{"id":"7cd222c8-c7b6-481b-b76f-a3278f632ecf","entityType":"agent","slug":"clawhub-timerate-966-zhihu-research-page-skill","name":"一键生成知乎高质量回答网页（可自由剪裁）","canonicalUrl":"https://www.xpersona.co/agent/clawhub-timerate-966-zhihu-research-page-skill","canonicalPath":"/agent/clawhub-timerate-966-zhihu-research-page-skill","generatedAt":"2026-10-10T05:22:57.325Z","source":"CLAWHUB","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-10-09T10:17:47.663Z","emptyReason":null},"description":"自动搜索并整合≥500次真实引用，生成知乎风格≥10万字多答主深度知识网页，支持任意比例裁剪版本输出。 Skill: 一键生成知乎高质量回答网页（可自由剪裁） Owner: timerate-966 Summary: 自动搜索并整合≥500次真实引用，生成知乎风格≥10万字多答主深度知识网页，支持任意比例裁剪版本输出。 Tags: latest:0.1.0 Version history: v0.1.0 | 2026-07-24T03:13:08.162Z | auto Version 0.1.0 — initial release of zhihu-research-page-skill: - Create high-fidelity Zhihu-style web pages with automatic, large-scale web search and multi-answer simulation. - Supports flexible output scaling (2%–100%) with detailed","descriptionLabel":"Technical summary","evidenceSummary":"Capability contract not published. No trust telemetry is available yet. 3K downloads reported by the source. Last updated 10/9/2026.","installCommand":"clawhub skill install s170z5dfqjmsxte2sk1dsfehjh8b59c2:zhihu-research-page-skill","sourceUrl":"https://clawhub.ai/timerate-966/zhihu-research-page-skill","homepage":"https://clawhub.ai/timerate-966/skills/zhihu-research-page-skill","primaryLinks":[{"label":"View on ClawHub","url":"https://clawhub.ai/timerate-966/zhihu-research-page-skill","kind":"source"},{"label":"Homepage","url":"https://clawhub.ai/timerate-966/skills/zhihu-research-page-skill","kind":"homepage"}],"safetyScore":84,"overallRank":62,"popularityScore":70,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"自动搜索并整合≥500次真实引用，生成知乎风格≥10万字多答主深度知识网页，支持任意比例裁剪版本输出。 Skill: 一键生成知乎高质量回答网页（可自由剪裁） Owner: timerate-966 Summary: 自动搜索并整合≥500次真实引用，生成知乎风格≥10万字多答主深度知识网页，支持任意比例裁剪版本输出。"},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-10-09T10:17:47.663Z","emptyReason":null},"protocols":[{"protocol":"OPENCLEW","label":"OpenClaw","status":"self-declared","notes":"Declared in the public agent profile."}],"capabilities":[],"verifiedCount":0,"selfDeclaredCount":1,"capabilityMatrix":{"rows":[{"key":"OPENCLEW","type":"protocol","support":"unknown","confidenceSource":"profile","notes":"Listed on profile"}],"flattenedTokens":"protocol:OPENCLEW|unknown|profile"}},"adoption":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-09T10:17:47.663Z","emptyReason":null},"stars":null,"forks":null,"downloads":3003,"packageName":null,"latestVersion":"0.1.0","tractionLabel":"3K downloads"},"release":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-09T10:17:47.663Z","emptyReason":null},"lastUpdatedAt":"2026-10-09T10:17:47.663Z","lastCrawledAt":"2026-10-09T10:17:47.663Z","lastIndexedAt":null,"nextCrawlAt":"2026-10-10T10:17:47.663Z","lastVerifiedAt":null,"highlights":[{"version":"0.1.0","createdAt":"2026-07-24T03:13:08.162Z","changelog":"Version 0.1.0 — initial release of zhihu-research-page-skill: - Create high-fidelity Zhihu-style web pages with automatic, large-scale web search and multi-answer simulation. - Supports flexible output scaling (2%–100%) with detailed content quotas based on user input. - Produces structured workspace output with organized directories and local asset handling. - Implements a research workflow with search result accumulation, strict file management, and subagent operation. - Includes troubleshooting guidance and clear workflow/stage documentation for users.","fileCount":26,"zipByteSize":56455}]},"execution":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No published capability contract is available yet."