17 · 深度研究技能组（deep-research 家族）深拆

← 返回主报告：Kimi Agent（云端沙箱）技术报告 ｜ GitHub 原文

合规与风险声明：本报告为安全研究与互操作学习目的的逆向分析，全程只读采集，未对目标系统做任何修改；文中所有密钥、token、账号级标识（chat_id / project_id / tenant_id 等）均已脱敏；沙箱内发现的默认弱口令（VNC/SSH）属平台侧配置，仅作安全发现披露，请勿用于访问任何不属于自己的系统。docx/pdf/xlsx/kimi-slides 等引擎二进制为 Moonshot 专有许可（禁再分发/逆向），本文仅作行为级描述。报告基于单次分析窗口（约 50 分钟生命周期），软件版本与技能库存随镜像更新可能变化。

采集方式：HTTP 只读（http://127.0.0.1:18080）。采集窗口内沙箱被回收（连接中断），但目标文件已在此前全部拉取完毕，本章节所有结论均有原文证据。 覆盖技能：deep-research、deep-research-swarm、interactive-research-report-en（同时以纯 skill 插件存在于 portal overlay）、对比样本 equity-research、stock-research-report；另追查了引用链下游 docx 技能的 md2docx 管线。

0. 家族全景与定位

沙箱中 research/report 类技能多达 23 个（deep-research、deep-research-swarm、equity-research、equity-researcher、equity-research-report(-cn)、interactive-research-report-en、stock-research-report(-cn)、market-insight-report、vc-industry-research、report-writing、research-advisor 等）。本组五个核心技能构成一条完整流水线：

deep-research（单 agent 研究循环）
  └─ deep-research-swarm（多 agent 编排版，Phase 0~7）
        └─ Phase 7 交接 report-writing / paper-writing（写作技能）
              ├─ docx 技能 md2docx 管线（citation.jsonl → Word 脚注）
              └─ interactive-research-report-en（报告 → 交互式网站）
equity-research（垂直领域：股票研报，自带 3-Task 架构 + Excel 模型）
stock-research-report（样式复刻：国泰海通/海通国际视觉契约）

值得注意的分发差异：interactive-research-report-en 是唯一一个同时出现在 /app/.agents/skills/（镜像内置）和 /app/.agents/plugins/（portal overlay，纯 skill 型插件，hostKind:"hosted"，bundle 5.7MB，作者为个人开发者 zhanhaobing，MIT-0）的研究技能——说明它走的是”云端按会话下发”的商业化路径，且 catalog 接受第三方投稿。

1. deep-research：单 agent 研究循环（116 行 SKILL.md + LICENSE，无脚本）

1.1 输入输出契约

  • 输入：用户复杂问题 + 可选附件；澄清通过 ask_user 工具进行。
  • 输出：默认 Markdown 存 /mnt/agents/output/；用户指定 docx/pdf/xlsx/pptx/webapp 时走”格式路由”——强制先读对应格式技能，且 docx/pdf 必须先生成完整 Markdown 再经对应技能转换（”Do not generate the DOCX or PDF directly from scratch”）。webapp 任务强制先读 webapp-building 技能，禁止 npx 等临时初始化命令。

1.2 核心机制：10+ 步循环 + 递归反思

  • ≥10 个搜索步硬下限（”Perform at least 10 search steps”），每轮禁止关键词重复，”each round brings substantial new information”。
  • 递归反思：每轮搜索后强制输出 Thinking Process + Summary 两小段，且被要求”short and concise”——防止反思本身吃掉上下文。
  • 权威源优先级（政府/学术/同行评审）、”Never fabricate data”、定量分析必须用 Python、时间基准用当前日期。

1.3 不可变引用 ID 机制（本技能最关键的云端耦合点）

原文（SKILL.md L66-74）：

Citation indices are immutable source IDs from tool/search results. Do not renumber them based on order of appearance, writing order, or any reference-list order; if a source already has an ID such as [^85^] from tool/search results, that same ID must be preserved everywhere in the document. Citation IDs are used for frontend rendering and source mapping, not for a model-generated bibliography.

