Agent-Skills.md

Agent Skills: 时间窗受限的高召回文献检索

Runs an exhaustive time-windowed literature search over a research topic and delivers a quality-tiered DOI list plus a matching formatted reference list, with measurable recall (gold-set recall, PRISMA counts, citation-closure saturation). Use for systematic reviews / SLR, the literature-retrieval half of 开题报告 (the writing half is the research-proposal skill, which consumes this skill's dois.md / references), 挑战赛调研, or any "把某方向近 N 年文献检索全/理一遍/梳理一遍/查全" request. Builds the corpus — not for reading or summarizing the papers themselves, and not for writing the review text. Not for casual "find me a few papers" lookups.

UncategorizedID: luwill/research-skills/lit-search

Repository

luwill/research-skills
luwill
85399

Install this agent skill to your local

pnpm dlx add-skill https://github.com/luwill/research-skills/tree/HEAD/lit-search

Skill Files

Browse the full folder contents for lit-search.

Download Skill

Loading file tree…

lit-search/SKILL.md

Skill Metadata

Name
lit-search
Description
Runs an exhaustive time-windowed literature search over a research topic and delivers a quality-tiered DOI list plus a matching formatted reference list, with measurable recall (gold-set recall, PRISMA counts, citation-closure saturation). Use for systematic reviews / SLR, the literature-retrieval half of 开题报告 (the writing half is the research-proposal skill, which consumes this skill's dois.md / references), 挑战赛调研, or any "把某方向近 N 年文献检索全/理一遍/梳理一遍/查全" request. Builds the corpus — not for reading or summarizing the papers themselves, and not for writing the review text. Not for casual "find me a few papers" lookups.

时间窗受限的高召回文献检索

驱动 literature-search/ 这条流水线。核心前提：召回率不是提示词问题，是检索工程问题。 反复 WebSearch 得到的是"相关度排序的前若干条"，既不可复现，也无法说明漏了什么。

工具位置与产物去向（第一步，别跳过）

CLI 就装在本 skill 目录里（src/litsearch/ + pyproject.toml）。 所有命令都要在这个目录下执行——它是 uv 找得到项目的地方：

SKILL_DIR=~/.claude/skills/lit-search     # 本 SKILL.md 所在目录
cd "$SKILL_DIR" && uv run lit --help      # 跑不通就先跑一次 ./install.sh

$LITSEARCH_HOME 若已设置则优先用它（把工具装在别处的人靠这个覆盖）。 两处都找不到 src/litsearch/cli.py → 问用户，不要猜。

产物必须写到用户的项目里，不是 skill 目录里。 --runs-root 默认是相对路径 runs/，而命令的工作目录是 skill 目录—— 不显式指定的话，几百 MB 的采集结果会堆进 ~/.claude/skills/lit-search/runs/， 用户既找不到，也想不到要去那里清理。每一条命令都要带上绝对路径：

PROJ=/abs/path/to/用户的项目            # 开工前先跟用户确认这个位置
cd "$SKILL_DIR" && uv run lit harvest --topic "$PROJ/topics/<id>.yaml" \
                                      --runs-root "$PROJ/runs" --depth standard

协议 YAML 同理——写在用户项目的 topics/ 下，不要写进 skill 目录。 本目录的 examples/ 有两份真实协议（生物医学、纯 CS 各一份）可以照抄。 下文命令块为了可读省略了这两个路径参数，实际执行时必须补上。

判断要不要用

用：系统综述、开题报告的文献检索部分、挑战赛调研——需要说得清召回边界的场合。 （开题报告的写作由 research-proposal skill 负责——它消费本 skill 的 dois.md/references.bib，不要在这里写正文。） 不用：用户只想快速看几篇代表作。那种情况直接 WebSearch 更快，别拖他走完整条流水线。

契约

输入：一句话研究主题 + 可选时间范围（不给就默认近 5 年）。 输出：

| 文件 | 内容 | |---|---| | dois.md | 全量 DOI 清单，按质量层分节，每条带证据标记 | | references.md | 参考文献列表，顺序与 dois.md 一致 | | references.bib | BibTeX（--bibtex，需额外一遍抓取） | | PRISMA.md / coverage_report.md | 计数与召回率证据 |

全量交付，分层只决定顺序，不决定去留。

两份参考文件，按需读，不要预先读： references/topic-template.yaml（写协议用）、 references/evidence.md（下面每条规则背后的实测数字，用户追问或排查时才需要）。