},"installCommand":"clawhub skill install s170z5dfqjmsxte2sk1dsfehjh8b59c2:zhihu-research-page-skill","setupComplexity":"low","setupSteps":["Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.","Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data."],"contract":{"contractStatus":"missing","authModes":[],"requires":[],"forbidden":[],"supportsMcp":false,"supportsA2a":false,"supportsStreaming":false,"inputSchemaRef":null,"outputSchemaRef":null,"dataRegion":null,"contractUpdatedAt":null,"sourceUpdatedAt":null,"freshnessSeconds":null},"invocationGuide":{"preferredApi":{"snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"CLAWHUB","generatedAt":"2026-10-10T05:22:57.324Z"}},"retryPolicy":{"maxAttempts":3,"backoffMs":[500,1500,3500],"retryableConditions":["HTTP_429","HTTP_503","NETWORK_TIMEOUT"]}},"endpoints":{"dossierUrl":"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-timerate-966-zhihu-research-page-skill/trust"}},"reliability":{"evidence":{"source":"runtime-metrics","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No trust, reliability, or runtime telemetry is available."},"trust":{"status":"unavailable","handshakeStatus":"UNKNOWN","verificationFreshnessHours":null,"reputationScore":null,"p95LatencyMs":null,"successRate30d":null,"fallbackRate":null,"attempts30d":null,"trustUpdatedAt":null,"trustConfidence":"unknown","sourceUpdatedAt":null,"freshnessSeconds":null},"decisionGuardrails":{"doNotUseIf":["Contract metadata is missing or unavailable for deterministic execution."],"safeUseWhen":[],"riskFlags":["missing_or_unavailable_contract","trust_data_unavailable","schema_references_missing"],"operationalConfidence":"low"},"executionMetrics":{"observedLatencyMsP50":null,"observedLatencyMsP95":null,"estimatedCostUsd":null,"uptime30d":null,"rateLimitRpm":null,"rateLimitBurst":null,"lastVerifiedAt":null,"verificationSource":null},"runtimeMetrics":{"successRate":null,"avgLatencyMs":null,"avgCostUsd":null,"hallucinationRate":null,"retryRate":null,"disputeRate":null,"p50Latency":null,"p95Latency":null,"lastUpdated":null}},"benchmarks":{"evidence":{"source":"no-benchmark-data","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No benchmark suites or observed failure patterns are available."},"suites":[],"failurePatterns":[]},"artifacts":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"high","updatedAt":"2026-10-09T10:17:47.663Z","emptyReason":null},"readme":"Skill: 一键生成知乎高质量回答网页（可自由剪裁）\n\nOwner: timerate-966\n\nSummary: 自动搜索并整合≥500次真实引用，生成知乎风格≥10万字多答主深度知识网页，支持任意比例裁剪版本输出。\n\nTags: latest:0.1.0\n\nVersion history:\n\nv0.1.0 | 2026-07-24T03:13:08.162Z | auto\n\nVersion 0.1.0 — initial release of zhihu-research-page-skill:\n\n- Create high-fidelity Zhihu-style web pages with automatic, large-scale web search and multi-answer simulation.\n- Supports flexible output scaling (2%–100%) with detailed content quotas based on user input.\n- Produces structured workspace output with organized directories and local asset handling.\n- Implements a research workflow with search result accumulation, strict file management, and subagent operation.\n- Includes troubleshooting guidance and clear workflow/stage documentation for users.\n\nArchive index:\n\nArchive v0.1.0: 26 files, 56455 bytes\n\nFiles: .claude-plugin (0b), .claude-plugin/marketplace.json (947b), .claude-plugin/skill.json (947b), .gitignore (171b), CHANGELOG.md (20246b), examples (0b), examples/advanced.md (1522b), examples/basic.md (1172b), LICENSE (1076b), README.md (4194b), references (0b), references/css-template.css (6734b), scripts (0b), scripts/assemble.py (12691b), scripts/scan_html.py (6642b), scripts/wordcount_check.py (2420b), skill-card.md (2573b), SKILL.md (48485b), templates (0b), templates/author_block.html (629b), templates/search_agent_prompt.md (1217b), templates/writing_agent_prompt.md (1495b), tests (0b), tests/test.md (1219b), TROUBLESHOOTING.md (4332b), _meta.json (144b)\n\nFile v0.1.0:SKILL.md\n\n---\nname: zhihu-research-page\nversion: \"21.0.0\"\ntitle: \"知乎研究页生成器 — 一句话生成知乎高质量回答网页\"\nauthor: \"timeRATE-966\"\ndescription: 通过大规模联网搜索自动创建知乎风格的深度知识网页，样式高度还原 zhihu.com。生成 10 个章节的多答主模拟回答页面，含 ≥10 万有效中文字和 ≥500 次真实搜索引用。