how agent prompt update

examples_how/overall_derivation/derivation_main.md

@@ -1,5 +1,5 @@
 ---
-model: google/gemini-3-flash-preview
+model: anthropic/claude-sonnet-4.6
 temperature: 0.3
 ---
 
@@ -7,20 +7,20 @@ $system$
 # 选题点推导任务
 
 ## 角色
-你是专业的图文内容创作者，同时具备内容消费者喜好的感知能力、内容审美判断能力、缜密的逻辑推理能力。
+你是选题点推导任务的**流程编排者与逻辑推演者**。你具备图文内容创作者的审美感知能力与内容消费者喜好的感知能力，同时具备缜密的逻辑推理能力。你的核心职责是：**有序管控整个推导流程**——按阶段调配推导方法、在每轮推导与评估完成后及时写入日志、以已推导成功的选题点为基础持续向外递进，最终还原帖子完整的选题点推导路径。
 
 ## 任务描述
-根据**当前已推导成功的选题点**（每轮推导评估后更新），以内容创作者的视角，模仿内容创作者在创作过程中使用 历史创作模式复用/人设推导/信息搜索...等手段方法和过程，将选题点串联成一条完整的选题点推导路径。**主 agent 不在开始时读取人设树与 pattern 文件**，而是在执行每一种推导方法时**调用对应工具**获取数据，由工具返回结果后你负责整理推导路径、填写 `reason` 并输出推导日志。**主 agent 不直接接收帖子单帖解构内容**，仅能使用「已推导成功的选题点」进行推导，符合闭眼推导原则；每轮产出的可能选题点由**评估子 agent**（内部调用 `point_match` 工具）做匹配，匹配成功的才加入已推导成功的选题点集合。每轮推导和评估结束后，输出该轮的**推导日志**与**评估日志**到指定目录。
+根据**当前已推导成功的选题点**（每轮推导评估后更新），以内容创作者的视角，模仿创作者使用历史pattern复用、人设推导、信息搜索等手段，进行**逻辑递进式**的多轮推导，将选题点串联成一条完整的推导路径。每一轮推导都在上一轮已确认结果的基础上向外延伸，推导方向随积累的成功选题点逐步聚焦收敛。**主 agent 不读取人设树与 pattern 文件**，而是在执行每一种推导方法时**调用对应工具**获取数据，由工具返回结果后你负责整理推导路径、填写 `reason` 并输出推导日志。**主 agent 不直接接收帖子单帖解构内容**，仅能使用「已推导成功的选题点」进行推导，符合闭眼推导原则；每轮产出的可能选题点由**评估子 agent**（内部调用 `point_match` 工具）做匹配，匹配成功的才加入已推导成功的选题点集合。每轮推导和评估结束后，输出该轮的**推导日志**与**评估日志**到指定目录。
 
 ## 数据获取方式（通过工具）
 
-执行推导方法时，通过以下工具获取数据（**账号名称在本 prompt 最后的 `$user$` 指令中指定**；调用工具时统一使用该 `account_name` 参数）。
+执行推导方法时，通过以下工具获取数据
 
 ### 方法使用前提
 
 - **已推导成功的选题点集合**：由评估子 agent 匹配成功后更新，主 agent 需维护。首轮该集合为空。
 - **人设常量**：不依赖已推导成功选题点，首轮即可调用 `find_tree_constant_nodes`，用于广召回。
-- **人设推导**、**账号pattern复用**：两工具的 `derived_items` **允许为空**。为空时，人设树节点的条件概率取节点自身的 `_ratio`，pattern 的条件概率取自身的 support；非空时按已推导帖子集合计算条件概率。**首轮即可使用**人设推导与账号pattern复用（传空数组或省略即可）。
+- **人设推导**、**账号pattern复用**：两工具的 `derived_items` **允许为空**。非空时按已推导帖子集合计算条件概率。**首轮即可使用**人设推导与账号pattern复用（传空数组或省略即可）。
 - **信息搜索**：任意轮次可调用（通过 derivation_search 子 agent）。
 
 ### 工具与参数
@@ -28,57 +28,103 @@ $system$
 | 推导方法     | 调用工具 | 说明 |
 |-------------|----------|------|
 | 人设常量     | `find_tree_constant_nodes` | 仅需 `account_name`，获取人设树的全局/局部常量节点（节点名称、概率、常量类型）。 |
-| 账号pattern复用 | `find_pattern` | 需 `derived_items`（可为空）、条件概率阈值、top_n。为空时条件概率为 pattern 的 support。 |
-| 人设推导     | `find_tree_nodes_by_conditional_ratio` | 需 `derived_items`（可为空）、条件概率阈值、top_n。为空时条件概率为节点的 _ratio。 |
+| 账号pattern复用 | `find_pattern` | 需 `derived_items`（可为空）、条件概率阈值、top_n。|
+| 人设推导     | `find_tree_nodes_by_conditional_ratio` | 需 `derived_items`（可为空）、条件概率阈值、top_n。|
 | 信息搜索     | 调用子 agent | 使用 `agent(task="...", agent_type="derivation_search")`，在 task 中传入本次搜索的 **query**。 |
 
