A research agent platform for turning analysis workflows into durable capabilities.
一个面向科研数据分析的 agent 工作台：稳定内核、可切换模型、可治理的方法能力、可演进的 skill / plugin 体系。
它不是把“大模型 + 一堆脚本”临时拼起来，而是想把科研分析里最难长期维护的几件事放进同一套系统：
- 已集成方法可以直接跑
- Python / R 计算能力可以被 agent 稳定调用
- 论文、SOP、codebook、经验笔记可以沉淀成 skill
- 成熟方法可以升级成 external plugin / bundled plugin
- 整个系统能逐步形成 受控自进化，而不是失控堆逻辑
- Research-first, not chat-first
- 从一开始就围绕问卷、量表、统计分析、方法沉淀来设计，而不是事后给通用 agent 打补丁
- Stable Rust kernel
- runtime、配置、插件、会话、指令边界放在稳定内核里，避免方法逻辑四处散落
- Python / R execution where it matters
- 用最合适的计算层做清洗、计分、psychometrics、CFA、作图、报告输出
- Model-switchable by design
- DeepSeek、Kimi、Qwen、OpenAI-compatible 都能接进同一工作流，而不是被单一 provider 绑死
- Skill / plugin growth loop
- 材料先沉淀成 skill，成熟方法再升级成 plugin，最终形成可复用能力资产
- Built for Chinese research workflows
- 已开始补中文/CJK 图表输出、研究文档沉淀、方法治理这些真实使用中的关键细节
- Presentation defaults that target paper-ready output
- 默认按克制、清晰、可进入 SSCI / 顶刊工作稿的图表、表格、文本规范来组织结果；用户给出目标期刊或导师规范后再覆盖调整
大多数 agent 项目擅长“会做事”，但不擅长“把研究方法长期沉淀成可维护能力”。
claw-code-paper 的长处在于，它不是只追求一次性回答，而是在做一套 适合科研分析场景长期积累 的 agent 基础设施：
- Rust-first kernel
- 把 runtime、配置、插件、会话、指令注入这些底层能力做稳
- Python / R as research engines
- 把真正的数据分析、统计检验、图表输出交给最合适的计算层
- Skill-first knowledge capture
- 把流程知识、方法说明、研究规范、SOP 变成可复用 skill
- Plugin-first executable methods
- 把稳定、重复、高价值的方法沉淀成工具契约与插件能力
- Controlled self-extension
- 让系统“越用越会”，但通过规范、验证和分层治理来进化
换句话说，这个项目的目标不是“做一个能聊天的研究助手”，而是：
做一个能把科研分析能力逐步产品化、资产化、治理化的 agent 工作台。
这个项目最核心的判断其实很简单：
- 研究知识 不应该只留在 prompt 里
- 分析方法 不应该只活在零散脚本里
- 用户材料 不应该每次对话都重新解释一遍
更好的方式是把它们逐步沉淀为：
materials -> skill -> plugin -> bundled capability
一旦这条链跑通，agent 不再只是“临时帮你完成任务”，而是在帮你积累一套越来越稳定的研究能力系统。
项目不是停留在架构想法上，已经有一条能跑起来的 survey 主链路：
survey_metadata -> survey_score -> survey_psychometrics -> survey_report
它目前已经覆盖：
- 问卷 / 量表数据读取与结构理解
- 反向计分
- 均分 / 总分构造
- psychometrics 前置检查
- reliability / validity 基础分析
- CFA（验证性因子分析）
- Markdown 报告草稿生成
这意味着它已经具备一个很重要的特征：
它不是“以后也许可以做科研分析”，而是“现在已经可以把一类科研分析链路跑通”。
如果用一句更像产品介绍的话来描述它：
Claw Code Paper = research agent runtime + method execution layer + capability growth system
其中：
- runtime 负责稳
- execution layer 负责把 Python / R 方法真正跑起来
- growth system 负责把一次次研究经验变成可复用 skill / plugin
这也是它和很多“会调工具的 agent”之间最大的差异。
很多系统会把方法说明、工具调用、统计逻辑、prompt 习惯全混在一起。
这里我们尽量分层：
| 层 | 负责什么 |
|---|---|
| Rust core | runtime、配置、插件、会话、稳定边界 |
| Skill | SOP、方法知识、解释框架、材料沉淀 |
| External plugin | 稳定计算方法、工具契约、执行入口 |
| Bundled plugin | 高复用、已收敛、适合核心内置的方法能力 |
| Python / R | 具体分析、统计、可视化、报告生成 |
这让系统不会因为某一种研究方法的变化就污染整个内核。
claw init --research survey 现在会直接脚手架这些 provider profile：
deepseekkimikimi-codeqwenopenai-compat
并且可以在同一会话里直接切换：
/provider kimi
/model kimi-k2.5
/provider kimi-code
/model kimi-for-coding
/provider qwen
/model qwen-plus
这对科研场景很重要，因为：
- 不同模型擅长不同任务
- 成本、速度、风格都可能不同
- 后续上线时不能被单一 provider 锁死
这里说的自我进化，不是让 agent 随机重写自己。
而是：
- 用户在交互里提供资料、论文、SOP、codebook
- agent 快速抽取并形成可复用 skill
- 高复用、强契约的方法再升级成 plugin
- 真正成熟后，才考虑进入 bundled core
这条路线更像 研究能力资产化流水线，而不是 prompt 级 improvisation。
