AI 技能人工智能深度研究数据分析媒体生成【免费下载链接】SenseNova-SkillsModular SenseNova skills for building AI-powered office assistants and productivity workflows项目地址https://gitcode.com/gh_mirrors/se/SenseNova-Skills点击查看免费下载导读skills/sn-deep-research/agents/research.md是 SenseNova-Skills 深度研究流水线中的「执行者」角色契约它定义了一个 Agent 如何针对单一研究维度、通过多轮专业检索收集可靠证据并输出机器可校验的结构化产物evidence.json。本文以该契约文档为核心骨架结合仓库中evidence.schema.md、validate_evidence.py以及 8 大专业检索 skill 的源码实现完整讲解 Research Agent 的输入契约、三阶段取证流程搜索策略 → Search/Fetch 循环 → 证据抽取、补研supplement模式与校验硬门帮助你理解并复用这套可审计的深度研究取证机制。在 SenseNova-Skills 中Deep Research 由总控SKILL.md、计划者plan、执行者research、审查者review等角色协作完成本文聚焦其中的 Research Agent 契约。该契约位于 research.md总控调度逻辑见 SKILL.md。一、角色定位与产物契约1.1 Research Agent 在流水线中的位置在 SKILL.md 的阶段库§5.3中research 的职责被一句话定义按维度取证产出sub_reports/d{N}.evidence.json——后续一切报告写作的事实底座。它对应三种调度模式quick无 planResearch 自行拆解问题固定dimension_idd1自行决定 sources / depth / 时效窗口与 scopeinitialnormal / heavy 流程的初始研究从plan.json按dimension_id读取对应 work package 的完整合同supplementheavy 流程的补研读取既有 evidence 与补研工作单回写同一份 evidence 并更新工作单状态。无论哪种模式Research Agent 的产出都是同一份evidence.json。契约文档将其定位为研究的唯一真相来源single source of truth——后续 report-writer、review、report-planner 全部以此文件为事实依据因此它的字段完整性和可校验性被置于最高优先级。1.2 为什么需要唯一真相来源流水线中多个角色并发工作normal/heavy 下所有维度可同批启动 research如果每个角色在消息里传递正文或各自保存副本必然产生口径漂移。因此总控SKILL.md的铁律是只调度不读大文件上游角色的产出只传文件路径。Research Agent 是这条纪律的起点它把一次多轮搜索的原始证据、断言和来源全部落到d{N}.evidence.json下游无需回溯对话即可独立消费。二、输入契约payload 与三类研究合同Research Agent 的任务消息payload由总控派发字段见 research.md输入字段说明原始需求用户原始 querylanguage输出语言锚点约束自撰自然语言字段与 completion replyformat请求级最终形式字符串只用于校准交付形态不写入 evidencemodeinitial/quick/supplementreport_dir输出根目录dimension_id维度 IDinitial/supplement 必须来自plan.json.dimensions[].idquick 固定d1plugin_skills_dir插件 skills 根路径schema_path/output_pathevidence schema 与本维度输出文件的绝对路径按 mode 不同研究合同有三种来源initial读plan_path按dimension_id从plan.json定位唯一匹配维度读取 work package 的name / description / key_questions / focus / sources / depth / time_sensitivity / scope_ownershipquick不提供plan_path直接用 payload 的format字符串有额外确认时提供confirmed_scope视为用户硬约束不得重新解释、放宽或替换自行形成完整研究维度并内部生成kq1/kq2/…supplement必须提供plan_path、existing_evidence_path与supplement_plan_path按维度读取合同。契约明确规定在plan.json中找不到唯一匹配的dimension_id时必须停止执行并在 completion reply 中说明不一致每个 dimension独立完成自己的多轮搜索不读取其他维度的 evidence——这保证了并发执行时维度之间零耦合。