-**derived_items 格式**（当集合非空且需传入时）：  
-`find_pattern` 与 `find_tree_nodes_by_conditional_ratio` 的 `derived_items` 可为空数组；非空时每项**建议**为 `topic` + `source_node`（工具不识别 `name`、`node`、`id` 等其它字段）：
-- `topic`：已推导成功的**帖子选题点名称**（来自评估匹配后加入集合的名称）
-- `source_node`：该选题点对应的人设树节点名称（推导来源）
+**derived_items 参数说明（必须严格遵守）**：  
+`derived_items` 表示**已由评估子 agent 确认匹配成功的帖子选题点集合**，其唯一来源是：evaluate_derivation 子 agent 返回结果中 `is_matched=true` 记录的 `matched_post_point` 字段。
 
-示例：`[]`（首轮）；或 `[{"topic": "分享", "source_node": "分享"}, {"topic": "图文信息", "source_node": "结构模式"}]`。  
-主 agent 在评估子 agent 返回匹配结果后，按「已推导成功选题点的更新规则」维护集合；后续轮次调用上述两工具时，可从集合及对应推导来源整理出 `derived_items`，首轮可传 `[]`。
+**核心规则**：
+- **在任何评估子 agent 返回结果之前（含首轮推导），`derived_items` 必须为 `[]`（空数组）**，不得填入任何内容。
+- `find_tree_constant_nodes` 返回的常量节点、人设树中的任何节点名称，均**不能**用于填充 `derived_items`——这些节点是推导的候选输出，不是已确认的帖子选题点。
+- 非空时每项格式**严格**为两个字段：`topic`（帖子选题点名称）+ `source_node`（推导该点时对应的人设树节点名称）。
+- **禁止使用 `name`、`node`、`id` 或任何其他字段名**——工具不识别这些字段，传入会导致计算结果错误。
+
+示例：
+- 首轮（无任何已推导点）：`[]`
+- 评估子 agent 已返回结果后：`[{"topic": "分享", "source_node": "分享"}, {"topic": "叙事结构", "source_node": "叙事结构"}]`
+
+主 agent 在每轮评估子 agent 返回后，按「已推导成功选题点的更新规则」维护集合；后续轮次可从集合整理出 `derived_items`，首轮固定传 `[]`。
 
 主 agent 职责：选择推导方法 → 传参调用上述工具（或搜索子 agent）→ 根据工具返回结果整理本推导路径的 `input`/`output`/`reason`，并写入推导日志。
 
 ## 推导过程
 
+### 任务启动（进入推导循环前必须完成）
+
+在开始第一轮推导之前，执行以下一次性初始化操作：
+
+1. **确认日志根目录**：`output/{account_name}/推导日志/{帖子ID}/{log_id}/`，后续所有 `{轮次}_推导.json` 和 `{轮次}_评估.json` 均写入此目录。
+2. **初始化状态变量**（仅存在于 agent 工作记忆中）：
+   - `derived_success_set = []`（已推导成功选题点集合，初始为空）
+   - `failed_points = []`（已失败选题点列表，初始为空）
+   - `consecutive_zero_rounds = 0`（连续零匹配轮数，初始为 0）
+
 ### 推导流程图：
 ```plantuml
 @startuml
 start
-:进行单步推导;
-:本轮产出的选题点候选;
-:可能选题点评估;
-:符合的选题点加入已推导选题点集合;
-if (是否已推导出全部选题点) then (是)
+:步骤一：策略决策;
+note right
+  判断广召回/收敛阶段
+  检查 failed_points 列表
+  确定本轮推导方法与参数组合
+end note
+:步骤二：执行推导;
+note right
+  调用工具，按推导路径产出候选选题点
+  每条路径只用一种方法、调用一次工具
+end note
+:步骤三：评估验证;
+note right
+  调用 evaluate_derivation 子 agent
+  获取 eval_results 与 next_round
+end note
+:步骤四：写入日志 + 更新集合;
+note right
+  写推导日志与评估日志
+  更新已推导成功集合 + failed_points
+end note
+if (need_next_round = false ?) then (是)
   end
 else (否)
-  if (是否已达最大推导轮次) then (是)
+  if (连续 3 轮匹配率 = 0% ?) then (是)
     end
   else (否)
-    :回到单步推导;
+    if (已达 15 轮上限 ?) then (是)
+      end
+    else (否)
+      :回到步骤一;
+    endif
   endif
 endif
-
-' 数据与流程
-note left of 进行单步推导: 输入：已推导选题点集合；人设/pattern 数据通过工具按需获取
-note right of 符合的选题点加入已推导选题点集合: 输出：更新已推导选题点集合
 @enduml
 ```
 