配套规则：每句最多两个引用；多源写作 [^1^][^2^]，禁止 [^1,2^]；禁止在报告末尾生成 References 列表（参考文献渲染是前端的活，模型生成书目反而会污染映射）。表格不设 Source 列，引用标记直接放进数据单元格。

1.4 报告工程规范（防 LLM 文风退化的细粒度约束）

  • 段落 100–1000 词；每个子小节必须多于一段；条件式 TL;DR（仅当问题几句话可答才给）；
  • 表格是”主要结构工具”：跨章节的重复实体必须聚合成集中对比表；
  • 修订纪律：不足时扩写已有逻辑相关章节，”Integrated Improvement”，禁止附录式打补丁；
  • 图表：默认 ECharts 先行，即使静态报告也”先 ECharts 再导出 PNG 嵌入”，禁止把 option 对象/script 贴进正文；四维质量条（正确性/图型适配/清晰度/美学一致性——”same entity → same color”）。

坑：无 scripts/references，纯提示词技能；质量完全依赖模型自觉，无任何确定性校验器兜底（对比 equity-research 有 report_validator.py）。

2. deep-research-swarm：多代理编排协议（509 行单文件，无脚本）

2.1 Phase 0 路由器（四条路由）

分类逻辑只看两个变量：有没有上传文件 × 话题宽度：

信号路由
有文件 + “only based on files”/”no search”C（File-Only，零外部搜索）
有文件 + “refer to”/”combine with”/无限制D（File-Augmented，文件为主+外部补缺）
无文件 + 宽泛探索型话题A（Wide Search，两阶段 swarm）
无文件 + 具体有界问题B（Focused，标准管线）

歧义默认值都写死了：拿不准选 A 不选 B、选 D 不选 C（”prefer richer output”）。路由结果要求”一句话声明 + 理由”再开跑。

2.2 相位结构与量化预算

  • A 路独有 Phase 1W：5–8 个互补且刻意 ≥20% 重叠的 facet，≥5 个子代理并行（每个 ≥10 次搜索）做广度扫描，产出 {topic}_wide{NN}.md，orchestrator 合并后才进 Phase 2 分解。重叠不是浪费，是”cross-verification pressure”——这个理念贯穿全文（Phase 2 维度间也要求 ≥30% 概念重叠）。
  • Phase 2：≥10 个维度（强制下限），给出 6 种维度组织轴（分析角度/情景/利益相关方/地域/时间跨度/文件主题）。
  • Phase 3：≥10 个子代理并行深潜，每个 ≥20 次独立搜索；子代理 prompt 必须含五要素（任务/上下文/文件上下文/输出格式/输出路径）；输出格式为结构化证据卡：Claim/Source/URL/Date/Excerpt(逐字原文，禁转述)/Context/Confidence。
  • Route C 特规：子代理禁止外部搜索，且 prompt 必须内嵌文件原文（”do not assume the sub-agent can access files independently”）——承认了子代理沙箱不一定共享文件系统的现实。
  • 搜索预算按路由量化：A ≥250 次、B ≥200 次、C = 0 次、D ≥150 次（文件已提供基础证据故减量）。

2.3 四级置信度（Phase 4 交叉验证引擎）

层级判据
High Confidence≥2 个代理、独立来源、证据一致
Medium1 个代理 + 权威来源
Low弱来源/博客级/单一未验证声明
Conflict Zone数值不一致、解释分歧、时间口径不一致（同指标不同期间也算冲突，须记录各自归属期间）

冲突处理原则：”Contradictions are signal — highlighted and analyzed, never suppressed or averaged away”。有 Conflict Zone 或关键 Low 项才触发 Phase 5（每个冲突 ≥3 次定向搜索的验证子代理，循环到 Resolved 或”显式标记为领域内真实分歧”）；Route C 禁用 Phase 5（不许借外部搜索消解冲突，如实记录带入 Phase 6）。

2.4 输出契约：Everything is a file

所有产物强制落在 /mnt/agents/output/research/（”non-negotiable”，连直接放 output/ 都禁止）：_file_analysis.md（F）、_wide{NN}.md（1W）、_dim{NN}.md（3）、_cross_verification.md（4-5，携带置信度分级，”critical”）、_insight.md（6，≥5 条跨维度洞察，每条须≥2 个维度证据支撑）。Phase 7 按文体路由到 report-writing/paper-writing 写作技能，交接时给显式文件路径清单并声明”研究已完成，不需要更多研究子代理”。聊天通道只发状态更新（”Chat is for status updates only”）。

