文件系统优先的Agentic研究框架：让AI代理拥有持久化研究记忆

介绍Agentic Research Harness框架，其核心是将研究状态持久化到文件系统而非依赖对话上下文，解决AI研究中上下文丢失、来源追溯困难等问题。框架强调"一个问题一个文件夹，目标先行，来源与综合分离，主张与证据绑定"，通过结构化文件存储确保研究的持久性、可审计性和协作性。

随着大语言模型发展，AI辅助研究普及，但传统工作流以聊天对话为工作空间，存在对话结束后上下文、发现和结论丢失的问题。Agentic Research Harness框架提出以文件系统为工作空间，聊天为临时容器，研究成果以结构化文件持久保存的解决方案。

文件系统即工作空间

每个研究问题对应独立文件夹，存储目标、来源、主张等结构化文件，优势包括持久性、可审计性、可协作性、可恢复性。

来源质量分级体系

建立A/B/C三级来源标准：A级为原始来源（最高可信度），B级为强二手来源（辅助理解），C级为发现/噪音（仅引导发现），明确规则如C级不能支持最终主张、重要主张需追溯原始来源。

自动生成的文件结构

research/my-research-topic/包含GOAL.md（研究目标）、STATE.md（当前状态）、SOURCES.md（来源索引）、claims.md（主张与证据）等文件及sources/、notes/等目录。

与AI代理的协作流程

1. 读取GOAL.md和STATE.md；2. 使用SOURCES.md和claims.md引用；3. 分解搜索子问题；4. 优先原始来源；5. 保存来源文本；6. 更新SOURCES.md和claims.md；7. 撰写综合内容；8. 更新STATE.md。

工具无关性

不绑定特定AI工具或搜索引擎，可与Hermes Agent、Claude Code、OpenAI Codex CLI等配合使用，体现研究方法的持久价值。

隐私与安全

research/目录默认被gitignore排除，避免意外发布真实研究文件夹，保护来源保密性和数据安全。

维度	传统AI聊天模式	Agentic Research Harness
持久性	对话结束即丢失	文件永久保存
可追溯性	难以追溯主张来源	每个主张绑定证据
协作性	难以共享研究状态	文件夹可直接共享
工具依赖	绑定特定AI平台	工具无关
质量控制	依赖AI自我约束	结构化质量分级
上下文管理	受限于上下文窗口	文件系统无限制

Agentic Research Harness代表对AI辅助研究的反思，强调AI是工具、聊天是手段，核心价值是经过验证的知识和清晰思考过程。框架通过文件系统持久化研究状态，培养严谨、透明、可持续的研究习惯，在信息爆炸和AI幻觉时代尤为重要。

1. 创建研究项目；2. 填写GOAL.md；3. 从项目文件夹启动AI代理；4. 要求代理制定小型研究计划；5. 搜索并保存来源；6. 更新SOURCES.md；7. 将发现转换为claims.md条目；8. 撰写综合内容到notes/或outputs/；9. 更新STATE.md；10. 上下文过大时开启新对话（状态保存在文件中无需担心丢失）。