支持手动裁剪为任意比例版本（如\"执行 5% 版本\"→ ≥5 千字 / ≥25 次搜索），多次执行自动创建带版本号的独立文件夹。适用于生成知识专题页、学习路径教程、产品深度百科、行业研究报告等需要系统整理某一主题知识的场景。\n**[重要]100%版本约需 100 分钟且token消耗巨大，建议先生成 2% 版本检验效果**\ntype: \"agent\"\ncategory: \"research\"\ninvocation: \"/zhihu-research-page\"\ntags:\n - \"research\"\n - \"content-creation\"\n - \"web-generation\"\n - \"chinese\"\n - \"knowledge-base\"\ndifficulty: \"intermediate\"\nclaude_version: \">=1.0.0\"\npermissions:\n read:\n - \"project files\"\n - \"web content\"\n write:\n - \"project files\"\n network: \"extensive\"\nexamples:\n - input: \"/zhihu-research-page 执行2%版本\\n主题：什么是 Harness Engineering？\"\n output: \"自动搜索 ≥10 次，生成 3 章节知乎风网页（约 2,000 字），约 2 分钟\"\n - input: \"/zhihu-research-page 执行100%版本\\n主题：国际象棋怎么学？\"\n output: \"自动搜索 ≥500 次，生成 10 章节完整深度网页（≥100,000 字），约 100 分钟\"\n---\n\n\n# 一句话生成知乎高质量回答网页（可自由剪裁）\n\n## 用法示例\n\n```\n/ zhihu-research-page 执行5%版本\n主题：什么是 Harness Engineering？\n\n/ zhihu-research-page 执行100%的v2版本\n主题：国际象棋怎么学？代数记谱法、西西里、西班牙主流开局这些是什么？\n\n/ zhihu-research-page 执行200%的v2版本\n主题：各种调式的流行歌曲都有什么特点，它们各有什么代表作？\n```\n\n---\n\n## Skill 版本与更新日志\n\n当前版本：**v21**（2026-07-21）\n\n> 运行时需检查此版本号：若高于上次执行记录，则从 skill 目录重新读取最新 SKILL.md 和脚本更新工作区。\n\n更新日志（每行一句，格式 `vN [yyyy-MM-dd HH:mm:ss] 内容`）：\n- v21 [2026-07-21 22:26:31] 新增教程/学习模式（提炼答主背景、面向学习目标），自动同步检查，版本头\n- v20 [2026-07-19 07:41:47] 修复 f-string 转义、emoji 崩溃(→ASCII)、TARGET_WORDS 可配、Edit→Python 追加\n- v19 [2026-07-18 22:05:01] 新增部分执行模式(N% 版本)，任意百分比等比缩放\n- v18 [2026-07-18 21:32:27] 去硬编码重构，异常手册 TROUBLESHOOTING.md，蓝阈值收紧\n- v17 [2026-07-18 21:27:14] 搜索配额感知、子代理文件验收、来源池外化、code自检前移、Win编码兼容\n- v16 [2026-07-18 21:23:54] css-template.css code 样式对齐知乎、去硬编码style块、组装自查\n- v15 [2026-07-18 16:47:18] assemble 新增 style 去重+蓝归一\n- v14 [2026-07-18 15:37:47] zh-body→zh-page 类名隔离\n- v13 [2026-07-18 15:50:15] 头像与身份解耦(已回滚)\n- v12 [2026-07-18 15:35:44] 全图片本地化 ./images/\n- v11 [2026-07-18 15:28:56] 头像本地缓存 ./images/\n- v10 [2026-07-18 13:10:27] 目录组织 ./other/ ./research_result/\n- v9 [2026-07-18 02:19:55] 答主身份与头像三级优先级+四步流程\n- v8 [2026-07-18 00:17:07] scan_html.py 预扫描+子代理权限+code标签规范\n- v7 [2026-07-17 17:31:26] search_result.md 存疑/争议+毫秒时间戳\n- v6 [2026-07-17 17:27:14] search_result.md 格式对齐真实文件\n- v5 [2026-07-16 16:24:43] assemble 注入改为 ASSEMBLE 标记，幂等剥离\n- v4 [2026-07-14 14:30:00] search_result.md 协同积累机制\n- v3 [2026-07-14 12:00:00] 诊断先于搜索，去硬编码路径\n- v2 [2026-07-14 10:00:00] Skill 目录只读约定\n- v1 [2026-07-13 22:00:00] 初始 8 阶段工作流\n\n## 概述\n\n输入一个研究主题 → 自动产出：\n- 📄 一个知乎风格的完整 HTML 单页（含顶栏/问题头/侧栏/10 章节/页脚）\n- 🔗 每章 ≥11,000 有效中文字，全页 ≥100,000 字\n- 🔍 累计 ≥500 次真实 WebSearch（7~8 个并行搜索代理）\n- 📎 242+ 条真实可点击外链（禁止编造 URL）\n- 🧪 字数核验 + 结构校验脚本\n\n该工作流基于已验证的 LILYGO T-WATCH-2020 项目实战流程提炼而成。\n\n### 工作区目录约定\n\n为避免工作区根目录散落大量中间文件，所有产出严格按以下目录存放：\n\n```\n工作区/\n├── index.html # 最终 HTML 骨架（唯一留在根目录的文件）\n├── CHANGELOG.md # 更新日志（可选）\n├── images/ # 所有图片资源（与 HTML 同目录，相对路径引用）\n│ ├── ch-01.png # 答主头像缓存（.png/.jpg/.svg）\n│ ├── ch-02.svg # DiceBear 头像缓存\n│ ├── diagram-03.png # 章节插图/截图/示意图/logo\n│ └── ...\n├── other/ # 网页草稿、脚本、中间产物\n│ ├── _draft_*.html # 各章节 HTML 草稿\n│ ├── assemble.py # 从 skill 复制的拼接脚本\n│ ├── scan_html.py # 从 skill 复制的预扫描脚本\n│ ├── *.ps1 / *.py / *.json # 其他中间脚本和配置\n│ └── index_skeleton.html # 骨架备份（方便二次运行还原）\n└── research_result/ # 搜索结果及中间产物\n ├── search_result.md # 搜索结果累积文件\n └── *.md / *.json # 来源池清单、搜索报告等\n```\n\n**铁律**：\n- 阶段 0 第一步：`mkdir -p ./images ./other ./research_result`\n- 所有路径在命令行和代码中**显式使用 `./other/` 和 `./research_result/` 前缀**，不依赖 `cd`\n- 最终交付的 `index.html` 仍在根目录\n\n### 异常处理（TROUBLESHOOTING）\n\n**遇到异常时，必须先读取 `TROUBLESHOOTING.md`** 查找匹配方案。该文件覆盖 12 类高频异常的根因和修复步骤（配额耗尽、task-notification 不实、`` 字体异常、Windows 编码崩溃、颜色归一误伤、字数失真、权限被拒等）。仅在文件中无匹配方案时，才自行分析处理。\n\n---\n\n## 工作流总览（8 阶段）\n\n```\n[0] 收集输入 → [1] 诊断问题 → [2] 创建骨架 HTML → [3] 并行搜索(500+) → [4] 规划章节(基于搜索) → [4.5] 答主身份与头像配置 → [5] 并行写章 → [6] 组装校验 → [7] 交付\n```\n\n**严禁跳过任何阶段**。搜索和撰写都通过 Subagent 委托执行，主流程不直接生成章节内容。\n\n### 子代理权限配置（重要！）\n\n使用 Agent 工具启动的 `general-purpose` 子代理在写入文件时经常遇到 Write/Bash 权限被拒。