工程质量亮点：纯 prompt 实现了一个 MapReduce 式研究引擎，子代理原语只依赖 task（子代理）+ 共享输出目录；每条规则都有量化判据（≥10 维度、≥20 搜索、≥20%/30% 重叠），把”认真做研究”从口号变成可审计的 checklist。

坑：① ≥200 次搜索的预算在云环境是巨大 token/时延开销，本地移植必须缩水；② 依赖宿主 agent 框架有 task 子代理原语和共享文件目录；③ 无脚本校验，Phase 4 的四级分类全靠 orchestrator 模型自觉执行。

3. 引用链路全景：从工具侧到前端的完整证据

这是本轮最重要的跨技能发现。链路四段，全部有原文证据：

① 产生（云端搜索工具，沙箱外）：搜索工具给每条结果分配全局不可变数字源 ID，并把源记录写入沙箱工作区的 /mnt/agents/.store/citation.jsonl，每行一个 JSON（docx/references/md2docx-reference.md L56-59）：

{"id": 123, "url": "https://example.com", "page": {"site_name": "Example Site"}}

沙箱内 269 个技能中没有任何代码生成这些 ID——skills 里 grep 到的全是”保留 ID”的消费侧规则，产生方在云端工具层（本轮 HTTP 只读无法直接观察搜索工具实现，但 /mnt/agents/.store/ 在工作区挂载内，说明工具结果通过云端→工作区落盘）。

② 写作（模型，受技能纪律约束）：模型只准原样引用 [^85^]，禁止重排、禁止合并写法、禁止生成 References 节（deep-research SKILL.md §6，原文见 §1.3）。

③ 前端映射（Kimi UI，沙箱外）：”Citation IDs are used for frontend rendering and source mapping”——前端按 ID 查 citation store 渲染来源卡片/悬停。这就是为什么 ID 不可变：重排会让前端映射到错误的源。

对移植的核心结论：这套机制在工程上可以脱离 Kimi 前端独立运行——ID 契约只是”工具侧稳定编号 + JSONL 溯源库 + 模型禁重排 + 消费侧两层编号”四件套，每一环都能在自有栈里用确定性代码实现（见 §7 移植表）。真正依赖云端的只有两点：搜索工具侧的稳定 ID 分配器，和前端来源卡片渲染；前者约 100 行代码，后者是可选增强。

4. interactive-research-report-en：报告 → 交互式网站（文档驱动型技能的最高水位）

体量：SKILL.md 79 行 + DESIGN.md（106 行）+ CHARTS.md（246 行，23 个图型配方）+ COVER.md（117 行）+ QA.md（80 行）+ assets（theme.css 20.9KB + fonts.css base64 内嵌 ET Book 字体）+ templates（skeleton.html/utils.js 152 行/bundle.py 37 行）+ references（gallery 截图 + BUILD_LOG 范例）+ agents/openai.yaml（仅 4 行界面元数据：display_name/default_prompt）。

4.1 三层架构与输入契约

技能自述分三层：invariants（字体/色板/布局/组件，照抄不许即兴）、abstraction rules（换主题的方法）、methodology（调试循环与事后清单）。输入契约 5 项（开工前与用户确认）：

  1. prose fact source：一份报告 md/pdf 作为唯一事实源，网页文字忠实转写并保留对冲措辞（”preserving hedged wording”）；
  2. 数据表 → 编译成 js/data.js（window.RPT = { key: [...] }，snake_case 键）；
  3. 来源登记 → js/sources.js（K1–Kn 锚表；无日期的来源必须分级：公司一手 > 交叉验证 > 券商转述 > 推算）；
  4. 主题原子（theme atom）：一个问题定全局——”这个行业里最具象、可分解、一眼可认的实体是什么？”（芯片=封装/die，猪=工业化养殖场，船=集装箱船）；四个封面状态全是同一个物理对象的不同视图；
  5. 语言与交付宽度基线（默认 1680/1280 双验收）。

4.2 QA 门禁（这是该技能最值钱的部分）

模块级调试循环（每个模块做完立即进入，收敛才许做下一个）：

截图（playwright 无头，先慢速滚动触发 IO 入场动画，再元素级截图）
→ 以"挑剔设计总监"视角目测批评（重叠/出界/贴边/空白/字体回退/色彩纪律/孤列）
→ 去文本截图：隐藏全部文字后还能认出行业实体或核心机制吗？
→ 换皮测试：只换文案就能移植到别的行业 = 失败（过度模板化）
→ 假图测试：隐藏文字后仍编码 ≥2 个结构变量（数量/时间/流/概率/拓扑/物理单位），只剩方框连线状态点 = 删除
→ 修复 → 复验