关于plan.json中 work package 的字段约束可参见 plan.schema.mdsources[].category的允许值包括official, news, social_media, github, developer, community, trend, academic, forum, analyst, review, data, legal, financial, finance, securities, annual_report, filing, market_cn, policy, regulation, multi_platform等depth枚举为skim / moderate / thoroughscope_ownership则用owns / excludes / shared_topics / overlap_policy四个字段界定范围边界。三、阶段一制定搜索策略3.1 问题拆解与检索角度设计在发起任何搜索之前Research Agent 必须先规划契约要求把key_questions拆解为需要搜索的子信息并为每个子问题设计初始搜索角度至少考虑三个维度正面和反面支持的证据和反对的证据对应后续polarity的 support / refute不同信息主体官方说法、媒体报道、用户/社区声音、专家分析中文和英文跨地域话题不同语言的搜索结果差异巨大。同时用scope_ownership.owns限定主范围、遵守excludes、只按overlap_policy处理有意共享主题避免维度间重复检索。3.2 检索模式映射表sources → 专业 skill契约中最具操作性的部分是一张权威映射表research.mdsources的每个类别必须映射到对应专业检索 skill这些 skill 是该信息类型的强制主入口而不是参考建议skill 目录独有能力适用场景sources 类别sn-search-academic按引用数/日期排序、引用图遍历、论文全文/章节阅读、开放获取检测academic论文、相关工作、引用链sn-search-codeGitHub/Issue/代码搜索、HuggingFace 搜索、SO 按投票排序github/developer开源项目、模型/数据集、技术实现sn-search-social-cn知乎、B站、抖音脚本搜索小红书、微博通过 browser-use / 公开网页兜底social_media/review中文用户评价、舆情、社区讨论sn-search-social-enReddit 定向搜索、Twitter/X 实时推文、YouTube 搜索social_media/forum英文海外社区、实时讨论、视频内容sn-search-social-mediaGitHub、HN、StackExchange、Wikimedia 热点与趋势community/trend开发者生态、热点趋势、百科热度sn-search-finance行情、K 线、财务报表、SEC filings、财经新闻finance/securities上市公司、证券、市场数据sn-search-market-cn中国官方宏观、产业、监管、招投标、A 股公告免费来源market_cn/policy/regulation中国市场、行业与政策数据sn-search-year-report官方年报、定期报告、上市公司披露文件、年度账目annual_report/filing公司年报、10-K/20-F、债券发行人报告契约同时解释了为什么必须走专业 skill通用网页搜索只是发现层——返回排序后的摘要链接做不到深挖——无法遍历引用图、无法在平台内检索知乎 / Reddit / GitHub、无法按投票数 / 引用数排序、无法触达财报与披露文件。因此维度depth要求的 primary 来源与多源交叉在纯通用搜索下物理上达不到。3.3 专业 skill 的源码佐证独有能力从何而来映射表中列出的独有能力并非宣传语而是各 skill 脚本的代码实现。这里给出几个典型佐证便于理解映射关系的实质引用图遍历sn-search-academic的 refTree.py 以--paper_id/--title查询论文的 references 与 citations--direction控制追溯方向实现正向与反向引用链遍历搜索则统一走 search.py支持--source指定 arxiv / semantic / google_scholar / pubmed / ssrn / wikipedia--category做 ArXiv 分类过滤如cs.CV。平台内检索sn-search-social-cn的 zhihu_search.py 直接调用知乎内部 APIhttps://www.zhihu.com/api/v4/search_v3无 cookie 时直接抛错要求ZHIHU_COOKIE并内置过滤教育/知识广告条目_AD_TYPESbilibili_search.py 走 B 站 Web API无需认证即可搜索按 video / media_bangumi / media_ft / article 分组返回douyin_search.py 需要 cookie 且注释明确说明反爬较严格稳定性较低。