役知识库。
增强点（超越教师）
- 可靠自验证：每步产出后用
reason-verify做命题一致性/事实锚定校验，reliability<0.8 即回退重做。 - 自我反思闭环：执行后写入
self-reflection-loop，沉淀失败模式到 learner。 - 整合进 super-agent：作为节点接入「感知→规划→执行→自验证→反思→记忆」超级智能体闭环，可被长程任务编排。
- 对抗验证蒸馏质量：对蒸馏出的关键决策规则做反例测试，防止只学到表面话术。
- 持续自进化：注入 learner，纳入 meta-evolver 的 sense/plan/record 闭环，跨会话越用越强。
教师 vs 学生 对比
| 维度 | 教师(autonomous-research-scale) | 学生(meta-autonomous-research-scale) |
|---|---|---|
| 能力来源 | 原始 SKILL.md（2086 字符） | 蒸馏提取 + 元进化增强 |
| 工作流 | 4 步显性流程 | 同流程 + 自验证钩子 + 反思步 |
| 工具脚本 | campaign.py, learner.py | 继承 + reason-verify/self-reflection 钩子 |
| 失败防护 | 已识别 1 处 | 显式 limits + 对抗验证 |
| 自进化 | 视技能而定 | 强制注入 learner，纳入 meta-evolver 闭环 |
| 集成 | 单点 | 接入 super-agent 感知→规划→执行→自验证→反思→记忆闭环 |
使用
直接调用本技能完成「autonomous-research-scale」领域的任务；本技能在教师能力之上叠加自验证与反思，输出更可靠、可追溯。
已知限制（来自教师蒸馏 + 元进化补充）
-
- 默认 researcher 为确定性 mock，仅供本地实跑与管线验证；真实科研需替换 researcher 接入检索/工具。
- 总体置信为启发式（支持面 × 平均置信 × 冲突折扣），非严格贝叶斯；高 stakes 结论须人工核验。
- 收敛识别基于 claim 文本完全匹配，语义近似但表述不同的收敛会被漏判。
自进化学习系统（越用越好用、越用越高效）
本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。
记忆文件
learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。
使用后请调用（Bash）
# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>
迭代规则
- 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
- 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
- 重要用户偏好 → 写入
learned_patterns.json，下次调用直接采用，减少重复询问。
越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。
- 蒸馏不保证覆盖教师全部隐式知识，首次使用需对照教师原技能核验关键决策。
Related skills
由 model-distillation 从教师技能 autonomous-deep-research 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。
由 model-distillation 从教师技能 calibrated-autonomy 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。
由 model-distillation 从教师技能 self-evolution-metrics 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。
由 model-distillation 从教师技能 native-autonomous-discovery 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。
由 model-distillation 从教师技能 cognitive-architecture-reconstruct 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。