收尾门禁（全部通过才算完）：node --check 全过；playwright 1680/1280 双宽度整页慢滚扫描（0 pageerror / 0 console error / 0 横向溢出 / 0 残留非目标语言）；document.fonts.check('16px et-book')===true；prefers-reduced-motion 下全部动画显示静态完成帧；标签零重叠零出界；bundle.py 单文件版 file:// 直开 0 错误；抽查 5 个数字下钻回溯到 sources.js 与原文。

并行 review agent（QA.md §4，整站完成后）：派 3–4 个只诊断不改文件的 review agent 分片——① 全部封面变体+前两章；② 中段全部图表（含下钻抽查）；③ 后段至 Sources；④ 响应式（1280/1100/820 三视口，每 1000px 截屏人工审 + scrollWidth 探针）。Prompt 要点可直接照抄：给 URL 和负责区段；要求先慢滚再 scrollIntoView 截图到指定目录；逐张人工看图；产出结构化清单（一句话问题/选择器+截图名/严重度 P0 broken·P1 obvious·P2 polish/一句话修法）；”通过项”也要逐条列出；不改文件、不贴 base64。收回报告后按 P1→P2 分诊修复，跑一轮全站回归再收尾。

4.3 模板代码的实际质量

  • templates/bundle.py（37 行）：把多文件站点内联成单 HTML——CSS link 转 <style>、按原顺序内联 <script src>、land-110m.json 拓扑数据转全局变量并改写 dashboard.js 的 fetch。简单可靠。
  • templates/utils.js（152 行）：共享工具 IIFE——种子化 RNG（可复现纹理）、HiDPI canvas 绑定（DPR≤2）、3D 投影、点半色调场、count-up 动画、drill-down 卡片系统（U.showDrill({title,value,delta,sub,source})，来源必须带日期和表键）、chart frame 三件套生成器。调色板里埋着遗产坑并明示：PAL.red 实际是电光蓝 #2251ff（legacy slot name），真红是 PAL.neg。
  • assets/theme.css + fonts.css：ET Book base64 内联（禁外部字体链接，保证 file:// 离线可用）。

4.4 坑（postmortem 26 条精选，全是实战学费）

  • canvas 在 display:none 时初始化量到 0×0 → 激活时必须重新 fit()；”把新 canvas 漏出 position:absolute;inset:0 选择器”→ 整块空白（出现两次，被标为”最常见坑”）；
  • sticky 布局无 height:100vh → 图和文字全挤顶部；host.clientWidth 首帧为 0 → 一切 scale 压扁（铁律：固定 viewBox 坐标系，永不量容器实际宽度）；
  • ET Book 只有 400/700 两个字重，写 600/800 静默回退；
  • 句子切分正则必须要求 [.;] 后接空白，否则把小数点当句末（”diluting 65.”）；
  • 数据纪律：表里没有的实体宁可不画并注释，缺口画成缺口（红斜纹 + ? + [TBD]），禁止插值。

定位判断：这是”把 McKinsey 级视觉 QA 流程 prompt 化”的极端样本，工程密度全组最高；但它产出的是静态站点，与研究/引用机制零耦合，可独立移植。

5. equity-research：垂直领域研究报告工厂（对比样本 1）

体量：5 个 SKILL 入口（主路由 327 行 + tearsheet 322 行 + task1 414 行 + task2 352 行 + task3 430 行）+ 6 个 analysis 框架 + 2 个 valuation + 6 个模块规格 + 6 个 references + 6 个 output 文件（layout/qa/css ×2）+ 4 个 Python 脚本。是本组工程化程度最高的垂直技能。