按投票/引用排序sn-search-code的 github_search.py 通过 GitHub REST API 搜索 repositories / code / issueshuggingface_search.py 搜索 models / datasets / spaces并过滤无信息量的内部 tag 前缀region:、deploy:等。Reddit 搜索reddit_search.py通过公开 JSON API 支持sortrelevance/top/new与time_filterall/hour/day/week/month/year参数即按投票排序 时效窗口。触达财报与披露sn-search-finance的 finance_search.py 内置行情频率映射5m/15m/1h/days/week/month/quarter/year与市场映射sz/sh覆盖 K 线、财报等sn-search-market-cn的 free_market_api.py 调用巨潮资讯cninfo公告查询接口免 keysn-search-year-report的 year_report_api.py 对接免认证的官方年报 API支持 SEC 的SEC_USER_AGENT环境变量。3.4 三条硬规则契约对检索入口的纪律有三条硬性规定research.mdsources命中的每个类别必须先用其映射 skill 检索不要先通用搜索再补 skill重复且浅通用网页搜索只在两种情况使用① 映射 skill 确实搜不到或无覆盖时的补充② 某 sources 类别在上表无对应 skill。它永不替代已映射的 skill专业 skill 因缺认证或环境依赖跑不通时如知乎/抖音需 cookie 未配置即失败等同无覆盖单次尝试失败即转通用网页搜索兜底不反复重试也不据此返回 blockedblocked 只针对网页搜索/抓取/文件读写等核心能力整体缺失小红书/微博当前没有脚本入口直接用 browser-use / 公开网页兜底。同时记下被跳过的入口与所需配置在最终回复中提醒用户。关于依赖与凭证总控的 SKILL.md 做了分级Tier 2 可选配置ZHIHU_COOKIE/DOUYIN_COOKIE/BILIBILI_COOKIE、TIKHUB_TOKEN、YOUTUBE_API_KEY等缺失会导致平台站内检索降级为通用搜索Tier 3GitHub token、HF_TOKEN、SO_API_KEY等缺失仅速率受限。凭证统一写入仓库根目录.envskill 与脚本只从环境变量读取。3.5 时效感知搜索策略搜索前先定时间策略——本维度证据的有效时间窗口从原始需求 维度任务name/description与time_sensitivity两处读取分三种情形research.md任务限定时间范围→ 以该范围为有效窗口只在窗口内取证窗口外尤其晚于截止点的数据不作为 factual claim确需提及时在 claim text 内标注时点不要追加latest/ 当前年份这类限定词无限定但时效敏感价格、市场、政策、技术现状等 → 默认追最新搜索词加年份 /latest/recent专业脚本用时间参数如reddit_search.py --time week、hackernews_search.py --sort date引用任何随时间变化的数字都在 claim 内标其时点无限定且事实稳定定义、历史事件、机制 → 时点要求低但仍优先现行有效来源。任一情形下source.published_at能取到就填时效敏感时必填保留证据的时效信息。Hacker News 热点脚本 hackernews_hotspots.py 即为第 2 种情形提供支持它通过官方 Firebase API 拉取 top/new/best/ask/show/job 六个榜单可用--sort date类参数取最新。四、阶段二Search → URL 门控 → Fetch → 评估循环这是取证的核心循环契约要求每轮严格先 Search、后 Fetch没有通过 Search 获得候选 URL 时不得直接进入网页抓取也不得凭空拼接 URL。同时维护一个按优先级排序的候选 URL 池跨本维度的各轮复用。4.1 循环四步Search 发现候选围绕不同子问题设计互补 query运行时允许同批并发发出搜索范围可以宽但搜索摘要只用于筛选不能进入 evidence建立候选 URL 池合并、规范化并去重 Search 返回的 URL排除已成功抓取的 URL根据标题、摘要和域名判断相关性按来源质量、相关性、时效性及对未覆盖问题的预期增量排序检查 Fetch 触发条件满足任一即停止凑结果、进入 Fetch出现至少一个高价值有效 URL真实完整、指向可核验正文或原始文档、很可能直接支撑关键问题候选池已积累3 条相关 URL若尚无相关候选改写 query、切换来源入口或扩大检索角度后继续 Search并发 Fetch 正文直接并发抓取所有待选 URL然后统一评估正文与缺口更新 key_question 覆盖、来源独立性和冲突抓取失败、正文无关或信息不足的 URL 标记为不可用同一 URL 成功抓取后不得重复抓取。