需在项目根目录的 `.claude/settings.local.json` 中显式授权：\n\n```json\n{\n \"permissions\": {\n \"allow\": [\n \"Bash(python *:other/_draft_*.html *)\",\n \"Bash(python *:other/scan_html.py *)\",\n \"Bash(python *:other/assemble.py *)\",\n \"Write(*:other/_draft_*.html)\",\n \"Write(*:index.html)\",\n \"Write(*:other/assemble.py)\",\n \"Write(*:images/*.png)\",\n \"Write(*:images/*.jpg)\",\n \"Write(*:images/*.svg)\",\n \"Bash(curl *:images/*.png *)\",\n \"Bash(curl *:images/*.svg *)\",\n \"Edit(*:other/_draft_*.html)\",\n \"Edit(*:index.html)\"\n ]\n }\n}\n```\n\n若无此文件则创建。授予写入权限的文件类型：`_draft_*.html`（章节草稿）、`index.html`（骨架）、`assemble.py`（拼接脚本副本）。\n\n另外，如果 `.claude/settings.local.json` 中有 `additionalDirectories` 配置，确保当前工作区路径被包含在内，以便子代理能访问工作区文件。\n\n---\n\n## 📝 search_result.md 协同积累机制（核心协同规则）\n\n为保证 7 个并行搜索代理之间不重复劳动、且下游章节规划/撰写能读到一致的最新证据，**所有搜索结果统一沉淀到工作区文件 `search_result.md`**，采用「读上下文 → 搜索 → 返回即追加」闭环。\n\n### 文件位置与生命周期\n\n- 路径：**工作区**根目录 `./research_result/search_result.md`（读写，非 skill 目录）\n- 创建时机：**阶段 3 启动前**由主流程初始化（写入文件头）\n- 更新时机：**每一个搜索子代理返回后**，主流程立即把其结构化结果追加进去\n- 消费方：阶段 4（章节规划）、阶段 5（撰写代理）直接读取该文件作为「已搜索上下文」\n\n### 文件结构（实际格式，基于已验证的生产文件总结）\n\n```markdown\n# 搜索结果汇总 (search_result.md)\n\n> 本文件由主流程在每个搜索子代理回传后**自动追加**生成。\n> 记录每次回传的「已搜索次数」与「核心结果」，便于过程追溯与断点续跑。\n\n> 生成时间：{DATE}\n> 目标：累计 ≥{N} 次真实搜索\n> 累计搜索次数：{N}\n> 已覆盖子方向：{N}\n\n---\n\n## 学习路径问题诊断\n\n### 答主背景\n- 学历 / 已修课程 / 自学经验 / 欠缺 / 当前目标\n\n### 学习路径核心问题\n**核心问题**：{一句话概括}\n\n### 关键子问题\n1. ...\n2. ...\n（阶段 1 诊断产物，供下游搜索代理了解上下文）\n\n---\n\n## [{N}] {子方向名称} — 更新于 {ISO 时间戳，含毫秒}\n\n**本次搜索次数**：{N}次（WebSearch）\n\n**核心发现**：\n- 发现要点 1\n- 发现要点 2\n\n**关键数据/事实**（每条附 URL）：\n1. 数据/事实标题\n - 来源：https://...\n2. 数据/事实标题\n - 来源：https://...\n\n**存疑/争议**（可选，有则写）：\n- 说法 A（来源 X）与说法 B（来源 Y）不一致\n- 某数据在不同来源中有显著差异\n\n---\n```\n\n**注意**：来源直接内联在 `**关键数据/事实**` 区块下，格式为 `N. 标题\\n - 来源：URL`。**不**单独拆「来源池」区块——来源跟着数据走，拆多了搜索代理反而容易省略。`**存疑/争议**` 为可选项，有矛盾信息时才写，服务于阶段 4 的「争议焦点」提取。\n\n### 主流程闭环（每返回一个代理执行一次，具体追加代码见阶段 3.2）\n\n1. **读上下文**：读取当前 `search_result.md`，提取「已搜索次数总计」与已覆盖子方向，作为派发下一个代理时的去重依据。\n2. **追加**：调用下方「阶段 3.2」中的主流程 Python 片段（基于 `os.getcwd()` 与全局变量 `global_search_count`），以 `a` 模式把该代理的结构化结果追加为新区块，自动累加「累计搜索次数」、刷新「最后更新」时间戳。\n3. **回读**：追加完成后再次读取 `search_result.md`，作为下一步（派发下一个搜索代理 / 进入阶段 4）的上下文输入。\n\n### 并发安全约定\n\n- 7 个搜索代理仍用 `run_in_background: true` 并行启动，但**写入 `search_result.md` 的动作只允许主流程串行执行**（代理本身不直接写该文件，只把结果回传给主流程）。\n- 主流程按代理返回顺序逐条追加，互不竞争，避免并行写文件导致内容错乱。\n- 各搜索代理在 Prompt 中被告知「启动前先读取 `search_result.md` 了解已有覆盖」，以尽量减少方向重叠。\n\n---\n\n### 🔒 Skill 目录只读约定（重要！）\n\n用户可能通过指定目录路径的方式引用本 Skill（例如 `{用户目录}/zhihu-research-page`），该目录**是只读的技能定义源**。\n\n| 目录 | 读/写 | 说明 |\n|------|-------|------|\n| `/` | **只读** | 技能源码目录，包含 SKILL.md、references/、scripts/ |\n| `/references/css-template.css` | 只读 | 从中读取 CSS 模板 |\n| `/scripts/assemble.py` | 只读 | 从中**复制**到工作区后再编辑 CHAPTERS |\n| `{当前工作区}/` | **读写** | 所有产出物的落点：index.html、_draft_*.html、assemble.py |\n\n**铁律**：\n- ❌ 绝不修改 `/` 下的任何文件\n- ✅ 所有文件创建/编辑都在当前工作区完成\n- ✅ assemble.py 从 skill 目录**复制一份**到工作区，在工作区副本上编辑 CHAPTERS 并运行\n\n---\n\n## 阶段 0：收集输入\n\n向用户确认以下信息（缺省用默认值）：\n\n| 参数 | 默认 | 说明 |\n|------|------|------|\n| 研究主题 | **从对话上下文自动提炼** | 若用户未明确指定主题，扫描当前对话中涉及的课题/项目/问题域，提炼为一句中文主题 |\n| 参考材料 | 空 | 用户提供的文档/链接/笔记，将注入所有子代理 |\n| 章节建议 | 按主题自动规划 | 用户可指定 >5 个章节标题 |\n| 输出路径 | `./index.html` | 成品 HTML 路径 |\n| 语言 | 中文 | 章节撰写语言 |\n| **部分执行比例** | 无（完整执行） | 如用户说\"仅执行 3%\"，则按比例缩减所有参数（见下方规则） |\n\n> **主题提炼规则**：若用户只说\"执行 skill\"/N%\"版本\"而未给主题，**不追问用户**，直接从当前对话上下文中提取——优先扫描最近的课题讨论、项目描述、诊断报告、打开的文件夹名、工作区 `CLAUDE.md` 中项目描述，选最突出的一个作为主题。阶段 1 开头告知用户确认即可。\n\n### 自动同步检查\n\n**每次执行前**，主流程必须：\n1. 读取 skill 源 `SKILL.md` 顶部的 `` 注释，与工作区记录的版本对比\n2. 若 skill 版本更高 → 将工作区旧文件**剪切**到 `./other/_OLD/` 归档（带时间戳前缀，不覆盖历史），再从 skill 目录复制最新文件\n\n```bash\nSKILL_DIR=\"\" # 如 ~/.claude/skills/zhihu-research-page\nCURRENT=$(cat ./other/.skill_version 2>/dev/null || echo \"v0\")\nLATEST=$(grep -oP 'VERSION:\\Kv\\d+' \"$SKILL_DIR/SKILL.md\" | head -1)\nif [ \"$CURRENT\" != \"$LATEST\" ]; then\n echo \"Skill 已更新：$CURRENT → $LATEST，正在同步...