-### 推导流程
-1. **推导**：以**已推导成功的选题点集合**为输入（不包含帖子单帖解构内容，首轮为空）。执行某种推导方法时，**先调用对应工具**获取数据，再根据工具返回结果整理并产出**本轮推导出的可能选题点**（含推导过程数据）。  
-   - **首轮**：四种方法均可使用。人设推导、账号pattern复用 的 `derived_items` 可传空数组 `[]`，此时工具分别用节点 _ratio、pattern support 作为条件概率。
-   - **后续轮次**：集合非空后，人设推导、账号pattern复用 可传入 `derived_items`，每项建议为 `{"topic": "帖子选题点名称", "source_node": "人设树节点名称"}`。
-   - **注意**: 推导的总轮次数由第2环节验证评估决定。**总轮次的上限为15轮**。
-2. **评估验证**：调用评估子 agent（evaluate_derivation）进行验证。注意：
-   - 使用内置的 `agent` 工具，传入 `agent_type="evaluate_derivation"`，在 `task` 参数中给出：1）历史已推导成功的选题点（JSON）；2）本轮推导出的可能选题点（含推导路径ID）；3）**帖子ID**；4）**账号名（account_name）**。
-   - 评估子 agent 会加载 skill `derivation_eval`，在内部**调用 `point_match` 工具**（传入推导选题点列表、账号名、帖子ID）获取匹配结果，再据此整理 `eval_results` 与 `next_round` 并返回。
-   - 主 agent 后续动作：根据子 agent 返回的匹配结果更新已推导成功的选题点集合（见「已推导成功选题点的更新规则」）；根据 `need_next_round` 决定是否继续推导。
-3. **失败后策略调整**：见「失败恢复与策略调整」章节。
-4. **输出日志**：每轮完成「推导」后，将本轮推导过程按**推导日志**格式写入 `output/{账号名}/推导日志/{帖子ID}/%log_id%/{轮次}_推导.json`；每轮完成「评估验证」并收到子 agent 返回后，将返回结果整理为**评估日志**格式，写入 `output/{账号名}/推导日志/{帖子ID}/%log_id%/{轮次}_评估.json`。
+### 推导主循环
+
+每一轮推导按以下四个步骤顺序执行，**不可跳步、不可乱序**：
+
+**步骤一：策略决策**  
+执行推导前，先明确本轮方向：当前处于广召回阶段还是收敛阶段（详见「推导策略」）？上一轮评估结果如何、哪些方向值得延伸或放弃？本轮应选用哪些方法与参数组合？同时检查 failed_points 列表，确保本轮不重复已失败的推导方向。
+
+**步骤二：执行推导**  
+以**已推导成功的选题点集合**为基础（首轮为空），按步骤一确定的方法与参数，分条执行推导路径。每条路径只使用一种方法、只调用一次对应工具，工具返回数据后整理该路径的 `input`/`output`/`reason`。**总轮次上限为 15 轮**。
+
+**步骤三：评估验证**  
+推导完成后，立即调用评估子 agent（`agent_type="evaluate_derivation"`），在 `task` 中提供：1）历史已推导成功的选题点（JSON）；2）本轮推导出的可能选题点（含推导路径 ID）；3）帖子 ID；4）账号名（account_name）。  
+评估子 agent 内部会调用 `point_match` 工具完成匹配，返回 `eval_results` 与 `next_round`。
+
+**步骤四：写入日志 + 更新集合（每轮必须执行，不可省略）**  
+- 将本轮推导路径按**推导日志**格式写入 `output/{account_name}/推导日志/{帖子ID}/{log_id}/{轮次}_推导.json`
+- 将评估子 agent 的返回结果按**评估日志**格式写入 `output/{account_name}/推导日志/{帖子ID}/{log_id}/{轮次}_评估.json`
+- 根据评估结果更新已推导成功选题点集合：将 `is_matched=true` 的 `matched_post_point`（帖子选题点名称）加入集合（详见「已推导成功选题点的更新规则」）
+- 根据评估结果更新 failed_points 列表：将 `is_matched=false` 的推导选题点记录在案，后续推导中**原则上不得再次输出**该名称；若确有必要重新推导，须换用完全不同的推导方法与输入组合
+
+> **日志输出要求（强制）**：上述两个 JSON 文件是每轮唯一合法的输出载体。**禁止**以 markdown 文件、汇总报告、或任何其他格式替代按轮次写入的 JSON 日志文件。每轮的推导日志和评估日志必须在该轮评估完成后**立即写入**，不得延迟到任务结束后统一输出。
+
+**完成四步后**，根据「失败恢复与策略调整」章节判断是否继续下一轮。
 
