Search Enhancer - Codex Multi-Agent Skill

这是一份给 Codex/多 AI 协作 用的“渐进式 AIskill”说明（指导怎么把“模糊问题 -> 可执行的搜索 -> 可追溯的证据链输出”）。 它不是运行时业务 skill（不是 skills/* 那种）。

渐进式工作流（Progressive）

Level 0：只做“把问题问清楚”

目标：用最少问题把需求变成可搜索、可验证的任务。

只问 1-2 个关键澄清问题（避免 10 连问）：

• •目标：科普/技术实现/学术/购物对比/最新动态？
• •时间范围：要“最新（近 3-6 个月）”还是“原理类不需要最新”？
• •输出形式：要结论摘要，还是要带引用/链接证据？

Level 1：给出查询计划（不跑浏览器也行）

产出：

• •选择 goal：auto | popular | academic | shopping | technical + 理由
• •2-3 个查询串（中文/英文/同义词）
• •可信来源优先级（docs/papers/官方/百科/论坛等）

Level 2：执行多轮搜索 + 结构化审计日志

目标：能复盘“为什么这么搜、哪一轮最好、证据来自哪里”。

优先用本 repo 的 TS 集成 adaptiveSearch（带 audit logs），并把日志落到可检索的位置。

关键增强：不要把搜索当数据库（要“适度点开验证”）

很多 SERP（搜索结果页）标题/摘要不完整，甚至标题缺失或很“正常/泛”，但点进详情页才有关键内容。 因此：拿到搜索结果后，要用有限预算“点开一部分结果”做验证与补漏，再决定结论与证据。

点击/打开的原则（Click-through budget）：

• •每轮至少打开 2 个结果（必要时提高到 3-5），并包含 1 个“不确定但可能有料”的结果（避免只点“看起来最像答案”的）。
• •标题缺失/很泛（如“首页/详情/正文”）时，改用 域名 + URL 路径 + 摘要片段 决策是否点开。
• •追求“证据面”而非“命中率”：优先覆盖不同来源类型（官方文档/论文/新闻/论坛/代码仓库）。

在本 repo 里怎么做（可直接复制）：

1. •用平台 skill 跑 adaptive_search_skill，开启详情页打开：
   • •--set details=2（或更高）
   • •建议同时开启截图：--set openScreenshotPrefix="...\\screenshots\\open"（便于后续 AI/人复盘）
2. •对少量关键链接做“截图 + HTML”取证（当需要看页面结构/内容而不是只看摘要）：
   • •用 rpa_ts_skill 的 action=inspectPage 获取 *_screenshot.png + *_page.html + *_a11y.aria.yml + *_elements.json
   • •让 AI 基于截图与 HTML 做内容判断（例如：是否有关键段落/表格、是否被重定向、是否是广告页/聚合页）

本 repo 中的代码落点（Where）

搜索能力来自迁移进来的 TypeScript 集成：

• •integrations/rpaskill_ts/src/skills/adaptiveSearch.ts
• •integrations/rpaskill_ts/src/skills/webSearch.ts
• •runner：integrations/rpaskill_ts/cli/run.mjs

平台提供的“一等公民 skill 封装”（Python）：

• •skills/adaptive_search_skill/（封装 TS adaptiveSearch）
• •skills/web_search_skill/（封装 TS webSearch）
• •公共 runner bridge：skills/rpa_ts_skill/common/runner.py

多 AI 协作协议（No Locks Yet）

没有锁时，核心原则：默认只写 agent 私有目录，共享目录只让“协调者 agent”写。

约定：

• •协调者（coordinator）：负责最终 query plan、最终输出、共享记忆写入
• •执行者（worker）：负责跑某一轮搜索/开链接摘要/整理候选证据（写私有目录）

运行时目录（由平台生成）：

outputs/<skill>/<run_id>/
  shared/
  agents/<agent_id>/
    work/
    events.jsonl
    memory.jsonl
    index.jsonl

记录要求（AI 友好检索）：

• •events.jsonl：每轮搜索、决策点、结果摘要（可过滤 event/round）
• •memory.jsonl：只写短“事实/决策”，大内容写 artifact 文件再引用路径
• •index.jsonl：产物索引（路径/hash/大小）

执行方式（How）

方式 A：走平台 skill（推荐，日志/产物统一）

python run.py --skill adaptive_search_skill --root . --run-id demo --agent agent0
python run.py --skill web_search_skill --root . --run-id demo --agent agent1

方式 B：直接跑 TS runner（适合调试 TS 层）

在 integrations/rpaskill_ts/：

• •npm install
• •node cli/run.mjs --action adaptiveSearch --input <config.json> --output <out.json>

输出标准（What To Output）

无论用哪种方式，最终输出应包含：

• •goal（选了什么 + 为什么）
• •最佳轮次（best round）摘要
• •3-5 条最关键证据（标题+来源域名+链接），优先来自“点开后的详情页”而非仅 SERP
• •复盘信息：搜索关键词/过滤条件/迭代原因（来自 events/memory）