\"\n TS=$(date +%Y%m%d_%H%M%S)\n mkdir -p ./other/_OLD/\"${TS}\"\n # 归档旧文件（不覆盖历史记录）\n for f in ./other/assemble.py ./other/scan_html.py ./other/wordcount_check.py; do\n [ -f \"$f\" ] && mv \"$f\" \"./other/_OLD/${TS}/\"\n done\n # 复制新文件\n cp \"$SKILL_DIR\"/scripts/assemble.py \"$SKILL_DIR\"/scripts/scan_html.py \"$SKILL_DIR\"/scripts/wordcount_check.py ./other/ 2>/dev/null\n echo \"$LATEST\" > ./other/.skill_version\n echo \"旧文件已归档到 ./other/_OLD/${TS}/，新文件已就位，继续执行。\"\nfi\n```\n\n### 教程/学习模式\n\n当主题包含 **教程、教学、学习路径、学习、怎么做、入门、指南、上手、怎么用** 等关键词时，自动启用。在阶段 0 额外执行：\n\n1. **提炼答主背景**：从对话上下文提取——已修课程、编程语言掌握程度、有无相关经验、当前项目阶段、已掌握/未掌握的知识点\n2. **必要时提问**：若背景信息不足以判断入门门槛（如不确定是否会 Python、是否有 Linux 环境），发起 1~2 个简短确认问题，不追问超过 2 轮\n3. **搜索目标调整**：优先搜索面向该背景的入门教程、实战案例、新手常见误区、避坑指南，而非学术文献或高阶架构\n4. **写作目标调整**：整页结构设计为\"跟着做就能上手\"——每章含前置知识标注、操作步骤、预期结果截图描述、常见报错及解决。让答主从头看到尾就能**学会某些技能、扎实理解某些知识点、学会某些操作、会做某些事情**\n\n### 部分执行模式（N% 版本）\n\n当用户指定\"仅执行 X% / N% 版本\"时，按以下公式等比缩缩，且**主题与上一版本完全相同**。**N 可以是任意正数**（1%、30%、200%、500% 等均支持）。\n\n| 参数 | 完整版 | N% 版本（N 为任意正数） |\n|------|--------|-------------------------|\n| 工作目录 | 当前工作区 | 新建 `v{M}_{N}pct/`（与上一版本目录同级，M = 上一版本号+1） |\n| 搜索次数 | ≥500 | `max(5, floor(500 × N/100))` |\n| 每章字数 | ≥11,000 | `max(100, floor(11000 × N/100))` |\n| 全页字数 | ≥100,000 | `floor(100000 × N/100)`（无额外地板，1% 就是 1000） |\n| 章节数 | 10 | `max(3, min(30, floor(10 × N/100)))`（N%≤100% 自动缩为 3~10 章；>100% 允许扩到最多 30 章） |\n| 搜索代理数 | 3 轮串行 | N%≤100% 用 1 个；>100% 按 `min(6, floor(3 × N/100))` 代理 |\n| HTML `` | 主题 | `{主题}（{N}%版本）` |\n| 知乎问题 `<h1>` | 主题 | `{主题}（{N}%版本）` |\n| 答主头像 | DiceBear（默认） | DiceBear，跳过头像搜索 |\n\n**各 N% 示例**：\n\n| N% | 搜索 | 字数/章 | 总字数 | 章节数 | 适用场景 |\n|----|------|---------|--------|--------|----------|\n| 1% | 5 | 110 | 1,000 | 3 | 极速预览 |\n| 3% | 15 | 330 | 3,000 | 3 | 快速验证 |\n| 30% | 150 | 3,300 | 30,000 | 3 | 中速草稿 |\n| 100% | 500 | 11,000 | 100,000 | 10 | 完整版 |\n| 200% | 1,000 | 22,000 | 200,000 | 20 | 深度加量 |\n| 500% | 2,500 | 55,000 | 500,000 | 30 | 超深度（注意 token/时间预算） |\n\n> **实用限制**：N%>300% 时建议分批次交付，避免单次 session token 耗尽。\n\n**铁律**：\n- 新目录 `v{N}_{percentage}pct/` 创建在与上一版本目录**同级**（如已有 `v2-学习路径/`，则创建 `v3_3pct/`）\n- 目录内按标准约定建 `images/`、`other/`、`research_result/` 子文件夹\n- HTML `<title>` 和问题 `<h1>` 必须包含\"N%版本\"字样，用户打开即知为缩略版\n- 主题、大纲结构与上一版本保持一致，仅因子量被等比例压缩\n\n---\n\n## 阶段 1：诊断问题\n\n**在搜索之前**，先对主题做结构化诊断，明确研究的范围和方向。\n\n### 1.1 拆解问题\n\n将用户的研究主题拆解为：\n- **核心问题**：1 句话概括用户真正想知道什么\n- **关键子问题**：3~5 个，覆盖不同维度（是什么、为什么、怎么办、有没有案例、要不要花钱）\n- **预期答案轮廓**：回答这个主题需要覆盖哪几类信息\n\n### 1.2 确定搜索方向\n\n基于诊断结果，规划 7 个搜索子方向（对应阶段 3 的 7 个搜索代理），每个方向一句话描述。确保搜索方向之间互不重叠、加起来覆盖诊断的所有关键子问题。\n\n### 1.3 拟定临时问题标题\n\n给出一个知乎风的问题标题草稿，用于阶段 2 的骨架 HTML。标题应：\n- 以问句形式（\"XX 是什么？\"\"为什么 XX？\"\"怎么解决 XX？\"）\n- 有吸引力、能勾起点击欲\n- 后续可根据阶段 3 的搜索结果微调\n\n### 1.4 诊断示例\n\n**主题**：排查最近几天 CPU 和磁盘占用异常升高的原因\n\n| 维度 | 内容 |\n|------|------|\n| 核心问题 | 最近几天系统 CPU 和磁盘 I/O 突然飙升的根本原因是什么？ |\n| 关键子问题 | ① 哪个进程/服务占用最高？② 是系统服务还是第三方程序？③ 是否有定时任务/计划任务触发？④ 磁盘 I/O 是随机读写还是顺序读写？⑤ 最近安装了哪些软件/更新？ |\n| 7 个搜索方向 | 系统性能监控方法、常见高 CPU 进程排查、磁盘 I/O 诊断工具、Windows 资源监视器分析、Sysinternals 工具链、杀软/索引服务资源占用、最近 Windows 更新已知性能问题 |\n| 临时标题 | 最近几天电脑风扇狂转、磁盘灯长亮？可能是这几个原因在搞鬼 |\n\n---\n\n## 阶段 2：创建骨架 HTML（index.html）\n\n### 2.1 使用 CSS 模板\n\n直接读取 `references/css-template.css` 的完整内容，嵌入 `<style>...</style>` 块。**不要修改 CSS**（它已包含完整的知乎设计 Token、顶栏、卡片、回答、侧栏及响应式规则）。\n\n### 2.2 构建 HTML 结构\n\n模板如下（`{...}` 部分根据主题替换）：\n\n```html\n<!DOCTYPE html>\n<html lang=\"zh-CN\">\n<head>\n<meta charset=\"UTF-8\">\n<meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n<title>知乎 · {主题的一句话问题}\n\n\n\n\n
\n
\n 知乎\n \n
\n
\n
\n
\n\n
\n
\n\n
\n

{主题的知乎风问题标题}

\n
被浏览 12,847 次关注问题 · 分享
\n \n 5 个回答\n
\n\n \n\n \n\n
\n\n\n\n