阶段 0｜写协议（这一步是模型的核心工作）

没有 lit init 命令——把主题变成协议需要判断力，不是代码。模板在 references/topic-template.yaml，复制到 topics/<id>.yaml 后按四步填。

① 拆概念块。 3–5 块，标出哪些 required。

第一个 required 块会成为无布尔检索能力源（CVF/OpenReview/Zenodo）的锚点短语。 把区分度最高的概念放第一位——通常是疾病/对象/材料。放成 "segmentation" 这类泛词， 会把整届 CVPR（约 9,200 篇）拉回本地过滤。

② 提名金标准——5–10 篇，DOI 必须先验证再写入。

gold_set 是整条流水线里唯一能证伪的东西。所以：

curl -sI -o /dev/null -w "%{http_code}\n" -L "https://doi.org/<doi>"   # 200 才许写进协议

走 doi.org，不要走 Crossref。 arXiv 的 10.48550/arXiv.* 注册在 DataCite， api.crossref.org 对它一律 404——用 Crossref 验证会把真实存在的预印本当成编造的 DOI 拒掉， 而 CS/AI 主题的金标准几乎全是 arXiv。

编一个格式合法但不存在的 DOI，代价不是"少一篇文献"，是验证链条整个失效—— 你会看到 8/9 的召回，然后花半天排查一个根本不存在的漏检。

数量不能凑合。 少于 5 条时 coverage_report.md 会自己标注"证据偏弱"： 3/3 和 9/9 印出来一模一样，但前者能证伪的检索缺陷少得多。

同时提名 1–2 篇窗口外的真实论文当 out_of_window_controls，验证日期过滤真的生效。

③ 干跑校准量级。

uv run lit strategies --topic topics/<id>.yaml    # 只看检索式，不发请求
uv run lit plan       --topic topics/<id>.yaml    # 各源预计命中数

| 命中量级 | 判断 | 动作 | |---|---|---| | > 50,000 | 概念太宽 | 加 required 块，或收紧通配符 | | 200 – 20,000 | 合适 | 冻结 | | < 200 | 太窄 | 补同义词；检查英美拼写变体（ischemic/ischaemic） |

这是唯一允许调参的窗口。 一旦开始采集，改术语会变更语义指纹，作废整轮。

④ 领域判断。 生物医学之外的主题（纯 CS / 工程 / 材料）要主动提醒用户两件事：

  1. 摘要覆盖会下降。 这条流水线对闭源出版商的摘要覆盖实质上是 PubMed 撑起来的 （实测 Elsevier 95.6%、Springer 80.4%，而 Crossref 上这些条目根本没有摘要）。 PubMed 用不上时初筛退化成只看标题。Semantic Scholar 本该补这个位，但当前版本尚未实现 ——协议里写 semantic_scholar: enabled 会被丢弃（CLI 会红字提示）。不要向用户 声称补上了覆盖面。
  2. 捕获-再捕获会结构性不可得。 它需要 PubMed × OpenAlex 两个源同时在场。 关掉 PubMed 后，召回证据就只剩金标准一个点位——所以这类主题的 gold_set 更要提满 5–10 条。

阶段 1–7｜流水线

每一步跑完都要把数字念给用户听，不要静默推进。

先让用户选深度——代价必须先于执行可见：

uv run lit depths     # 三档的规模、耗时、成本对照

| 档 | 源 | 滚雪球 | 规模 | 耗时 | API 成本 | |---|---|---|---|---|---| | quick | 主干四源 | 不跑 | ≤2,000 | ~10 min | $0.1–0.3 | | standard（默认） | 全源 | 1 轮 | 2k–8k | ~40 min | $0.3–1.2 | | systematic | 全源 | 至饱和 | 10k+ | 2–4 h | $3.4–10.4 |

三档的差别只在跑多少源、滚几轮雪球。判定规则、去重、时间窗、召回率证据 三档完全一致——降档降的是覆盖面，不是严谨度。 systematic 必须显式指定并等用户确认。

<run> 从哪来：lit harvest 跑完第一行会打印 run 目录，那就是它。 后续命令也接受 <topic>/<run_id>，或只给协议里的 topic id 自动取最新一次—— 后者最省事。忘了跑到哪一步用 lit show <run>。