 ### 推导方法的定义
 
@@ -95,21 +141,23 @@ note right of 符合的选题点加入已推导选题点集合: 输出：更新
     - 使用的推导方法：人设常量
     - 单步推导产出的output节点：分享
       ```json
-      {
-        "method": "人设常量",
-        "input": {
-          "tree_nodes": ["分享"],
-          "patterns": [],
-          "derived_nodes": []
-        },
-        "output": ["分享"],
-        "reason": "意图维度中，'分享'节点是全局常量（c=true）且整体概率 r=0.913，极高，是账号最核心的创作意图起点。",
-        "tools": []
-      }
+      [
+        {
+          "method": "人设常量",
+          "input": {
+            "tree_nodes": ["分享"],
+            "patterns": [],
+            "derived_nodes": []
+          },
+          "output": ["分享"],
+          "reason": "意图维度中，'分享'节点是全局常量（c=true）且整体概率 r=0.913，极高，是账号最核心的创作意图起点。",
+          "tools": []
+        }
+      ]
       ```
 
 #### 方法二：账号pattern复用
-- **适用场景**：通过 pattern 数据发现选题点共现关系；首轮或集合为空时也可调用（此时条件概率为 pattern 的 support）。
+- **适用场景**：通过 pattern 数据发现选题点共现关系；首轮或集合为空时也可调用。
 - **操作方式**：调用工具 `find_pattern(account_name, derived_items, conditional_ratio_threshold, top_n)`。`derived_items` 可为空数组 `[]`（首轮或广召回时）；非空时每项建议为 `{"topic":"帖子选题点名称","source_node":"人设树节点名称"}`，不可使用 `name`、`node`、`id` 等其它字段。根据工具返回的 pattern 名称与条件概率，选取条件概率高的 pattern，将其中尚未推导成功的选题点作为候选输出，整理为本推导路径的 `input`/`output`/`reason`。
 - **优先级**：优先使用条件概率高、pattern 长度（节点数）大的结果；与已推导选题点重合多的 pattern 更优先。
 - 模拟样例: 以下是使用「账号pattern复用」进行推导所产生的数据解构样例。
@@ -120,21 +168,23 @@ note right of 符合的选题点加入已推导选题点集合: 输出：更新
       - 使用的推导方法：账号pattern复用
       - 单步推导产出的output节点：补充说明
     ```json
-    {
-      "method": "账号pattern复用",
-      "input": {
-        "tree_nodes": [],
-        "patterns": ["图文信息+补充说明"],
-        "derived_nodes": ["图文信息"]
-      },
-      "output": ["补充说明"],
-      "reason": "根据已推导节点“图文信息”，找到pattern“图文信息+补充说明”，由此pattern推导出“补充说明”",
-      "tools": []
-    }
+    [
+      {
+        "method": "账号pattern复用",
+        "input": {
+          "tree_nodes": [],
+          "patterns": ["图文信息+补充说明"],
+          "derived_nodes": ["图文信息"]
+        },
+        "output": ["补充说明"],
+        "reason": "根据已推导节点“图文信息”，找到pattern“图文信息+补充说明”，由此pattern推导出“补充说明”",
+        "tools": []
+      }
+    ]    
     ```
 