现在 survey research bootstrap 会额外生成：
.claw/helpers/plotting.py.claw/helpers/plotting.R
agent 生成的 Python / R 图表脚本，会被引导优先复用统一的 configure_cjk_plotting() helper，减少中文/CJK 标签乱码、负号异常、不同脚本各写一套字体配置的问题。
这类细节看起来小，但对真实科研交付非常重要。
如果把它当成一个产品，而不是一堆仓库文件，可以把它理解成下面这套组合：
- 一个 Rust-first CLI / agent runtime
- 一套可扩展的 research workflow
- 一组可治理的 method assets
- Python：清洗、计分、可视化、报告拼装
- R：psychometrics、CFA、统计检验
- 材料 → skill
- skill → external plugin
- external plugin → bundled plugin
这也是这个项目最值得展示的点：
它天然适合把“零散经验”变成“稳定能力”。
cd rust
~/.cargo/bin/cargo build -p claw-cli./target/debug/claw init --research survey这会生成：
.claw.json.claw/settings.local.json.claw/artifacts/.claw/helpers/plotting.py.claw/helpers/plotting.RCLAW.md
在 .claw/settings.local.json 里配置 API key 对应的环境变量，然后启动：
./target/debug/claw进入 REPL 后可以直接切换模型与 provider：
/provider deepseek
/model deepseek-chat
/provider kimi
/model kimi-k2.5
/provider qwen
/model qwen-plus
核心链路：
survey_metadata -> survey_score -> survey_psychometrics -> survey_report
详细文档：
rust/README.mddocs/survey-minimal-walkthrough.mdrust/crates/plugins/bundled/research-survey/README.md
这个项目另一个强项，是把“研究材料”转成“可执行工作流记忆”。
已经有正式 CLI 支持 project skill 生命周期：
cd rust
./target/debug/claw project-skill init survey-cleaning-sop \
--title "Survey Cleaning SOP" \
--description "Draft workflow for local survey cleaning." \
--domain survey \
--use-when "Use before scoring." \
--source ../docs/research-method-standards.md \
--source ../docs/research-method-registry.md
./target/debug/claw project-skill validate ./.claw/project-skills/survey-cleaning-sop
./target/debug/claw project-skill doctor ./.claw/project-skills/survey-cleaning-sop
./target/debug/claw project-skill promote ./.claw/project-skills/survey-cleaning-sop \
--to project \
--held-out-validation passed兼容目标也已经明确：
.claw/project-skills/<slug>/SKILL.md.claw/project-skills/<slug>/skill.jsonskills/<slug>/SKILL.md.claude/commands/<slug>.md.claude/agents/<slug>.md
所以它不是封闭生态，而是尽量往现有 skill 生态兼容。
这个项目的扩展，不是“想到什么就往 core 里塞什么”，而是有明确分层：
- 方法说明
- 研究规范
- 解释框架
- 操作流程
- 用户提供材料的沉淀
- 稳定计算方法
- 明确输入输出契约
- 可重复调用的分析步骤
- 跨项目高复用
- 契约稳定
- 已经证明值得进核心分发面
这套分层，决定了它更像一个 research capability platform，而不是一个一次性脚本仓库。
docs/project-skill-synthesis.mddocs/questionnaire-sem-rehearsal.mddocs/questionnaire-mediation-moderation-rehearsal.mddocs/self-extension-evaluation-checklist.mddocs/research-extension-demo.mdexamples/external-plugins/research-sem/README.mdexamples/project-skills/questionnaire-sem-sop/README.mdexamples/project-skills/questionnaire-mediation-moderation-sop/README.mdexamples/external-plugins/research-regression/README.md
.
├── rust/ # 主开发面（Rust workspace）
├── docs/ # 方法治理 / 扩展规范 / 用户指南 / demo
├── examples/external-plugins/ # external plugin 原型
├── tools/ # 本地脚手架与辅助脚本
├── templates/ # skill / doc 模板
├── src/ # 早期 Python 面（历史 / 兼容参考）
├── tests/ # Python 侧验证面
└── README.md
claw-code-paper 想做的，不只是“帮你跑一次分析”，而是把科研分析方法逐步沉淀成一个可复用、可扩展、可治理、可演进的 agent 系统。