\n\n\n```\n\n### 2.3 CSS 注入方式\n\n从 **skill 目录**（只读）的 `references/css-template.css` 读取，写入**工作区**的 `index.html`。示例：\n```python\nimport os\nskill_dir = \"\" # 用户指定的技能目录路径\nworkspace = os.getcwd() # 当前工作区\ncss_path = os.path.join(skill_dir, \"references\", \"css-template.css\")\ncss = open(css_path, encoding=\"utf-8\").read()\nhtml = html.replace(\"/* 粘贴 references/css-template.css 完整内容 */\", css)\n# index.html 写入工作区\nopen(os.path.join(workspace, \"index.html\"), \"w\", encoding=\"utf-8\").write(html)\n```\n**必须完整嵌入** CSS，不缩略。CSS 文件只读，不修改。\n\n---\n\n## 阶段 3：并行搜索（≥500 次真实搜索）\n\n### 3.1 启动搜索代理（配额感知，3 轮串行）\n\n**核心教训**：per-session 搜索配额是主子代理共享硬限——7 代理并行各要求 ≥72 次，总需 ≥504 次，多数代理在 20-30 次即触顶，大量 token 消耗在\"尝试→失败→请提升配额\"空转。**改为 3 轮串行**：\n\n```python\nremaining = 200 # 全局剩余配额（主子代理共享）\nagents_per_round = min(3, remaining // 72) # 每轮最多 3 个，确保每个 ≥72 次\nif agents_per_round == 0:\n # 剩余不足 72 次时，剩余配额集中给 1 个代理\n agents_per_round = 1\n```\n\n**执行方式**：\n- 第 1 轮：3 个代理 × 72 次 = 216 次（如配额足够）\n- 第 2 轮：另 3 个代理（剩余配额允许���）\n- 第 3 轮：剩余代理\n- 每轮串行等待完成后再启动下一轮，避免同时触顶的 token 空转\n- 官方文档（espressif、arduino、github docs 等）优先用 `WebFetch` 抓取——不计入搜索配额\n\n**搜索代理通用 Prompt 模板**：完整模板见 `templates/search_agent_prompt.md`。\n\n使用时读入并替换 `{direction}` 占位符：\n\n```python\nprompt = open('/templates/search_agent_prompt.md', encoding='utf-8').read()\nprompt = prompt.replace('{direction}', agent_direction)\n```\n\n**子代理完成验收标准（重要）**：\n- ⚠️ task-notification 元数据声明（\"搜索 85 次\"等）不可信——实际文件状态才是真相\n- ✅ 唯一验收方式：`ls` 检查指定文件已生成 + 文件大小 > 0\n- ✅ 代理必须将结构化报告**写入明确的文件路径**（如 `./research_result/report_XX.md`）作为完成凭证\n- ❌ 仅通过 SendMessage 回传文本、无文件落盘的，视为未完成\n\n### 3.2 每个代理回传即追加 ./research_result/search_result.md（重要）\n\n> **追加策略**：优先用 Python `open(path, \"a\")` 追加字符串——比 Edit 工具更稳定（Edit 在 old_string 含反引号/公式/特殊字符时匹配脆弱，易失败需重试）。仅当需要更新文件头计数器时才用 Edit 做精准替换。\n\n**核心要求**：每收到一个搜索子代理的回传，主流程必须**立即**将该代理的结构化报告追加写入工作区的 `./research_result/search_result.md`，而不是等 7 个代理全部回传后再统一处理。\n\n**首次写入（第 1 个代理回传前）**：若 `./research_result/search_result.md` 不存在，先以写入模式创建并写入文件头。文件头应包含「目标搜索次数」「累计搜索次数」「已覆盖子方向」三个实时计数器，并在文件尾预留 `---` 分隔：\n\n```python\nimport os, datetime\nws = os.getcwd()\npath = os.path.join(ws, \"research_result\", \"search_result.md\")\ntarget = 504 # 目标总搜索次数（7 代理 × 72）\nheader = (\n \"# 搜索结果汇总 (search_result.md)\\n\\n\"\n \"> 本文件由主流程在每个搜索子代理回传后**自动追加**生成。\\n\"\n \"> 记录每次回传的「已搜索次数」与「核心结果」，便于过程追溯与断点续跑。\\n\\n\"\n f\"> 生成时间：{datetime.date.today().isoformat()}\\n\"\n f\"> 目标：累计 ≥{target} 次真实搜索\\n\"\n \"> 累计搜索次数：0\\n\"\n \"> 已覆盖子方向：0\\n\\n\"\n \"---\\n\"\n)\nopen(path, \"w\", encoding=\"utf-8\").write(header)\n```\n\n**注意**：文件头中的 `累计搜索次数` 和 `已覆盖子方向` 每次追加后需由主流程回写更新，以便断点续跑时读取当前进度。\n\n**后续每个代理回传**：以追加模式写入一个区块，并维护全局累计搜索次数 `global_search_count`（主流程内部变量，初始 0）。区块标题统一用 `## [{N}] {子方向名称} — 更新于 {ISO 时间戳}` 格式（精确到毫秒）：\n\n```python\nimport os, datetime\nws = os.getcwd()\npath = os.path.join(ws, \"research_result\", \"search_result.md\")\n\n# agent_report = 该搜索代理回传的结构化报告字符串\n# agent_search_count = 代理自报的本方向搜索次数（从报告第 3 项解析）\n# global_search_count 已在主流程初始化\n# agent_direction = 该代理负责的方向描述\nglobal_search_count += agent_search_count # 累加全局计数\nbatch_no = global_search_count # 用累计次数做序号（断点续跑友好）\nnow_ts = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S.%f')[:-3] # 精确到毫秒\n\nblock = (\n f\"## [{batch_no}] {agent_direction} — 更新于 {now_ts}\\n\\n\"\n f\"**本次搜索次数**：{agent_search_count}次（WebSearch）\\n\\n\"\n f\"{agent_report}\\n\\n\" # 代理的原始结构化报告\n \"---\\n\\n\"\n)\nwith open(path, \"a\", encoding=\"utf-8\") as f: # 始终用 \"a\" 追加\n f.write(block)\n\n# 追加完成后回写文件头中的累计搜索次数和已覆盖子方向（用于断点续跑读取）\ncontent = open(path, encoding=\"utf-8\").read()\ncontent = re.sub(r'> 累计搜索次数：\\d+', f'> 累计搜索次数：{global_search_count}', content)\ncontent = re.sub(r'> 已覆盖子方向：\\d+', f'> 已覆盖子方向：{batch_no}', content)\nopen(path, \"w\", encoding=\"utf-8\").write(content)\n```\n\n**文件内容约定**：\n- 顶部固定为文件头（含生成时间、目标、累计搜索次数、已覆盖子方向）\n- 阶段 1 诊断信息以 `## 学习路径问题诊断` 开头（含答主背景、核心问题、关键子问题）\n- 每个搜索代理回传一个 `## [{N}] {方向} — 更新于 {ISO 时间戳}` 区块，包含 `**本次搜索次数**`、`**核心发现**`、`**关键数据/事实**（每条附 URL）`、可选的 `**存疑/争议**`\n- 来源直接内联在 `**关键数据/事实**` 区块下，格式：`N. 标题\\n - 来源：URL`\n- 区块间用 `---` 分隔\n- 保留代理原始结构化报告原文（不做二次加工）\n\n**用途**：该文件是搜索过程的可追溯日志，既可用于断点续跑（下次运行先读文件头的累计搜索次数），也可在阶段 4 规划章节时作为证据参考。\n\n### 3.3 汇总来源池\n\n各代理回传并写入 `./research_result/search_result.md` 后，从所有区块的 `**关键数据/事实**` 下提取 `N. ... \\n - 来源：URL` 格式的链接，合并为一个去重清单。