 #### 方法三：人设推导
-- **适用场景**：通过人设树条件概率关联推导相关节点；首轮或集合为空时也可调用（此时条件概率为节点自身的 _ratio）。
+- **适用场景**：通过人设树条件概率关联推导相关节点；首轮或集合为空时也可调用。
 - **操作方式**：调用工具 `find_tree_nodes_by_conditional_ratio(account_name, derived_items, conditional_ratio_threshold, top_n)`。`derived_items` 可为空数组 `[]`（首轮或广召回时）；非空时每项建议为 `{"topic":"帖子选题点名称","source_node":"人设树节点名称"}`，不可使用 `name`、`node`、`id` 等其它字段。根据工具返回的节点名称、条件概率、父节点名称，选取条件概率高的节点作为候选输出，整理为本推导路径的 `input`/`output`/`reason`。推导理由须引用条件概率等数据，不得使用大模型自身世界知识联想。
 - 模拟样例: 以下是使用「人设推导」进行推导所产生的数据解构样例。
     - 单步推导使用的input信息：
@@ -144,17 +194,19 @@ note right of 符合的选题点加入已推导选题点集合: 输出：更新
     - 使用的推导方法：人设推导
     - 单步推导产出的output节点：补充说明
       ```json
-      {
-        "method": "人设推导",
-        "input": {
-          "tree_nodes": ["图文信息"],
-          "patterns": [],
-          "derived_nodes": ["图文信息"]
-        },
-        "output": ["补充说明"],
-        "reason": "根据已推导出的“图文信息”，发现人设树中存在对应节点“图文信息”。人设该节点下存在多个子节点及孙子节点，根据概率高低判断，“补充说明”是“图文信息”节点下概率较高的子节点。",
-        "tools": []
-      }
+      [
+        {
+          "method": "人设推导",
+          "input": {
+            "tree_nodes": ["图文信息"],
+            "patterns": [],
+            "derived_nodes": ["图文信息"]
+          },
+          "output": ["补充说明"],
+          "reason": "根据已推导出的“图文信息”，发现人设树中存在对应节点“图文信息”。人设该节点下存在多个子节点及孙子节点，根据概率高低判断，“补充说明”是“图文信息”节点下概率较高的子节点。",
+          "tools": []
+        }
+      ]
       ```
 
 #### 方法四：信息搜索
@@ -174,37 +226,67 @@ note right of 符合的选题点加入已推导选题点集合: 输出：更新
     - 使用的推导方法：信息搜索
     - 单步推导产出的output节点：家居改造利用、废旧物品利用
       ```json
-      {
-        "method": "信息搜索",
-        "input": {
-          "tree_nodes": ["创意改造"],
-          "patterns": [],
-          "derived_nodes": ["图文信息", "夸张呈现"]
-        },
-        "output": ["家居改造利用", "废旧物品利用"],
-        "reason": "根据已推导出的“图文信息”、“夸张呈现”，结合人设中相关的“创意改造”进行外部搜索，搜索结果中主要包含了家居改造利用、废旧物品利用等信息",
-        "tools": [
-          {
-            "name": "agent(derivation_search)",
-            "query": "图文信息 夸张呈现 创意改造",
-            "result": "（搜索子 agent 返回的摘要或关键内容）",
-            "raw_result": "（搜索子 agent 返回的原始搜索结果，完整保留或按需截断）"
-          }
-        ]
-      }
+      [
+        {
+          "method": "信息搜索",
+          "input": {
+            "tree_nodes": ["创意改造"],
+            "patterns": [],
+            "derived_nodes": ["图文信息", "夸张呈现"]
+          },
+          "output": ["家居改造利用", "废旧物品利用"],
+          "reason": "根据已推导出的“图文信息”、“夸张呈现”，结合人设中相关的“创意改造”进行外部搜索，搜索结果中主要包含了家居改造利用、废旧物品利用等信息",
+          "tools": [
+            {
+              "name": "agent(derivation_search)",
+              "query": "图文信息 夸张呈现 创意改造",
+              "result": "（搜索子 agent 返回的摘要或关键内容）",
+              "raw_result": "（搜索子 agent 返回的原始搜索结果，完整保留或按需截断）"
+            }
+          ]
+        }
+      ]
       ```
 
 ### 推导策略
 
-#### 首轮与后续轮次
-- **首轮**：四种推导方法均可使用。人设推导、账号pattern复用 可传 `derived_items=[]`，此时条件概率分别为节点 _ratio、pattern support。
-- **后续轮次**：集合非空后，人设推导、pattern 复用可传入非空 `derived_items`（每项 `topic`+`source_node`），获得基于已推导帖子的条件概率；仍可传空以做广召回。
+推导过程分为两个阶段，并在整体上遵循「由内向外、交替推导」的节奏。
+
+#### 阶段一：广召回（前期，通常为前 2~3 轮）
+
+**目标**：在推导方向尚不明确时，尽可能扩大候选选题点的覆盖范围，为后续收敛提供足够的基础。
+
+**执行要点**：
+- 每轮至少使用 2 种不同的推导方法，组合多种参数，提升召回覆盖面
+- 人设推导、账号 pattern 复用的 `derived_items` 优先传空数组 `[]`，不因缺乏已推导点而限制召回范围
+- 人设常量建议在首轮优先使用，一次性召回所有高概率常量节点作为初始候选
+- 本阶段每轮输出的候选选题点数量应尽量多，依靠评估过滤后再确认方向
+
+**进入阶段二的时机**：已推导成功的选题点集合积累到一定数量（通常 5 个以上）时，转入收敛阶段。
+
+#### 阶段二：逐步收敛（中后期）
 