4.2 每轮评估四维度每轮 Search → Fetch 完成后对照四个评估维度来源层级一手来源primary 二手secondary 三手tertiary利益相关独立第三方 利益相关方时效性信息发布时间是否在研究时间范围内可验证性有具体数据和具体来源 笼统描述。4.3 决定下一步与适时停止契约要求在每个 key_question 上自问五个问题是否获取到足够证据关键事实是否有多个独立来源确认是否存在只有一方说法的信息反方观点refute polarity是否被主动搜索过信息是否已饱和完成条件按 depth 等级设定门槛research.mddepth完成条件skim每个 key_question 至少有一个可靠来源支撑的信息factual claim 至少 1 条 primary 或 secondary sourcemoderatekey_questions 完全覆盖关键事实 ≥ 2 个 sourceinterpretive claim 多源支撑thoroughfactual 多源交叉尽可能 primary source契约特别澄清一个常见误读不要把信息饱和误读成可以丢掉其余 fetch——饱和指无需继续发起新搜索但已 fetch 的相关资料仍要在阶段三按用途分流处理claims[]与writing_context[]的边界见下节。五、阶段三抽取证据输出 evidence.json5.1 先读 schema再动手输出前必须完整读取一次 schema 文档本次合同未变化时不重复读取{plugin_skills_dir}/sn-deep-research/schemas/evidence.schema.md该 schema 定义了evidence.json的顶层结构、断言三态、立场三态、来源质量三档、证据引文规则与writing_context边界是本节的规范总纲位于 evidence.schema.md。5.2 抽取原则发掘内容分流口径核心原则是发掘内容分流口径research.mdclaims[]只收录研究对象本身的实质信息具体数字、定义后的数据点、事件、状态、趋势、结构、分布、行为、关系、机制、风险、反方证据或可报告的估算writing_context[]收录引用相关数据时必须保留的口径材料口径/样本边界、来源可得性与限制、申请或访问条件、对照背景等——它们本身不是研究对象的事实。判断保留的标准不是是否与 KQ/focus 有关而是它是否能成为报告正文里的世界事实/数据能回答研究对象本身的问题才进 claim其他信息进writing_context[]同一来源里的不同实质数据应完整抽取为 claims。Claim 不是断言是搜集到的信息的总结。契约给出正反例✅ 中国 2024 年半导体设备国产替代率约 12%短 factual✅ 成组数据整体保留的长 factual按年龄/收入/房产数量分层的新购住房比例全数列出❌ 中国半导体行业概况太宽不是断言❌ 如前所述...转述不是新断言❌ 中国应该加快国产替代规范性陈述禁止。5.3 Claim 与 Evidence 的引用要求每条 claim 必须有 evidence按 kind 区分引用要求research.mdkind示例引用要求factualTesla Q4 营收 257 亿美元≥ 1 evidence至少 1 个 source 是 primary 或 secondaryinterpretiveTesla 利润率受价格战影响≥ 2 evidence且来自不同 sourceprojective中国 7nm 量产预计 2027 年规模化≥ 1 evidence claim text 内说明前提禁止规范性 claim应该 / 必须 / 应当研究报告陈述事实和分析不出主张validator 会拒绝。5.4 字段速查表契约给出了完整的字段速查表research.md要点包括claim.id形如d1.c1从c1起递增前缀必须等于dimension_idclaim.text非空字符串数据密集时把同口径的成组数字、按维度细分写进同一条 text 比拆散更可读来源档案、样本覆盖、下载入口、申请条件、口径限制不写进 claimclaim.kindfactual / interpretive / projectiveclaim.polaritysupport / refute / neutral——主动产出 refute只有 support 和 neutral 是偏向性研究claim.topic_tag^[a-z][a-z0-9_]*$优先复用已有 tag同 dim 内同主题应共用claim.answers_key_questionkq1… 或null计划外发现用nullevidence.snippet非空direct 只放正文中的连续原文组合多个位置的信息或自行概括时用 paraphrasenumeric 保留数据点及其口径成组数据整体保留不允许凭印象编造evidence.quote_typedirect / paraphrase / numeric没有逐字复制连续原文时不得标 directsource.id^[a-z][a-z0-9_]*$命名建议{publisher}_{topic}_{year}同一 URL 全 dim 用同一个 idsource.qualityprimary一手材料/原始报告/财报、secondary媒体报道/分析、tertiary综述/维基/二次转载source.published_atYYYY/YYYY-MM/YYYY-MM-DD或省略时效敏感研究必填。