# 1 采集
uv run lit harvest    --topic topics/<id>.yaml --depth standard
uv run lit proceedings <run> --topic ...   # 仅 MICCAI/LNCS 类主题；语料里没有 LNCS 会自动跳过

# 2 筛选（三级放量，见下）
uv run lit screen      <run> --topic ... --limit 4
uv run lit screen      <run> --topic ... --limit 100
uv run lit screen      <run> --topic ...
# 在 human_queue.csv 填 decision/reviewer/reason 后导回（可分批）
uv run lit adjudicate  <run> --topic ... --kind screening --input human_queue.csv
# 在 boundary_cases.csv 填 decision/reviewer/reason 后导回
uv run lit adjudicate  <run> --topic ... --kind date --input boundary_cases.csv

# 3 引文闭包（必须在筛选之后）
uv run lit snowball    <run> --topic ... --seeds included
uv run lit screen      <run> --topic ... --resume     # 只补新增记录，不重判已判过的

# 4 证据与报告
uv run lit validate    <run> --topic ...
uv run lit report      <run> --topic ...
uv run lit verify      <run> --strict

# 5 分层与交付（--ccf 可选，先问用户要目录路径）
uv run lit rank        <run> --ccf CCF.pdf --included
uv run lit deliver     <run> --topic ... --ccf CCF.pdf --style gbt7714 --bibtex

滚雪球循环怎么收。 snowball → screen --resume → snowball → …，交替进行。 三种终止，只有第一种能宣称闭包完成：

| CLI 打印 | 含义 | 动作 | |---|---|---| | 「已达饱和」 | 连续 2 轮新纳入 < 5% | 停，可以说闭包完成 | | 「没有新的合格种子」 | 自然枯竭 | 停，可以说闭包完成 | | 「已达最大轮数但尚未饱和」 | 撞上限了 | 不能说闭包完成——要么加 --max-rounds，要么在报告里写明 |

--depth quick 不跑滚雪球，standard 只滚 1 轮；要滚到饱和用 systematic 或显式 --max-rounds。不要照全量重跑 screen——那会把几千条已判定的再判一遍， 钱翻倍，还可能触发"新一轮判定数少于上一轮"的护栏而拒绝写入。

补源不能靠续跑。 harvest --resume 只重跑上一轮未完成的检索式，它没有能力 覆盖一个从没跑过的源。先跑了 quick、之后想补顶会源，用：

uv run lit harvest --topic ... --into <run> --phase stage3 --sources cvf,openreview,grey

放量前必须先冒烟、再校准

不要直接对上万条跑筛选。三级放量，每级只花上一级十倍的钱，发现的却是完全不同的问题：

  • --limit 4（约 $0.003）验 API 契约。 假客户端测得了你的代码，测不了服务端约束。 实测就是在这一步撞到 Thinking mode does not support this tool_choice。

  • --limit 100（约 $0.02）验任务设计。 两根轴都要看，缺一根都会放过问题：

    成因——大量 unclear 且理由雷同 = 把全文阶段的标准用在了标题摘要阶段， 该改提示词而不是改协议（改协议会变更语义指纹，挡住后续滚雪球并入）。 健康的队列应以"通道分歧"和"低置信度"为主。

    体量——队列占比超过 15% 就要停下来改标准，不管成因分布多"健康"。 实测一次 4,000 条的运行队列率 24.6%（973 条），成因分布完全正常， 但 973 条没有人会真去看。lit adjudicate 能把裁定结果导回， 可它是给几十条用的；上千条时正确动作是回来改判定标准，不是把队列丢给用户。 在裁定导回之前，这些记录不进 included，也不进交付物。

  • 放量。

判定 API 后端同样三级：--limit 4（约 $0.0002）验服务端约束，--limit 100 （约 $0.005）验任务设计，再放量。这一步不能省——假客户端测得了你的代码， 测不了服务端，也测不了运行时：十项 CLI 测试用 respx 全绿，真跑第一次就抛了 Event loop is closed（httpx 的连接池绑在创建它的事件循环上，而 respx 在传输层 拦截、根本不建真实连接）。

--limit 的结果写 screening_trial.json 和 human_queue_trial.csv（判定 API 则写 jev_scores_trial.jsonl），不占正式轮次——否则一次校准会盖掉全量结果。 校准时打开的是这三个 *_trial 文件，不是 human_queue.csv / jev_scores.jsonl。