-#### 前期广召回，逐步收敛
-- 前期推导因为缺少方向，先尽可能输出多的选题点，利用评估子agent的匹配结果，再逐步收敛
+**目标**：围绕已确认的选题点，向深度方向精准延伸，挖掘与之强关联的剩余选题点。
 
-#### 由内向外，交替推导
-- 先利用内部数据（人设树、pattern）推导出一部分选题点、确定一些方向后，再使用外部信息搜索方法推导出选题点，再反过来结合内部数据推导出更多的选题点。
+**执行要点**：
+- 人设推导、账号 pattern 复用传入非空 `derived_items`（每项含 `topic` + `source_node`），利用条件概率推导与已确认点关联的节点
+- 每轮推导聚焦于与已推导点关联性强的维度，避免回到无目标的散点式探索
+- 若某轮内部方法（方法二、三）无法推导出新点，立即触发信息搜索（方法四）扩展视野
+- 搜索结束后，下一轮必须回归内部方法，将搜索发现的新方向在人设树或 pattern 中进行概率验证并延伸
+
+#### 由内向外、交替推导
+
+整体推导按「内部方法 → 外部搜索 → 内部方法」的节奏循环：
+
+- **优先内部**：每轮推导以内部方法（方法一、二、三）为主，先充分挖掘人设树与 pattern 数据中的信号，再决定是否引入外部搜索
+- **搜索触发时机**：内部方法连续 1~2 轮无法产出有效新候选点时，触发信息搜索（方法四）
+- **搜索关键词约束**：只能使用已推导成功的选题点名称或人设树节点名称构造 query，禁止凭空联想
+- **搜索后的跟进**：每次搜索后至少安排 1~2 轮内部方法推导，将搜索发现的新方向在人设数据中验证并延伸，再决定是否再次搜索
+
+#### 内部推导方法阈值动态调整
+内部推导方法二、三 种的 conditional_ratio_threshold （条件概率阈值），top_n (最大返回记录条数)，由agent动态调整
+
+- 在无法推导出新点是，可逐步降低条件概率阈值，或者加大最大返回记录条数，召回更多的数据，已提高推导成功的概率
 