5.5 writing_context写作补充字段writing_context[]是可选顶层数组用于保存不应进入claims[]、但会帮助报告写作诚实处理口径和来源边界的材料。每项必须包含合法的id / kind / text / source_ids / applies_to / usekind 取值source_profile | methodology | scope_boundary | availability_gap | unresolved_gapvalidator 会强制检查。契约给出了完整示例research.md如d1.w1记录CFPS 微观数据库仅开放至 2024 年抽样县级以下样本覆盖不全且需机构申请获取applies_to指向kq4use说明引用时标注样本覆盖边界与时间截止。writing_context可以引用source_ids但不参与key_findings.claim_ids不作为 outline 的主证据不用于 L0 核心发现。5.6 综合 key_findingsclaim 抽完后把本维度最重要的2-6 条结论提炼成key_findings并通过claim_ids指回支撑它们的 claimsresearch.md。每条 finding 必须满足承载性主张——完整句、带方向数字/比较/趋势如 Arcteryx 均价 3921 元是北面的 2.3 倍 ✅价格带情况 ❌指回支撑它的claim_ids——必须是本文件已有的 claim id不跨文件综合而非复述——优先把分散在多条 claim 里的同主题发现合成一条把 headline 装不下的关键张力refute 方向、结构性矛盾显式拎出来覆盖核心即可不是 claim 全量目录。5.7 写文件与硬性校验门先完成 sources、claims 和 key_findings 的整体核对再一次性写出完整文件不要边搜索边反复覆写{report_dir}/sub_reports/{dimension_id}.evidence.json写完后必须立刻运行 validatorhard gate校验通过前不要回复完成python3 {plugin_skills_dir}/sn-deep-research/scripts/validate_evidence.py \ {report_dir}/sub_reports/{dimension_id}.evidence.json \ --expected-mode {mode} \ [--plan {plan_path}]{mode}必须使用 payload 的值不能从 evidence 反推仅在提供plan_path时加入--plan。结果处理输出{ok: true, stats: {...}}→ 完成输出{ok: false, errors: [...]}→ 先按 rule 汇总全部错误同一批完成修正后再运行 validator不要每改一条就重跑或覆写整份文件。5.8 错误码速查来自 validator 源码错误码对应 validate_evidence.py 的实现逻辑契约给出的速查如下V001-V006顶层结构错误V006 key_findings 不是 2-6 项数组V018mode 若存在必须 ∈ {initial, quick, supplement}V010-V017source 错误含 id 格式、URL 必须是合法 HTTP(S) URL、published_at 格式V020-V029claim 字段错误id 前缀、kind、polarity、topic_tag、answers_key_question、evidence 非空V030-V033evidence 错误source_id 必须在 sources[] 中、snippet 非空、quote_type 合法V040factual 缺 primary/secondaryV041interpretive 缺第二来源需 ≥2 个不同 sourceV050-V053key_findings 错误V053 claim_ids 引用了不存在的 claimV060-V066writing_context 缺少合法结构、文本或 source 引用。对照源码可见具体判定V040统计该 claim 的 evidence 中 source quality ∈ {primary, secondary} 的数量validate_evidence.pyV041统计unique_source_ids是否 ≥ 2第 L316-L321 行V053检查claim_ids是否都在seen_claim_ids中第 L343-L348 行。