提取正则：`re.findall(r'- 来源：(https?://[^\\s\\n]+)', content)`。此清单将在阶段 5 传给每个撰写代理。\n\n---\n\n## 阶段 4：规划章节（基于搜索结果的证据驱动）\n\n**严禁在搜索之前猜测章节标题。** 章节规划必须基于阶段 3 的搜索发现。\n\n### 4.1 从搜索报告中提取章节主题\n\n分析阶段 3 各搜索代理的结构化报告，提取：\n- **高频主题**：多个搜索代理都提到的核心议题\n- **争议焦点**：搜索结果中存在不同说法/矛盾的话题（值得单列一章呈现多元观点）\n- **知识缺口**：搜索结果中哪些方面信息充分、哪些不足（不足的标注\"需在撰写阶段补充搜索\"）\n\n### 4.2 设计 10 个章节\n\n确保：\n- 逻辑递进（概念→原理→实践→生态/常见方案/避坑）\n- 覆盖维度全面（定义背景/技术细节/实战案例/对比选型/未来趋势/社区资源）\n- 标题简洁（≤20字）、有吸引力（知乎风）\n- **每个章节标题直接对应搜索报告中的具体发现**，不是凭空拟的\n\n### 4.3 填入 CHAPTERS\n\n将章节列表写入**工作区**的 `assemble.py` 的 `CHAPTERS` 变量（此文件是从 skill 目录的 `scripts/assemble.py` 复制到工作区的副本）。参考格式：\n```python\nCHAPTERS = [\n (\"基于诊断命名的章节1\", \"ch-01\", [\"_draft_ch_01.html\"]),\n (\"基于诊断命名的章节2\", \"ch-02\", [\"_draft_ch_02.html\"]),\n # ... 其余 8 章\n]\n```\n\n### 4.4 为每章拟定子方向\n\n为每个章节写 3~5 条预期覆盖要点（传给阶段 5 的撰写代理），这些要点直接来自搜索报告中的发现。如果某章的搜索结果不足，标注\"本章需在撰写阶段补充 ≥30 次专项搜索\"。\n\n---\n\n## 阶段 4.5：答主身份与头像配置\n\n> **默认策略**：使用 DiceBear 风格化 SVG 头像（稳定、统一、零搜索成本）。仅当用户**明确要求**真实头像时才启动身份搜索——子 agent 搜索真实头像的性价比极低（消耗 ~150 次调用、~64K token、~30 分钟，常见收获仅 8 个可用头像）。\n\n### 头像选取三级优先级\n\n| 优先级 | 来源 | 判定标准 |\n|--------|------|----------|\n| 1 级 | 真实人物公开头像 | 公开可独立验证的直链（GitHub CDN `avatars.githubusercontent.com/u/`、豆瓣影人页、雪球/掘金/丁香园等平台公开头像、个人官网） |\n| 2 级 | DiceBear 风格化 SVG | `https://api.dicebear.com/7.x/{bottts-neutral|avataaars|notionists}/svg?seed=<英文短语>&backgroundColor=&radius=50`，三种风格交替配合不同配色 |\n| 3 级 | 单字符占位 | `
{首字}
`（仅在前两级均不可用时使用） |\n\n**铁律**：\n- ❌ 绝不编造图链（包括看似合理的 `.com/v2-...` 占位路径）\n- ❌ 身份不明的真实人物宁弃用（仅查到 ID/账号存在但查不到是谁的，不纳入）\n- ❌ 不依赖 WebFetch 测可达（企业策略/网络限制下 WebFetch 常不可靠）\n\n### 完整流程（五步）\n\n#### 步骤 1：通道探测（阶段 4.5 的第一步，只做一次）\n\n先确认本机可用的头像图链源及代理端口：\n\n```bash\n# 测 GitHub CDN（通常最可靠）\ncurl -sI --max-time 5 \"https://avatars.githubusercontent.com/u/1\" | head -3\n\n# 测 DiceBear API\ncurl -sI --max-time 5 \"https://api.dicebear.com/7.x/bottts-neutral/svg?seed=test\" | head -3\n\n# 如有企业代理，补充 -x <代理地址>\ncurl -x http://proxy:port -sI --max-time 5 \"https://avatars.githubusercontent.com/u/1\" | head -3\n```\n\n记录**实际可达的源**和端口，作为后续验证的基础。不同机器结果可能不同，不预设。\n\n#### 步骤 2：身份搜索与即验（每章独立，可并行）\n\n对每个章节的人设领域，并行派发 ≥2 个子 agent 搜索真实人物公开身份：\n\n```\n任务：搜索「{章节领域}」领域的真实公开人物，获取其公开头像 URL。\n要求：\n- 搜索该领域的知名专家/博主/贡献者（GitHub、技术博客、学术主页等）\n- 仅返回可独立验证的人物：姓名明确 + 领域身份可交叉印证\n- 头像 URL 必须是公开直链（如 GitHub avatar CDN），非需登录的平台内链\n- 身份不明者（仅知 ID 但查不到真实身份）不返回\n- 每人返回：姓名、身份简述、头像直链 URL、印证来源\n```\n\n**即验**：主流程不等待所有子 agent 回传——候选图链一到就用 `curl -sI` 亲测可达，取\"**身份交叉印证 + 图链可达**\"双重确认的锚定值。无双重印证的降级到 DiceBear。\n\n#### 步骤 2.5：缓存头像到本地 `./images/`（关键——避免外链失效）\n\n所有确认为有效（图链可达）的头像必须下载缓存到工作区 `./images/` 子目录，HTML 中引用本地路径而非外链：\n\n```bash\n# 真实头像：curl 下载并根据 Content-Type 确定扩展名\ncurl -sL -o \"./images/ch-01.tmp\" \"https://avatars.githubusercontent.com/u/20641750?v=4\"\nEXT=$(file --mime-type -b \"./images/ch-01.tmp\" | cut -d'/' -f2 | sed 's/jpeg/jpg/')\nmv \"./images/ch-01.tmp\" \"./images/ch-01.${EXT}\"\n\n# DiceBear SVG：直接保存为 .svg（远程 API 可能失效或限流）\ncurl -sL -o \"./images/ch-02.svg\" \\\n \"https://api.dicebear.com/7.x/avataaars/svg?seed=arduino-fan&backgroundColor=f4b400&radius=50\"\n```\n\n**缓存规则**：\n- 真实头像保留原始格式（`.png` / `.jpg`），命名 `ch-<序号>.`\n- DiceBear SVG 以 `.svg` 后缀缓存\n- 缓存完成后，JSON 映射表中的 `avatar` 字段改为本地相对路径（如 `./images/ch-01.png`、`./images/ch-02.svg`）\n- 原始外链保留在 `avatar_remote` 字段供溯源\n\n#### 步骤 3：注入并统一结构（使用本地缓存路径）\n\n将每章作者块统一为以下结构，`src` 指向本地 `./images/` 缓存路径：\n\n```html\n
\n
\n \"{答主名}头像\"\n
\n
\n
{答主名}
\n
{一句话简介}
\n
\n \n
\n```\n\n- 头像路径由阶段 4.5 缓存后确定，**注入到章节写作代理的 Prompt 中**，代理不得自行编造\n- DiceBear 示例：`./images/ch-02.svg`\n- GitHub 真实头像示例：`./images/ch-01.png`\n\n#### 步骤 4：最终确认（Dump）\n\n注入章节后，用精确命令验证，**不依赖跨行正则**（跨行正则会被换行符截断，误判为未注入）：\n\n```bash\n# ✅ 正确的验证方式——grep -o 按行匹配\ngrep -o 'author-avatar[^<]*' ./other/_draft_*.html | head -20\n\n# 或用 Python 上下文打印\npython -c \"\nimport re\nhtml = open('./other/index_skeleton.html', encoding='utf-8').read()\n# 找每个 author-avatar 块内容\nfor m in re.finditer(r'
(.*?)