⚠️ --limit N 取的是语料前 N 条，不是随机抽样。 前缀里几乎全是最先被采集、 也最典型的记录，而撑爆人工队列的永远是后面那些边缘记录。实测一次：前缀样本 100/100 含锚点关键词、仅 12% 无摘要，报出队列率 9%；而全语料是 22.9% 和 75.7%， 换同分布随机样本重测真实值 18%，超红线。

跑过 lit proceedings 或滚过雪球之后差距最大——那两步追加的记录全排在语料尾部。 校准前先核样本构成（关键词命中率、无摘要占比与全语料是否相当）； 不相当就把 run 复制到临时目录、把 corpus.jsonl 换成随机 N 条再跑，别改原 run。

不能跳过的顺序

筛选必须在滚雪球之前。 实测：从未筛选的 13,920 条种子出发，后向候选是 134,317 条； 而最终会纳入的只有几百条。跳过筛选去滚雪球 = 把噪声放大一个数量级，还要为此付十倍筛选费。 用户催的时候也不要改成 --seeds in_window——先把成本讲清楚，让他自己决定。

滚雪球与筛选必须交替。 种子是"已纳入"，不筛就没有种子。 实测饱和曲线 34.7% → 4.1% → 0.4%，而 snowball 独有贡献占 92%—— 这是纯关键词检索会漏成什么样的直接证据。

成本必须先于执行可见。 lit screen --dry-run 给出 token 数与美元金额。 无凭据时是字符粗估并明确标注。不要替用户跳过这一步。

分层与交付

只标注与排序，绝不过滤。 阈值会把"没被评价过"和"质量低"变成同一个动作—— 实测以 4.0 切，1,487 条只剩 390 条，其中被删的 340 条是没有指标而非指标低。

分层取所有可用尺子里最好的那个：

| 层 | 判据 | |---|---| | S 顶会顶刊 | CCF-A，或论文引用进入同领域前 1% | | A 高水平 | CCF-B，或期刊指标 ≥ 8.0，或引用前 10% | | B 优质 | CCF-C，或期刊指标 4.0–8.0 | | C 最新预印本 | 预印本 / 仓库，≤ 18 个月 | | D 会议（未评级） | CCF 目录里没有——未评级，不是低等级 | | E 其它期刊 | 期刊指标 < 4.0 | | F 其余 | 无任何评价依据——未被评价，不是低质量 |

四条必须讲清楚的事：

  1. CCF 与影响力指标测的不是同一件事，取较优。 实测 Medical Image Analysis 是 CCF-C，而它的 OpenAlex 指标 10.14 全语料最高。
  2. OpenAlex 2yr_mean_citedness 不是 JIF。 JIF 分母只算 citable items， OpenAlex 分母算全部条目；发大量学会年会摘要的刊被系统性低估三到五倍 （实测 Stroke 1.81、Neurology 1.11）。阈值不能跨标度搬运。
  3. 排行榜数据由用户提供，不随仓库分发。 CCF 目录是公开文档但仍走 --ccf 槽位； JCR / 中科院分区是商业授权数据，绝对不能打包进仓库。
  4. 没有目录就不猜等级。 目录里没有的会议标"未评级"。 编出来的 CCF-A 和真的长得一模一样，这是最危险的地方。

引文格式化免 key：lit deliver 走 doi.org 内容协商，支持 apa / ieee / gbt7714 / nature / ama / bibtex。

（期刊匹配走 ISSN 而非刊名、样式名发请求前先校验——这两条是 lit rank / lit deliver 内部的护栏，你没有对应操作。想知道为什么见 references/evidence.md。）

凭据

从 .env 或环境变量读（真实环境变量优先）。缺哪个的后果各不相同，要说清楚：

| 缺 | 后果 | |---|---| | LITSEARCH_LLM_API_KEY | 不致命——用 --model host 走宿主模型，零配置 | | OPENALEX_API | 采集中途 QuotaExhausted；捕获-再捕获算不出，召回证据只剩金标准一个点 | | CONTACT_EMAIL | lit fulltext 直接拒绝跑——Unpaywall 与 Crossref 都要求声明身份 |