通过后 validator 输出 stats含 claims/sources/key_findings 数量、kind/polarity 分布、key_questions_answered与extra_findingsanswers_key_question 为 null 的条数这些统计会进入 Research Agent 的 completion reply。六、补研模式mode: supplementheavy 流程中子报告 review 与 perspective 发现证据缺口后由 supplement-planner 生成补研工作单d{N}.supplement_plan.json再派发 research(modesupplement)。补研模式分三步读 evidence supplement_plan 执行搜证 → 回写 evidence 与工作单执行状态 → 校验 evidence。6.1 第一步读 evidence supplement_plan 执行单轮补研读取existing_evidence_path记下现有 sources / claims / key_findings 形状作为来源去重、claim 续编号、旧 claim 修正和 key_findings 重写的基础读取supplement_plan_path执行本维度全部pending的supplement_items[]不处理deferred_items[]处理动作按type区分research.mdcoverage→ 按question搜证补 claimclaim_fix→ 按review_refs中的修改方向重核 snippet / 替换弱来源 / 收窄措辞 / 补独立验证无法补强时实质反证改写为 refute/correction claimboth→ 先做 claim_fix再按 coverage 角度补充每条 item 优先产出关于研究对象本身的新 claim但如果结果全都 no-data、来源限制、样本边界、申请条件或口径限制则不补充不要为了凑数生成无报告价值的 claim补研写回同一个d{N}.evidence.json不新建d{N}.supplement.json新增 claim id 从现有最大编号继续已有d1.c8新 claim 从d1.c9开始同 URL 或同一来源复用已有source.id新来源按命名规范新增新增 claim 的answers_key_question仍使用 validator 接受的kqN或null补研后必须重新综合key_findings保持 2-6 条反映整个维度的最新结论而不是只罗列新增 claims如果补研直接推翻旧 claim优先新增可验证的 refute/correction claim不要删除旧 claim除非它已无法被 evidence 支撑。6.2 第二步回写 supplement_plan.json 的执行状态全部 items 执行完后再次写入 supplement_plan.json同一路径覆写把已执行 item 的status从pending更新为research.mdresolved—— 已写入新 claim 或完成 claim 修正partial—— 部分回答仍有遗留必须把剩余缺口写入writing_context[]的unresolved_gapno_data—— 公开渠道无可用实质证据已写入writing_context[]的availability_gap或相应边界说明out_of_scope—— 执行中发现超出维度边界未处理必须把边界写入writing_context[]的scope_boundary。同时给每条非pending的 item 填resolution_note补研结果概述、新增 claim id 列表或未解决原因deferred_items[]不变。契约特别强调partial|no_data|out_of_scope不能只停留在 supplement plan 的 audit 字段对应的writing_context必须写入 evidence 并通过 V060-V066使未知或范围限制保留在正式证据边界内。6.3 第三步校验更新后的 evidence补研执行后校验已更新的d{N}.evidence.jsonpython3 {plugin_skills_dir}/sn-deep-research/scripts/validate_evidence.py \ {report_dir}/sub_reports/{dimension_id}.evidence.json \ --expected-mode supplement \ --plan {plan_path}Validator 输出ok:false时按其 errors 一次性修复 evidence 后重跑通过前不得回复完成。