多AI协作循环图交付

在自动化内容交付中，单模型生成常面临两个问题：一是“单裁判”机制易受模型偏见影响，打分标准不稳定；二是每次任务都是一次性执行，历史成功经验无法复用。本技能引入多模型合议与复利工程，试图解决交付质量不可控与上下文割裂的问题。

核心工作流：四节点串行管道

系统默认采用显式的节点化管道结构：

• 节点1 · 任务拆解：使用 qwen-plus 将模糊的用户需求转化为 4 步执行清单。
• 节点2 · 执行说明书：deepseek-v4-pro 生成详细的执行方案，并自动检索 history_knowledge.json 中的最近 3 个成功案例注入提示词，实现经验复用。
• 节点3 · 极速质检：doubao-seed-2-0-lite-260215 负责扫描低级错误。
• 节点4 · 终审监理：再次调用 qwen-plus，输入为节点2的输出与原始需求，确保交付物未偏离核心目标。

只有豆包质检无错 且 终审监理通过时，才会触发归档。否则，纠错信息将回灌至节点2重跑，默认上限 3 次。

GRAPH 评审团：去偏见的合议机制

除了串行管道，技能还提供 scripts/graph_engine.py 显式有向图引擎。其核心在于三模型评审团：三个可配置模型（通常排除终稿作者）并行评审同一份终稿。

• 六维评分：涵盖逻辑、可执行性、风险等维度，取平均分决定 Pass/Fail（≥80 分通过）。
• Outlier 剔除：若某裁判与另外两位均值差超过 15 分，视为离群点并从平均分中剔除，但其评审意见仍以 [降权·outlier] 保留供人工复核。
• 降级链：当模型调用失败时，自动从 3 裁判退回 2 裁判、1 裁判，最后降级为 rule_fallback 规则评分，确保交付流程不中断。

复利工程与适用边界

每次成功交付后，系统会自动沉淀“第二大脑”：将完整执行记录与复盘摘要写入 history_knowledge.json，后续任务可自动调用这些“记忆”。

注意点：

• 引擎支持环境变量注入 QWEN_API_KEY 等密钥，缺省时会自动组链，全缺则降级为规则评分。
• 配置红线：节点4（终审）的输入必须是节点2的输出，而非豆包的质检结果，这是迁移 Work Buddy 时最常见的连线错误。
• 务必设置 MAX_RETRIES 参数，防止在模型持续输出低质量内容时发生死循环。