Sleuth：结构化AI侦探工作流框架，56个任务构建完整调查流水线

Sleuth是开源的六阶段AI代理调查工作流框架，通过56个细粒度任务和模板化流程实现类似情报分析的结构化推理，解决AI代理在复杂任务中推理链条断裂、信息整合困难的问题，提供从任务定向到最终报告输出的完整调查流水线，适用于多种深度调查场景。

当前AI代理在复杂任务中常面临推理链条断裂、信息整合困难的问题，尤其在多步骤调查、跨文档关联分析场景中，缺乏系统化工作流导致输出质量不稳定。情报分析领域长期积累的结构化方法论，可为AI代理的复杂推理提供可复用框架。

Sleuth由elb-pr开发的开源项目，提供六阶段AI代理调查工作流框架，将复杂调查任务分解为56个细粒度任务，每个阶段有明确输入输出规范和参考模板。核心执行引擎为task_runner.py，负责按顺序驱动各阶段任务完成。

1. 任务定向：明确调查目标、范围边界和成功标准，结构化定义关键问题、利益相关方及信息来源优先级；2. 情报收集：大规模信息采集+来源可信度评估+采集策略优化，提供多种采集模板及来源质量评分机制；3. 整理与实体解析：识别关键实体（人/组织/事件/地点）并解决消歧问题，输出清洗关联的实体图谱；4. 时序与关系处理：构建时间线和关系网络，输出可视化时序图和关系图；5. 假设与推理：生成竞争性假设并收集支持/反驳证据，降低确认偏误；6. 最终报告：汇总成果，包含执行摘要、方法论、关键发现、证据链、置信度评估及建议，标准化格式便于审核比较。

task_runner.py实现阶段间自动流转和状态管理，每个任务完成输出参考文件供下游使用，形成清晰数据依赖链。该设计使长流程可追踪、可恢复，若某阶段失败可从断点继续而非从头开始。

Sleuth框架适用于学术研究文献综述、企业竞争情报分析、开源情报调查、代码库架构梳理、复杂客户支持工单处理等，任何需从分散信息提炼结构化洞察的任务均可受益。

Sleuth将情报分析领域成熟方法论转化为AI代理可执行工作流，填补当前AI工具在复杂推理任务中的结构性空白。56个细粒度任务既保证流程完整性又保留灵活性，对构建可靠AI调查系统的开发者是值得深入研究的参考实现。