5.1 路由器：三 Tier + L1/L2 估值深度 + 确定性语言算法

  • Tier A（明确关键词）直接路由；Tier B（意图模糊，如”帮我看看茅台”）必须问用户三选一（速览/深度/简单回答）；Tier C（简单事实问题）禁止触发技能。”Do not assume they want a full report — that wastes their time and tokens”。
  • 深度研报再问一层估值深度：L2（三表 Excel 模型 + DCF + 敏感性，3 步）/ L1（仅可比公司，2 步）。
  • 语言选择是算法不是判断（task1 Phase 0.1）：数字符比例定 query_lang → 按市场定 market_lang → 一致直接用、不一致必须停下来问，锁定后永不更改。任务内部却留了矛盾：task1 写”Deterministic Algorithm (NO exceptions)”，tearsheet 同一节写”Intelligent Judgment, Not Hard-Coded Rules”——两份文件不同步，是真实维护债。

5.2 3-Task 架构与”STOP 协议”

L2 全链路：Task 1（研究文档 ≥13,500 词，分节最低词数：§I ≥600w、§II ≥2,250w、§III ≥1,800w、§IV ≥2,250w）→ 交付并 STOP → 用户说”继续”→ Task 2（真 Excel 模型：8+ tab、BS 必平、现金流与 BS 勾稽、字体颜色约定蓝=硬编码/黑=公式/绿=跨表链接）→ STOP → Task 3（HTML→PDF ≥25 页）。禁止自动串联 Task；数据走文件不走记忆（”Data flows via files, not memory”）。

5.3 分析层↔展示层契约（references/output-schema.md，312 行）

定义 13 个 Section 的结构化中间对象（{company}_{ticker}_analysis_brief.md），六维分析（H1 竞争格局…H6 技术周期）每维含 conclusion/key_data_support/so_what/information_class（verified 分级仅内部使用，永不出现在报告里）。”Neither layer should bypass this contract”——分析层必须填满必填字段，展示层不得重新推导分析结论。末尾 7 条校验规则（投资论点表必须恰好 4 行、多空因子各 ≥1、催化剂日历 ≥4 事件含下次财报等）。

5.4 数据纪律（data-sources.md，447 行）

  • 数据源按市场分优先级：A 股/港股 iFind > Yahoo > 天眼查 > Web Search；美股 Yahoo 优先。iFind 报告期参数 YYYYMMDD 且 MM DD ∈ {0331,0630,0930,1231}，美股代码 iFind 用 .N/.O 后缀、Yahoo 不带后缀（常见错误全列表化）。
  • 股价数据零容忍 + 重试协议：失败五类定义（超时/空响应 <100B/显式错误/有效行 <50/异常）→ 单源最多 3 次重试（指数退避 2/4/8s，每次重试前跑参数诊断决策树）→ 换源（iFind→Yahoo）→ 全部耗尽则跳过模块并标注”无公开数据”——”⛔ NEVER: after 1 failure, immediately fall back to mock data”。
  • Web 搜索预算封顶：Task 1 全程 ≤25 次（API 调用不计），接近上限时收口并把缺口转为 §X 风险节的”data limitation”——把数据缺口制度化为一等公民输出，与 irr 的”缺口画成缺口”同一哲学。

5.5 QA：三层级门禁 + 确定性校验脚本

  • output/report-qa.md：A 级 23 项（任一失败禁止交付）/ B 级 27 项（>3 失败禁止交付）/ C 级仅记录；质量门禁循环最多 3 轮；”任何修改后必须重跑全循环，无例外”。
  • scripts/report_validator.py（132 行，纯 stdlib）：正则检查 HTML 完整性（</body>/</html> 各恰好 1 个）、必备 CSS 类（.report-container/.cover-split/.debate-table/.exec-summary）、模块数（equity ≥18 / tearsheet ≥8）、exhibit 数、base64 图表数、禁止原始 Mermaid（PDF 不执行 JS）。exit code 语义化，支持 --json。
  • scripts/chart_generator.py（157 行）：matplotlib Agg 后端，5 种图型（revenue_segment/margin_trends/market_share/pe_band/scenario_comparison），JSON 进 SVG 出。代码本身平庸（无字体处理、无 hatch 预测样式——尽管模块规格书要求 forecast 期 hatch）。
  • scripts/embed_charts.py（110 行）：{{PLACEHOLDER}} → base64 SVG <img> 替换 + 图表计数。
  • scripts/stock_chart_generator.py（102 行）：52 周股价 + 基准 rebase 叠加 + 成交量双轴。
  • Task 3 要求 ≥10 个数字与 Excel 逐项 cross-check（封面营收=IS tab FY0、敏感性中心格=Sensitivity tab 中心等，全部”Exact”）。