筛选后端：三条路

API 后端（默认）：任何 OpenAI 兼容端点。三个环境变量 LITSEARCH_LLM_MODEL / _BASE_URL / _API_KEY。内置 DeepSeek 的实测价目， 其它厂商的价目由 LITSEARCH_PRICING 提供——没有价目时 --dry-run 会如实报 「无法估算」，不会报一个假的 $0.00。

宿主后端（--model host）：调本机 claude -p，不需要任何 key。 clone 完就能跑，这是给社区用户的零配置入口。三件事要说清楚：

  • 每次调用有约 20,000 token 的框架开销，所以批次自动放大到 60 条
  • 它不是免费的：实测 60 条记录约 $0.30 API 等价成本（haiku；用 opus 是 $1.44）。 订阅用户不额外付费，但会消耗额度——别说成 "$0"
  • --host-model 默认 haiku。上万条规模请改用 API 后端

判定 API 后端（--model jev）：TypeSafe Jev 不生成文本，对每条纳排标准 返回校准过的概率。$0.042/百万输入 token、输出免费，比生成式 LLM 便宜一个量级。

但它没有通用默认阈值，配置文件必填。 实测同一套阈值在 pediatric 课题上把 人工队列从 18.3% 压到 11.2%（AUC 0.987），在 ISLES 课题上反而比现有 LLM 更差 （8.5% vs 基线 7.2%）。失效原因查得到：X1「仅做出血性卒中……且无缺血性 卒中数据」这类多跳间接 + 隐含否定的标准，单看 AUC 只有 0.675。

所以放量前必须先过准入，三条门槛缺一不可：

  1. 金标种子 100% 保留（被自动排除会直接退 1，不用你判断）
  2. 人工队列 ≤15%
  3. 不劣于该课题现有 LLM 基线——这条最容易被忽略，也是 ISLES 栽的那条
lit screen-eval <run> --topic ... --reference-round <人工裁决过的轮次> \
    --candidate-scores jev_scores.jsonl --score-keys I1,I2

报告会分开给金标（真人裁决）与银标（模型判定）的数字，并把银标标注为天花板—— 实测某课题银标纳入约 21% 被真人推翻。每个比率带 Wilson 区间。

打分落在 jev_scores.jsonl，改阈值只是重新路由，不重新花钱。

OpenAlex 有日配额。 lit deliver 默认复用 ranked.jsonl，不重取元数据； 要刷新加 --refresh。配额耗尽时 QuotaExhausted 会带上重置秒数——降速无效，别重试。

learnings：复盘先于重试

改判定逻辑、阈值、采集行为或产物契约之前，先扫一遍 learnings/—— 里面是一次次实测换来的事故清单（数字、代价、当时的判断），不是风格建议。 新的事故（返工、静默少召回、文档与实现打架）事后追加一篇，日期命名。

报数字的纪律

  • "本次没执行的部分"必须念给用户听。 lit report 会把它算出来写进 coverage_report.md 的第一节，终端也会黄字列出来。不要跳过这一段去讲纳入数： 「跑了没成功」有 partial 告警管着，「压根没跑」曾经在整套产物里没有任何痕迹—— 实测一次交付的 manifest 声明了 4 个源、实际只访问了 2 个，而当时没有一份产物提到。
  • partial/failed 的源要点名。 它的召回数字是下界，不是实际值。
  • 标题摘要初筛通过也不是最终纳入。 尚未筛选时，窗口内记录数不是相关文献数； 初筛完成后，include 也只是进入全文资格审查的候选报告。lit report 在没有全文 获取、排除理由与最终资格记录时会止于 Eligibility input，你也不要在话里补上终局。
  • 被测出来的零要说出来。 "CVPR/ICCV/WACV 2021–2026 共 9,200 篇里一篇都没有" 是有价值的结论，和"我觉得那里没有"完全不同。
  • 金标准漏检必须逐条归因到具体检索式或源缺陷，不能笼统说"召回率不错"。
  • Chapman 只用于两源重叠诊断。 PubMed 与 OpenAlex 不独立，正相关会使两源并集 覆盖度偏乐观；它没有验证主题相关性，也不是多源流水线召回率。

三条硬规则

① 200 不代表拿到的是你要的东西。 枚举源"200 但解析出 0 条"必须报失败； 内容协商拿回 HTML 必须判定为失败。实测这两种都真实发生过， 而且第二次是我只挡了"见过的坏样本"（JSON 错误）导致的复发。 校验要写成"确认它是我要的"，不是"排除我见过的坏样本"。