6.4 补研 completion reply 口径补研完成回复按以下口径汇报research.mdsupplement_plan_pathsupplement_items总数 按 type 拆分coverage / claim_fix / bothdeferred_items数量执行结果resolved X / partial Y / no_data Z / out_of_scope W新增 claim 数与 source 数validation_ok:true。七、文件输出与完成标志研究完成的标志research.md✓{report_dir}/sub_reports/{dimension_id}.evidence.json存在✓ validator 输出{ok: true}✓ completion reply 包含 file path 简要统计claim 数、source 数、key_findings 数、覆盖的 kq、kind 分布若有专业入口因缺认证/环境被跳过列出这些入口及所需配置如ZHIHU_COOKIE、DOUYIN_COOKIE说明本次该来源仅由通用搜索兜底并提示用户配置后重跑可获得更深、更高质量的专业检索不要在回复里粘贴 evidence.json 全文。这与总控的门控一致plan_path dimension_id派发后总控不读 evidence 内容仅通过角色汇报的 stats 与 validator 结果确认交付SKILL.md。八、重要规则Research Agent 的取证铁律最后是契约收尾的八条铁律research.md可视为整个取证流程的道德与质量底线不编造所有 evidence.snippet 必须是真实搜索结果里的内容URL 必须真实可访问追求 primary能找到一手来源就不要引用转述覆盖反方不要只搜支持某个结论的证据主动搜 refute polarityrefute 数量 0 通常意味着没好好搜不被既有 KQ 机械框住本维度范围内的重要新发现即使未直接对应既有 KQ也以answers_key_question: null收录到 claims 里key_findings 是派生综合每条都要落到本文件的 claim_ids 上不引入新事实校验是硬门validator 不通过 没完成复用 source id同一 URL 出现在多个 dim 时全局用同一个 id便于跨文件正确去重。结语从契约到可审计的取证流水线Research Agent 契约本质上把做深度研究这件事从自由发挥变成了可编排、可校验、可追溯的工程流程sources → 专业 skill的强制映射保证了检索深度Search → URL 门控 → Fetch → 评估循环保证了证据覆盖面与真实性evidence.json validator 硬门保证了产物的机器可校验性writing_context supplement 状态机保证了研究边界的诚实记录。对于需要构建 AI 深度研究 / 竞品分析 / 尽调工作流的开发者这套模式可以直接借鉴为每个研究维度定义结构化合同plan.schema.md、以 JSON 作为角色间唯一交接物evidence.schema.md、用无依赖的标准库 validator 把关validate_evidence.py即可把多 Agent 研究的质量风险收敛到少数几个可测点之上。赞分享AI 技能人工智能深度研究数据分析媒体生成【免费下载链接】SenseNova-SkillsModular SenseNova skills for building AI-powered office assistants and productivity workflows项目地址https://gitcode.com/gh_mirrors/se/SenseNova-Skills点击查看免费下载相关推荐SenseNova-Skills 深度研究Deep Research技能全解析多 Agent 编排、三档流水线与证据链校验SenseNova Skills 深度研究Deep Research技能全解析多 Agent 编排、三档流水线与证据链校验 本篇技术指南系统讲解 SensAI 技能人工智能深度研究数据分析媒体生成SenseNova-Skills 深度研究 CLI 实战指南独立安装、Harness 编排与可恢复研究报告运行SenseNova Skills 深度研究 CLI 实战指南独立安装、Harness 编排与可恢复研究报告运行 本文围绕 SenseNova Skills 仓AI 技能人工智能深度研究数据分析媒体生成SenseNova 深度研究技能全解析多 Agent 编排流水线、三档模式与引用渲染实战指南SenseNova 深度研究技能全解析多 Agent 编排流水线、三档模式与引用渲染实战指南 本指南以 docs/sn deep research_cn.mdAI 技能人工智能深度研究数据分析媒体生成上一篇Skia demos.skia.org 本地运行指南用本地 CanvasKit 构建调试 Web 2D 演示下一篇基于 kubectl 的 Kubernetes 集群操作指南命令体系、认证机制与效率工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考