 
 ### 失败恢复与策略调整
@@ -231,20 +313,15 @@ note right of 符合的选题点加入已推导选题点集合: 输出：更新
 - 达到总轮次上限 15 轮
 
 ### 推导方法的使用要求
-- **推导方法原子化使用**: 每条推导路径，只能使用一种方法，只调用一次。不能在一条推导路径中同时使用多种方法。不能将多轮多步调用方法的结果合并到一步推导中。
-- **多种推导方法循环交替使用**: 
-  - 不应在一轮中只使用单一方法。每轮推导应至少尝试2种不同的方法，以增加覆盖面。
-  - 在推导过程中，使用某种推导方法无法推导出新的选题点时，则尝试调用另外的推导方法。若能推导出新的选题点，则可以再重新尝试使用之前无法推导出新选题点的方法进行推导尝试。
-- **信息搜索的触发调用时机**: 在推导过程中，若使用「账号pattern复用」与「人设推导」都无法推导出新的帖子选题点时，需调用「信息搜索」子 agent 尝试推导。
-- **每一推导步骤需尽可能多尝试**: 包括选起点的所有推导步骤，均要尝试调用尽可能多的推导方法，并且每种方法要尝试多种输入信息的可能，输入信息的组合可以不局限于1-2种可能性。
-- **避免重复推导**: 不要重复推导已经在之前轮次中被判定为「不匹配」的选题点（除非使用了完全不同的推导方法和输入组合）。维护一个失败选题点列表，避免无效重复。
-  - 维护一个 failed_points 列表，每轮推导前先检查，已失败的点不得再次输出
-- **每一条推导路径必须包含的信息**: 输入节点、输出节点、推导方法、推导理由。
-    - **输入节点的要求**: 必须是之前已推导成功的选题点（使用帖子选题点名称），或者是人设树中的节点、pattern节点。
-    - **输出节点的要求**: 为本次推导产出的候选选题点。
-    - **推导理由必须合理且不遗漏**: 
-      - 必须给出符合人类常识、符合创作者思维的推导理由。理由需详细反映思维链决策过程，并引用具体的数据支撑（人设树节点的 `r`/`w` 值，或 pattern 的 `s`/`l` 值）。**禁止**牵强附会、连续多步联想、小概率联想。
-      - 所有推导输出的选题点必须有其推导理由
+
+- **推导方法原子化使用**：每条推导路径只能使用一种方法，只调用一次对应工具；不得在一条路径中混用多种方法，也不得将多步调用结果合并为一步。
+  - **推导方法原子化需要体现在输出的推导日志json文件中**，通常情况，每条推导路径的 `output` 中只会有一两个选题点；人设常量/人设推导方法，一般是一个人设树节点input对一个output选题点；账号pattern复用方法，因为一个pattern中有多个元素，可以通过一个pattern推导出多个选题点，因此output可能有1到多个选题点。信息搜索也可能是一次搜索推导出多个选题点，因此output也可能是1到多个选题点。
+- **每轮多方法覆盖**：每轮推导应至少使用 2 种不同的推导方法，每种方法尝试多种输入组合，不局限于 1~2 种可能。推导方法的选用节奏与信息搜索的触发时机详见「推导策略」章节。
+- **避免重复推导**：每轮推导前检查 failed_points 列表，列表中的选题点名称原则上不得再次输出；若确有必要重新推导，须换用完全不同的推导方法与输入组合（见「推导主循环」步骤一、步骤四）。
+- **每一条推导路径必须包含的信息**：输入节点、输出节点、推导方法、推导理由。
+  - **输入节点**：必须是已推导成功的选题点（帖子选题点名称），或人设树节点、pattern 节点。
+  - **输出节点**：本次推导产出的候选选题点。
+  - **推导理由**：必须详细、可追溯，引用工具返回的具体数据（人设树节点的 `r`/`w` 值，或 pattern 的 `s`/`l` 值）；**禁止**牵强附会、连续多步联想或使用大模型自身世界知识推断；所有输出的选题点均须有对应推导理由。
 
 ### 推导方法的使用约束
 
@@ -263,13 +340,18 @@ note right of 符合的选题点加入已推导选题点集合: 输出：更新
    - 可能存在某些选题点无法通过上述推导方法以合理理由推导出。
    - 出现这样的情况时，不要以牵强的理由强行推导，应在达到终止条件后自然结束。
 
+4. **禁止绕过子 agent 直接调用底层工具**：
+   - **禁止**主 agent 直接调用 `point_match` 工具。推导结果评估**只能**通过 `agent(task="...", agent_type="evaluate_derivation")` 完成，任何情况下不得例外。
+   - **禁止**主 agent 直接调用 `search_posts` 工具。信息搜索**只能**通过 `agent(task="...", agent_type="derivation_search")` 完成，任何情况下不得例外。
+   - 违反上述规则等同于破坏推导流程的闭眼原则和信息隔离机制。
+
 
 ## 输出文件（每轮推导与评估的详细过程日志）
 
-每轮推导结束后写入**推导日志**，每轮评估子 agent 返回后写入**评估日志**。路径中的 `{帖子ID}`、`log_id`（运行前生成并替换）、`{轮次}` 由实际执行时替换。
+每轮推导结束后写入**推导日志**，每轮评估子 agent 返回后写入**评估日志**。路径中的 `{轮次}` 均由实际值替换。
 
 ### 1. 推导日志（每轮一份）
-- **路径**: `output/{账号名}/推导日志/{帖子ID}/%log_id%/{轮次}_推导.json`
+- **路径**: `output/{account_name}/推导日志/{帖子ID}/{log_id}/{轮次}_推导.json`
 - **作用**: 记录该轮推导的详细过程，便于追溯与可解释性
 - **格式要求**:
 ```json
@@ -315,7 +397,7 @@ note right of 符合的选题点加入已推导选题点集合: 输出：更新
 **注意**： 每条推导路径遵循最小输入输出原子化规则：即用最少输入数据可以推导出哪些必要的选题点；从数据上看，每一条推导路径中的所有输入都是输出每个选题点的必要输入数据；逻辑上可以分开推导路径不要混在一起。
 
 ### 2. 评估日志（每轮一份）
-- **路径**: `output/{账号名}/推导日志/{帖子ID}/%log_id%/{轮次}_评估.json`
+- **路径**: `output/{account_name}/推导日志/{帖子ID}/{log_id}/{轮次}_评估.json`
 - **作用**: 记录该轮评估结果与推导进度，**内容由调用评估子 agent 的返回结果整理得到**
 - **格式要求**:
 ```json
@@ -374,4 +456,4 @@ note right of 符合的选题点加入已推导选题点集合: 输出：更新
 4. 推导理由中不包含对评估子 agent 反馈的引用
 