② 跑砸的一轮不能覆盖跑成的一轮。 新一轮判定数少于上一轮 = 拒绝写入、非零退出。 断点续跑所需的信息（如通道号）必须在第一次跑的时候就存下来——事后要么补不出来， 要么只能靠猜，而猜出来的和真的长得一样。

撞到这个护栏时（退出码 1 + "不写入新轮次"）：不要重试全量。先看失败样例定位 原因（配额耗尽 / 网络 / 端点变更），修好之后用 screen --resume 只补缺的判定。

③ 规则演进后不要重采。 lit reclassify 用当前规则从 records*.jsonl 重新去重 与判定窗口，一次请求都不发。某个源的解析缺陷修好后，用 lit harvest --into <run> --phase fix --labels <那几条> 定点补跑。 采集是昂贵的一次性动作，判定不是。

两个人工队列怎么交代

human_queue.csv（判定分歧 / 低置信度）和 boundary_cases.csv（日期精度不足） 现在都能经 lit adjudicate 回流，并保留裁定人、时间、理由与原判定。

所以跑完必须做两件事，都不能替用户代劳：

  1. 把两个文件的路径和条数报给用户，并说明 decision 允许值；不要替用户裁定。 --kind screening 收 include / exclude（不接受仍为 unclear）； --kind date 收 in_window / out_of_window，且只受理 boundary / undated 的记录 ——裁定是用来消解不确定的，不是用来盖掉已有判定的。已确定的日期判错了， 该修日期证据或 date_priority 再跑 lit reclassify。
  2. 用户填写 reviewer、reason 后运行相应的 lit adjudicate --kind ...。导回后报告 剩余队列，并运行 lit report 与 lit verify。队列大到不现实（>15%）时，先校准标准。

--kind date 把边界记录改判进严格窗口后，这些记录还没被筛选过， lit verify 会报 screening-corpus-mismatch。这是正确的提醒：补跑 lit screen <run> --topic ... --resume 之后再出报告。

推送 Zotero

lit report 生成 zotero_dois.txt。逐条调 zotero_add_by_doi。 推送前先确认 collection 名称——这是对外部系统的写操作，不要默认执行。 该清单是标题摘要初筛通过的全文候选集，不是最终纳入研究。没有 DOI 的候选不在 清单里，不要凭空造标识符；推完要把这件事告诉用户。

产物

runs/<topic>/<timestamp>/：

| 文件 | 内容 | |---|---| | raw/<阶段>/<attempt-id>/ | 每次 attempt 的 gzip 逐页原始响应，修复重跑不复用旧页 | | records*.jsonl | 逐源记录，按采集阶段分文件，只追加不改写 | | corpus.jsonl | 去重后的规范语料（派生产物，可随时重算） | | manifest.json | 协议指纹 + 每条检索式的结局与状态 | | boundary_cases.csv | 日期精度不足，需人工裁定 | | human_queue.csv | 双通道分歧或低置信度，需人工裁定；lit triage 会把它按最可能纳入重排并附上判定器线索 | | screening_trial.json / human_queue_trial.csv | --limit 试跑的轮次与队列（校准时看这两个，不是 human_queue.csv）；不占正式轮次号 | | jev_scores.jsonl | 判定 API 的逐条打分（--model jev / lit triage）。改阈值只需重新路由，不重打 | | jev_scores_trial.jsonl | lit triage --limit 试跑的打分；校准阈值时以它为 --candidate-scores 输入 | | screen_eval_*.md / *_disagreements.csv | lit screen-eval 的评估报告与分歧清单（填好可直接 lit adjudicate） | | facets.jsonl / facets.csv | lit facets 的标注：外部验证、多中心、公开数据集等。只有 stated/not_stated，没有 no | | PRISMA.md | 各环节计数（不自洽会拒绝生成） | | coverage_report.md | 本次未执行的部分、严格窗口金标准召回、窗口外泄漏、独有贡献、两源重叠诊断、饱和曲线 | | artifacts.json | 派生产物内容哈希与输入依赖哈希；由 lit verify 检查过期 | | ranked.jsonl / ranked.csv | 分层标注（ranked.jsonl 是元数据缓存） | | tier_report.md | 分层构成与逐级匹配率 | | dois.md / references.md / references.bib | 交付物 |