5.6 文档-代码不一致（真实坑，移植前必须修）

  1. SKILL-task3-report.md 让模型调用 embed_charts.py render --specs '[...]' 和 embed_charts.py count --html——这两个子命令在实际脚本里不存在（实际是 --count_only + --html/--chart_dir）；文档自己也承认”The --json flag alone does NOT return base64″并给了手动 4 步 fallback，说明作者知道 wrapper 不可靠。
  2. equity-report-charts.md 的调用示例传 {"years":...,"segments":{...}} 和 --currency/--unit 参数，chart_generator.py 实际期望 {"labels":[],"datasets":[]} 且无这两个 flag。
  3. report-qa.md A23 行表格错位（Standard 列串进了 A22 的内容），markdown 表格已损坏。

这三处都指向同一结论：技能文档靠模型运行时自适应纠错活着，不是可盲信的确定性规范。

6. stock-research-report：样式契约驱动复刻（对比样本 2）

SKILL.md 162 行 + references/structure_contract.md（338 行）+ style_contract.md（286 行），零脚本。做的是券商研报视觉身份复刻（国泰海通/海通国际两变体）。方法学值得注意：所有样式参数来自对真实 PDF 参考件的逆向提取——颜色用渲染截图 200 DPI 像素采样、字体用 fitz（PyMuPDF）枚举确认（正文是楷体_GB2312 而非想当然的宋体，标题黑体）。契约细到：封面页 8 个必备元素（含”往期回顾”列表、分析师登记编号栏）、目录必须点线前导符、页脚”请务必阅读正文之后的免责条款部分 X of Y”、免责声明多页（评级定义/评级分布表/九个法域的分发通知）、”NO decorative circles”这类负向约束。版权警示：该技能复刻的是真实券商的品牌视觉身份（logo、版式、免责声明文本），自用研究笔记无妨，对外分发有商标/合规风险。

与 equity-research 的分工：equity-research 管”分析什么、怎么验证”，stock-research-report 管”长什么样”，两者可串联。

7. 移植评估

7.1 引用 ID 机制的依赖拆解（任务重点问题）

环节云端依赖脱离 Kimi 前端能否运行
不可变 ID 分配云端搜索工具（每次搜索结果给稳定 ID）可替代：任何搜索封装在返回结果时分配会话内单调递增 ID 即可，约几十行
citation 溯源库/mnt/agents/.store/citation.jsonl（工具侧落盘到工作区）可替代：工作区写一个 JSONL（id/url/site_name/date），md2docx 管线直接可用
模型侧纪律（禁重排/禁 References 节）无，纯 prompt直接拷贝，零成本
前端来源卡片Kimi 前端按 ID 渲染可缺省：没有前端时 marker 是惰性文本，不影响报告本体；自有 UI 可做 hover 卡片（JSONL 查询即可）
离线转换（脚注/尾注）md2docx 五脚本 + pandoc/python-docx/lxml完全可移植，开源依赖，契约清晰（两层编号分离 + missing 保留警告）

结论：整套机制可以脱离 Kimi 前端独立运行。 硬依赖不是”前端”，而是”工具侧 ID 稳定性”——只要自有搜索工具在一次研究会话内对同一 URL 返回同一 ID，链路就闭合。Kimi Code 移植时最小实现 = 搜索工具包装器（分配 ID + 追加 JSONL）+ 技能原文 + （可选）md2docx 管线。