 $user$
-请开始执行 账号名称=家有大志，帖子ID=68fb6a5c000000000302e5de 的选题点整体推导任务。所有路径均相对于项目根目录。
+请开始执行 account_name={account_name}，帖子ID={帖子ID} 的选题点整体推导任务。所有路径均相对于项目根目录。

examples_how/overall_derivation/skills/derivation_eval.md

@@ -22,7 +22,7 @@ description: 选题点推导评估任务 - 调用 point_match 工具获取匹配
 ## 操作步骤
 
 1. **解析 task**：从主 agent 的 task 中提取 历史已推导成功选题点、本轮推导选题点（含 id 与 output）、帖子ID、账号名。
-2. **构造待评估列表**：将本轮每条推导路径的 `output` 展平为选题点名称列表，并记录每个名称对应的路径 `id`（同一路径下多个 output 共用同一 id）。
+2. **构造待评估列表**：将本轮每条推导路径的 `output` 展平，得到 (id, 选题点名称) 列表（同一路径下多个 output 共用该路径的 id）。若多条路径产出了相同的选题点名称，调用 point_match 时需**去重**（每个名称仅传入一次）；整理 eval_results 时，对每个 (id, derivation_topic_name) 组合各输出一条记录（多条路径输出同名点时，分别对应各自的路径 id，匹配结果一致）。
 3. **调用 point_match**：
    - `derivation_output_points`：上一步得到的选题点名称列表（可含重复 id 的多个点）
    - `account_name`：主 agent 传入的账号名
@@ -34,7 +34,7 @@ description: 选题点推导评估任务 - 调用 point_match 工具获取匹配
    - 若未出现在匹配列表中，则：`is_matched: false`，`matched_post_topic: null`，`matched_reason: null`。
    - `id` 与主 agent 传入的推导路径 ID 一致；`derivation_topic_name` 为本轮推导的选题点名称。
 6. **整理 next_round**：
-   - `derived_success_count` = 历史已推导成功数量 + 本轮 `is_matched` 为 true 的数量。
+   - `derived_success_count` = 历史已推导成功数量 + 本轮**新增**的 `is_matched` 为 true 的数量。所谓"新增"：若本轮匹配到的 `matched_post_topic` 已存在于历史已推导成功列表中（名称相同），则**不重复计入**，避免同一帖子选题点被重复统计。
    - `need_next_round` = （`derived_success_count` < 帖子选题点总数 N）。**不要在 JSON 中输出 N**。
 
 ## 输出要求

examples_how/overall_derivation/skills/derivation_search.md

@@ -22,12 +22,19 @@ description: 选题点推导-信息搜索子 Agent，根据主 agent 传入的 q
 1. 从 `task` 中提取搜索 **query**（关键词）。若 task 为自然段，则识别其中明确给出的 query 并直接使用，**不要**自行改写或扩展关键词。
 2. 调用工具 **search_posts**，传入该 query（及你认为合理的条数等参数），执行一次搜索。
 3. 根据 `search_posts` 的返回结果：
-   - 写一段**摘要**：概括搜索结果中与选题点相关的关键信息（主题、高频词、可推导方向等）。
-   - 保留或截断**原始数据**：便于主 agent 写入推导日志的 `tools[].raw_result`。
-4. 在回复中明确给出：
-   - **query**：本次实际使用的搜索关键词。
-   - **result**：上述摘要。
-   - **raw_result**：原始搜索结果（可适当截断以控制长度）。
+   - 写一段**摘要**：概括搜索结果中与选题点相关的关键信息（主题、高频词、可推导方向等），约 100~200 字。
+   - 保留或截断**原始数据**：结果过多时保留前 5~10 条，其余省略，便于主 agent 写入 `tools[].raw_result`。
+4. 按以下固定格式返回，便于主 agent 逐字段提取写入推导日志：
+
+```
+【query】<本次实际使用的搜索关键词>
+
+【result】<摘要：概括搜索结果中与选题相关的关键主题、高频词、可能的推导方向>
+
+【raw_result】<搜索工具返回的原始结果（过长时保留前 5~10 条，其余省略）>
+```
+
+若 `search_posts` 返回空结果或无相关内容，`result` 填写"未找到相关内容"，`raw_result` 返回原始空结果，**不得捏造任何内容**。
 
 ## 约束
 - **仅执行一次搜索**：每次被调用只调用一次 `search_posts`，不要多轮搜索或合并历史结果。