', html, re.S):\n print(m.group(1).strip()[:100])\n\"\n```\n\n**不要**用 `[^>]*` 跨行匹配（会因换行截断匹配不到，误报\"未注入\"）。\n\n### 4.5 产出\n\n阶段 4.5 完成后，应有一个明确的 JSON 映射表传给阶段 5 写作代理：\n\n```json\n{\n \"ch-01\": {\"name\": \"嵌入式老潘\", \"bio\": \"10年嵌入式开发经验\", \"avatar\": \"./images/ch-01.svg\", \"tier\": \"dicebear\"},\n \"ch-02\": {\"name\": \"创客阿杰\", \"bio\": \"Arduino中文社区活跃贡献者\", \"avatar\": \"./images/ch-02.svg\", \"tier\": \"dicebear\"},\n \"ch-03\": {\"name\": \"开源极客小凯\", \"bio\": \"智能硬件独立开发者, GitHub 5K star 项目作者\", \"avatar\": \"./images/ch-03.png\", \"avatar_remote\": \"https://avatars.githubusercontent.com/u/20641750\", \"tier\": \"real\", \"avatar_source\": \"GitHub用户头像（仅作视觉素材）\"}\n}\n```\n\n每个章节一条记录，含：\n- `name` — 答主名（与章节领域匹配）\n- `bio` — 简介，与章节领域匹配\n- `avatar` — 本地缓存路径（`./images/ch-XX.`）\n- `tier` — real / dicebear / fallback（仅指头像图源的来源等级）\n- `avatar_remote` — 真实头像原始外链（仅 `tier=real` 时存在）\n- `avatar_source` — 头像出处说明（如\"GitHub用户头像（仅作视觉素材）\"）\n\n---\n\n### 5.1 启动 10 个并行撰写代理\n\n在一条消息中批量启动 10 个 Agent（`subagent_type: \"general-purpose\"`, `run_in_background: true`）。每个代理：\n- 负责一个章节\n- 必须写入指定的 `_draft_ch_XX.html` 文件\n- 用 Python 脚本自验有效中文字 ≥11,000\n\n### 5.2 章节撰写代理 Prompt 模板\n\n完整模板见 `templates/writing_agent_prompt.md`。使用时读入并替换占位符：\n\n```python\nprompt = open('/templates/writing_agent_prompt.md', encoding='utf-8').read()\nprompt = prompt.replace('{topic}', topic)\nprompt = prompt.replace('{chapter_title}', ch_title)\nprompt = prompt.replace('{chapter_points}', ch_points)\nprompt = prompt.replace('{chapter_urls}', ch_urls)\nprompt = prompt.replace('{chapter_id}', ch_id)\n```\n\n- 作者块 HTML 模板见 `templates/author_block.html`\n- 写完后运行独立验收：`python -X utf8 scripts/wordcount_check.py ./other/_draft_ch_XX.html`\n- 结果 ≥11,000 且与 agent 自述差 ≤5% 才算完成，否则扩写\n\n### 5.3 并行启动方式\n\n```python\nfor ch in chapters:\n Agent(name=f\"writer-{ch.anchor}\", subagent_type=\"general-purpose\",\n run_in_background=True, prompt=chapter_prompt)\n```\n\n**建议至少额外补充 30~60 次搜索在每个撰写代理中**，用于核实所引用的具体数据点。\n\n---\n\n## 阶段 6：组装与核验\n\n### 6.1 准备脚本（复制到工作区）\n\n从 skill 目录（只读）复制两个脚本到工作区：\n\n```bash\ncp /scripts/scan_html.py ./other/scan_html.py\ncp /scripts/assemble.py ./other/assemble.py\n```\n\n编辑工作区副本的 `assemble.py`：将阶段 4 规划的章节列表填入 `CHAPTERS` 变量。`scan_html.py` 无需编辑——它自动扫描所有 `_draft_*.html`。\n\n### 6.2 预扫描 HTML — 标签完整性检查（assembler 兜底，问题消灭在草稿阶段更高效）\n\n**在运行 assemble.py 之前**，必须先运行预扫描：\n\n```bash\n# Windows 注意：必须设置编码，否则 emoji 输出崩溃\npython -X utf8 ./other/scan_html.py\n# 或 set PYTHONIOENCODING=utf-8 && python ./other/scan_html.py\n```\n\n> **Windows 编码警告**：`scan_html.py` 使用 emoji（⚠️✅）输出，Windows 控制台默认 cp936 编码会导致 `UnicodeEncodeError`。必须加 `-X utf8` 标志或设 `PYTHONIOENCODING=utf-8`，否则脚本在 Windows 上首次运行即崩溃。\n\n脚本自动检测三类高频 `` 标签问题（子代理生成内容的最大翻车点）：\n\n| 问题类型 | 检测项 | 后果 |\n|----------|--------|------|\n| A. 开闭不匹配 | `` 开启与 `` 闭合数量不一致 | 后续全文变等宽字体 |\n| B. 块级标签嵌套 | `...` 内出现 `

`/``/`

`/`
` 等 | `font-family: monospace` 泄漏到正文 |\n| C. 异常闭合 | 闭合标签含中文字符（如 ``、``） | 标签不闭合，浏览器行为不可预期 |\n| D. 交叉嵌套 | `` 与 `` 开闭顺序交叉 | 字体继承链断裂 |\n\n若发现问题，按报告逐文件修复（常见修复：把 `` 内的块级标签移到外面，补上缺失的 ``，修正错位的 ``）。修复后重跑 `scan_html.py` 确认清零，再进入 6.3。\n\n> **排查优先级（重要）**：当用户引用本 skill 要求\"修复网页结构问题\"或\"字体异常/全是等宽字\"时，**优先排查 `` 标签完整性**，而非修改 CSS。99% 的字体泄漏和结构异常来自 `` 标签封闭不当，`css-template.css` 本身已验证无误。\n\n### 6.3 运行 assemble.py\n\n```bash\npython ./other/assemble.py\n```\n\n脚本会依次：\n1. 补 h2/h3 样式（若缺失）\n2. 剥离旧章节（幂等），注入锚点 id\n3. 一次性将全部章节替换骨架的 `` 占位标记\n4. **去重 `