7.2 移植评估表

技能/组件对 Hermes 价值对 Kimi Code 价值移植工作量硬依赖
deep-research（单 agent 循环）高——10+ 步循环 + 递归反思 + 引用纪律是纯 prompt，直接增强 Hermes 研究能力高——SKILL.md 即拷即用，Kimi Code 已有 WebSearch/WebFetch纯拷贝（仅需把 ask_user、/mnt/agents/output 换成本地等价物）搜索工具需返回稳定源 ID 才能保住引用机制
不可变引用 ID + citation.jsonl 契约高——溯源库 + 两层编号分离是任何严肃研究 agent 的基建高——加一个搜索包装器即可闭环需适配（写 ID 分配器 + JSONL 落盘，约 100-200 行）无闭源依赖；前端卡片可选
deep-research-swarm（Phase 0 路由 + 四级置信度）高——若 Hermes 有子代理原语，这是现成的多代理研究乐谱；路由信号表和置信度判据可直接抄中——Kimi Code 子代理能力（task/agent 工具）具备，但 ≥200 次搜索预算需按本地配额大砍需适配（替换 task 原语、输出目录、砍搜索预算）子代理 + 共享目录；无云端 API
swarm 的 Route C/D 文件研究中——”文件为主+外部补缺”的分流逻辑通用中纯拷贝（规则部分）无
interactive-research-report-en（设计系统+QA 门禁）中——Hermes 若不做可视化报告站点则价值限于 QA 方法论（截图→批评→修复循环、三重测试、分片 review agent 可泛化到一切前端产出）高——Kimi Code 有 playwright/浏览器工具链，整个技能（含 theme.css/utils.js/bundle.py/ET Book 字体）可目录级拷贝，唯一外部依赖 d3/topojson 需 vendor需适配（vendor d3 本地化 + 替换 playwright 调用方式）；QA 方法论部分纯拷贝d3.min.js/topojson vendor 文件（本轮只确认了引用，未取回本体）；playwright
equity-research 整体中——金融垂直，Hermes 通用 agent 用不上全流程，但 3-Task STOP 协议、Hard Gate Table、output-schema 契约是通用范式中——Kimi Code 已有 kimi-datasource 插件（iFind/Yahoo/天眼查同构），数据源层可对接需重写数据源层（ifind_* → 本地数据源插件调用），其余 prompt 可拷iFind/天眼查/Caixin 为云端 agent-gw 插件（凭证在 root 的 agent-gw.json，模型用户读不到）；Yahoo 可公开替代
equity-research 的零容忍+重试协议（data-sources.md §Missing Data）高——”失败五类定义→诊断决策树→指数退避→换源→跳过并标注”是 LLM 调外部 API 的通用防编造红宝书高纯拷贝（改源名）无
report_validator.py / chart 三脚本低-中——validator 思路（确定性结构校验兜底 prompt 技能）值得抄，代码本身平庸且与文档不一致同左需重写（文档与代码参数契约已漂移）matplotlib/pandas
stock-research-report低——单一券商视觉身份，且有商标合规风险低纯拷贝无；但有品牌/版权风险
md2docx 引用转换管线（docx 技能子件）高——把 [^N^] 报告转 Word 脚注/尾注的确定性管线，Hermes 交付 docx 时直接可用中——Kimi Code 面向 CLI 用户，docx 需求较弱需适配（5 个 Python 脚本需取回本体；本轮只拿到规范文档）pandoc + python-docx + lxml（全开源）

7.3 凭证与密钥

本组技能未发现任何密钥/token 硬编码。外部数据能力全部走云端 agent-gw 插件（ifind/tianyancha/yahoo_finance 等在 /app/.agents/plugins/，API key 位于 root 的 /root/.kimi/agent-gw.json 只读 444，kimi 用户与模型上下文均读不到——引自一轮 10-plugins 章结论）。技能正文只引用工具名（ifind_get_price 等），不接触凭证。

7.4 横向工程启示（给 Hermes/Kimi Code 的抽象经验）

  1. “量化纪律”代替”认真做”：≥10 搜索、≥20%/30% 重叠、四级置信度判据、A/B/C 三级门禁——把所有软性质量要求写成可审计数字，是这批技能与社区 prompt 的最大分野。
  2. Everything is a file + STOP 协议：多阶段产物的交接全部走显式文件路径 + 用户单词续跑（”继续”），把长任务拆成可断点续传的流水线；聊天只发状态。
  3. 数据缺口一等公民化：搜索预算耗尽 → 缺口写入风险节；图表无数据 → 跳过模块并标注；引用缺失 → 保留 marker + 警告。宁可显式缺失，绝不编造——这套立场贯穿全部五个技能。
  4. 文档-代码漂移是真实存在的：equity-research 的三处不一致说明 Kimi 的技能迭代是”文档先行、代码追不上”，移植时必须以代码为准重新核对契约。
  5. 采集限制说明：本轮后段沙箱被回收（HTTP 隧道中断，与一轮”约 50 分钟空闲回收”结论互证），未能取回 irr 的 gallery 截图、theme.css/fonts.css 本体与 docx 的 md2docx 五个脚本源码；如需移植这两件，需下一次采集窗口补齐。