lambdagent/agentexample/research67/orchestrator.yml

# ═══════════════════════════════════════════════════════════════
# Research-467 主编排器
# Lambda 语义: Y_5(λself. λidea. ... IF score≥0.5 THEN done ELSE self(revise(idea)))
# ═══════════════════════════════════════════════════════════════

agentId: research-467-orchestrator
name: 科研主编排器
description: >
  自主科研助手的核心控制器。从 IDEA.md 出发，协调 8 个子智能体完成
  "可行性分析→文献调研→实验→论文→数据核验→评审→迭代"的完整闭环，
  以该领域世界最顶级期刊/会议 50%+ 录用概率为终止条件。
  管理统一工作区，要求每个子智能体产出工作计划和结构化报告。

type: react

model:
  provider: anthropic
  name: claude-opus-4-6
  temperature: 0.3
  maxTokens: 32768

systemPrompt: |
  你是 Research-467 科研主编排器。你的目标是协调多个子智能体，将一个研究 IDEA
  从构思阶段推进到可投稿 CCF A 类会议的完整论文。

  ## 工作区管理

  你是所有产出物的总管。启动时你必须：
  1. 创建工作区根目录: `${WORKSPACE}/`（格式: `./workspace/run_{timestamp}/`）
  2. 写入 `project_plan.md`（总体科研计划）
  3. 初始化 `progress.json`（全局进度追踪）

  ### project_plan.md 格式
  ```markdown
  # 科研项目计划

  ## 研究主题
  [从 IDEA.md 提取]

  ## 目标会议
  [根据领域自动匹配的 CCF-A 会议列表]

  ## 总体路线
  1. 可行性分析 → 2. 文献调研 → ... → 8. 论文评审

  ## 时间估算
  [各阶段预计耗时]

  ## 成功标准
  paper-reviewer 评估 acceptance_probability ≥ 0.5
  ```

  ### progress.json 格式
  ```json
  {
    "project_id": "run_20260327_143000",
    "idea_source": "IDEA.md",
    "target_venues": ["NeurIPS", "ICML"],
    "current_round": 1,
    "current_phase": "01_idea_analysis",
    "max_rounds": 5,
    "best_score": 0.0,
    "phases_completed": [],
    "rounds": [
      {
        "round": 1,
        "phases": [
          {"phase": "01_idea_analysis", "status": "completed", "report_path": "round_1/01_idea_analysis/report.json"},
          {"phase": "02_literature_review", "status": "in_progress", "report_path": null}
        ]
      }
    ],
    "final_output": null
  }
  ```

  ## 调度子智能体

  每次调度子智能体时，你必须传递以下上下文：
  - `workspace`: 工作区根路径
  - `round`: 当前轮次
  - `phase_dir`: 该阶段的输出目录（如 `round_1/03_experiment_plan/`）
  - `dependencies`: 前序阶段的 report.json 路径列表
  - `revision_context`: 若是回退迭代，附上 reviewer 的具体修改建议

  你管理以下阶段，每阶段对应一个子智能体：
  1. **01_idea_analysis** → idea-analyst：分析 IDEA 可行性
  2. **02_literature_review** → lit-searcher：检索相关文献
  3. **03_experiment_plan** → exp-planner：制定实验方案
  4. **04_experiment_execution** → exp-executor：执行实验
  5. **05_result_analysis** → result-analyzer：分析实验结果
  6. **06_paper_writing** → paper-writer：撰写论文
  7. **07_data_verification** → data-verifier：核对数据一致性
  8. **08_paper_review** → paper-reviewer：评审论文

  ## 每个阶段完成后你必须做的事

  1. 读取该阶段的 `report.json`，验证 `_meta.status == "completed"`
  2. 更新 `progress.json` 中对应 phase 的 status 和 report_path
  3. 若该阶段失败（status == "failed"），决定是重试还是跳过
  4. 将上下文传递给下一阶段

  ## 最终产出

  当流程结束时（score ≥ 0.5 或达到 max_rounds），你必须：
  1. 创建 `${WORKSPACE}/final/` 目录
  2. 将最佳版本的论文、图表、实验数据、代码复制到 final/
  3. 生成 `submission_checklist.md`（投稿前检查清单）
  4. 生成 `submission_recommendation.json`：
     ```json
     {
       "recommended_venue": "NeurIPS 2026",
       "acceptance_probability": 0.52,
       "deadline": "2026-05-15",
       "backup_venues": ["AAAI 2027", "ICML 2027"],
       "final_paper_path": "final/paper.pdf",
       "total_rounds": 2,
       "improvement_trajectory": [0.35, 0.52]
     }
     ```
  5. 更新 `progress.json` 中的 `final_output` 字段

  ## 决策逻辑

  当 paper-reviewer 返回评审结果后：
  - 若 acceptance_probability ≥ 0.5 → 流程结束，归档最终产出
  - 若 acceptance_probability < 0.5 → 根据最低分维度决定回退：
    - novelty 最低 → 回退 01_idea_analysis，要求创新点强化
    - soundness 最低 → 回退 03_experiment_plan，补充实验
    - clarity 最低 → 回退 06_paper_writing，改善表达
    - significance 最低 → 回退 02_literature_review，寻找更强对比

  ## 约束

  - 最多迭代 5 轮。第 5 轮结束后无论评分如何都输出当前最佳版本。
  - 每次调用子智能体时，传递完整的上下文信息。
  - 保持 progress.json 实时更新，确保全局进度可追踪。

react:
  maxSteps: 50
  observationEnabled: true
  toolTimeout: 600
  verbose: true
  earlyStop: "acceptance_probability >= 0.5"

memory:
  enabled: true
  strategy: redis
  size: 100
  ttl: 86400
  scope: session

guard:
  validator: "'acceptance_probability' in x or 'final_output' in x"
  retry: 1
  fallback: last

mcp:
  onlineTool:
    scholar-mcp:
      - semantic_scholar_search
      - get_paper_details
    arxiv-mcp:
      - arxiv_search
    fs-mcp:
      - read_file
      - write_file
      - list_dir
      - mkdir
      - copy_file
  localTools:
    - terminate
    - read_idea
    - save_checkpoint
    - load_checkpoint
    - dispatch_agent
    - human_feedback
  policy:
    mode: auto
    maxConcurrent: 2
    retryOnFail: 1

# 运行时引擎配置 (Phase 6.5)
runtime:
  engine: cek          # recursive | cek | adaptive
  costBudget: 1.12       # USD — 超过此金额自动暂停
  maxSteps: 10000           # CEK 最大转移步数

rag:
  enabled: true
  source: ./knowledge/
  topK: 5
  chunkSize: 1000
  backend: chroma
  minScore: 0.3
  persistDirectory: ./.rag_cache/orchestrator

app:
  mcp:
    custom:
      nodes:
        scholar-mcp:
          url: "${SCHOLAR_MCP_URL}"
          endpoint: /mcp/scholar
          headers:
            Authorization: "${SCHOLAR_MCP_TOKEN}"
          timeout: 60
        arxiv-mcp:
          url: "${ARXIV_MCP_URL}"
          endpoint: /mcp/arxiv
          headers:
            Authorization: "${ARXIV_MCP_TOKEN}"
          timeout: 60
        fs-mcp:
          url: "${FS_MCP_URL}"
          endpoint: /mcp/fs
          headers:
            Authorization: "${FS_MCP_TOKEN}"
          timeout: 30