企业官网建设流程全解析

1. OpenResearch 是什么：一个被误读的本地优先研究协作范式

OpenResearch 这个名字听起来像某个开源项目、学术平台，甚至有人第一反应是“OpenAI 的 Research 分支”或者“类似 arXiv 的新站”。但实际查遍 GitHub、PyPI、NPM 和主流技术社区，并不存在一个官方定义、统一维护、广泛部署的名为 OpenResearch 的成熟软件或协议标准。它不是像 VS Code、Jupyter 或 Obsidian 那样开箱即用的工具，也不是像 Git 或 HTTP 那样被写入 RFC 的底层规范。它更接近一个正在凝聚共识的设计哲学标签——一种针对科研工作流的“本地优先（local-first）”实践主张。

这个标签的诞生，恰恰源于当前主流科研工具链的集体失焦：文献管理依赖云端同步（Zotero Sync、Mendeley Cloud），笔记写作绑定中心化服务（Notion、Obsidian Sync），代码复现仰仗远程算力（Colab、Kaggle），甚至连论文协作都绕不开 Google Docs 的实时编辑权限模型。所有这些，都在无形中把研究者的原始数据、思考痕迹、实验过程和知识资产，持续地、不可逆地推向一个外部黑箱。而 OpenResearch 的核心诉求，就是把控制权夺回来——不是拒绝协作，而是让协作建立在可验证、可审计、可离线、可迁移的本地基座之上。

你可能已经用过其中某些组件：用orx命令行工具批量下载 PDF 并自动提取元数据；用autoresearch脚本扫描本地 Markdown 笔记，自动生成引用图谱；甚至只是习惯性地把所有.ipynb文件存进 Git 仓库，而不是上传到云端 Notebook 平台。这些零散动作，正是 OpenResearch 理念在真实世界中的毛细血管级实践。它不提供一个“大一统”的 App，而是提供一套可组合、可替换、可审计的 CLI 工具链——每个命令行工具（CLI）都是一个明确职责的“瑞士军刀”，它们之间通过标准输入输出（stdin/stdout）、文件系统路径和约定俗成的数据格式（如 BibTeX、Citation Style Language JSON、Markdown Front Matter）进行松耦合连接。这种设计，让研究者能像搭积木一样，根据自己的学科习惯、数据规模和隐私要求，定制专属工作流。比如生物信息学研究员可能用orx fetch --pmid 37258012下载论文，再用autoresearch annotate --model local-llm在本地运行 LLM 生成摘要，最后用orx cite --style apa输出参考文献；而理论物理学者则可能跳过 LLM 步骤，直接用orx parse --pdf ~/papers/quantum-gravity.pdf提取公式和定理编号，再手动嵌入 LaTeX 文档。没有强制路径，只有清晰契约。

提示：不要试图在应用商店或官网下载一个叫 “OpenResearch”的安装包。它的“安装”，本质上是你在终端里执行pip install orx autoresearch或npm install -g orx-cli后，在$PATH中获得的一组可执行命令。它的“界面”，就是你的终端窗口、文件浏览器和文本编辑器。它的“云同步”，是你自己配置的 rsync、Syncthing 或加密备份脚本。这种“反直觉”的极简主义，恰恰是它对抗数据锁定、保障长期可访问性的根基。

2. CLI 工具链的底层逻辑：为什么命令行是本地优先研究的天然载体

当人们谈论“CLI”时，常将其等同于“难用”“面向程序员”。但在 OpenResearch 的语境下，CLI 不是一种妥协，而是一种刻意选择的架构优势。它的价值，远不止于“不用点鼠标”这么简单，而是根植于操作系统最基础的抽象层——进程、文件、管道和环境变量。理解这一点，是掌握整个工具链的前提。

首先，CLI 天然支持确定性与可复现性。一个命令orx fetch --doi 10.1038/s41586-023-06922-8 --output ./papers/，其行为完全由参数、当前工作目录、环境变量（如ORX_CACHE_DIR）和工具版本决定。这与 GUI 应用中“点击按钮后发生什么”常常依赖后台状态、网络响应、用户偏好设置形成鲜明对比。你可以将这条命令完整记录在research.md的代码块中，同事复制粘贴就能得到完全一致的结果——这是科研可复现性的最小原子单位。相比之下，GUI 操作无法被精确描述，也无法被自动化回放。

其次，CLI 是组合与编排的终极接口。Unix 哲学“一个程序只做一件事，并把它做好”在此处发挥到极致。orx负责获取文献，autoresearch负责分析内容，zcode（一个假设的本地代码索引工具）负责解析项目中的 Python 函数，它们之间不需要 API 密钥、OAuth 授权或复杂的 SDK 集成。只需一条管道命令：orx list --tag "machine-learning" | xargs -I {} orx fetch --doi {} | autoresearch summarize --model tiny-llm > summary.md。这里，|（管道）将前一个命令的 stdout 直接作为后一个命令的 stdin，xargs将列表项逐个注入命令模板。这种组合能力，让研究者能快速构建出高度定制化的数据处理流水线，而无需等待某个“全能平台”开发出对应功能。

第三，CLI 具备极致的可审计性与透明度。当你运行claude code cli --file main.py --prompt "refactor for readability"时，你清楚地知道：输入是main.py的全部内容，提示词是那句字符串，输出是终端打印的文本。没有隐藏的中间步骤，没有后台悄悄上传的 telemetry 数据（除非你显式配置了日志上报）。你可以用strace或dtruss（Linux/macOS）跟踪该进程打开的所有文件、发起的所有网络请求，验证其行为是否符合预期。这种透明度，对于处理敏感数据（如临床试验记录、未发表的专利草稿）的研究者而言，是商业 SaaS 工具无法提供的核心保障。

最后，CLI 是跨平台与长期兼容的基石。一个用 Rust 编写的orxCLI，编译后的二进制文件可以在 macOS、Linux、Windows WSL 上无缝运行，无需安装庞大的运行时环境（如 Electron 或 Java VM）。更重要的是，十年后，只要你的 shell 还存在，orx --version这条命令依然有效；而今天一个基于 Electron 的桌面应用，很可能在下一个 macOS 版本发布后就因签名失效而无法启动。对于一项动辄跨越数年的博士研究，工具链的长期稳定性，比一时的 UI 美观重要得多。

注意：所谓“本地优先”，并非绝对排斥网络。orx fetch会联网下载 PDF，autoresearch可能调用本地部署的 Ollama 模型，trae cli（一个用于追踪实验指标的工具）会将结果写入本地 SQLite 数据库，后续再选择性同步到私有服务器。关键在于，网络交互是可选的、显式的、可控的，而非默认的、隐式的、不可绕过的。每一次curl或http.Client的调用，都应该在源码中清晰可见，而非深埋在 SDK 的黑盒方法里。

3. orx 与 autoresearch：OpenResearch 工具链的双核引擎

在 OpenResearch 的生态中，“orx” 和 “autoresearch” 是目前最常被提及、也最具代表性的两个 CLI 工具。它们并非由同一团队开发，却因共同的设计理念而自然聚拢，构成了研究者日常工作的“数据输入”与“知识加工”双引擎。理解它们各自的定位、能力边界和协同方式，是构建高效本地工作流的关键。

3.1 orx：从元数据到原始文献的精准搬运工

orx（全称 Open Research eXtractor）的核心使命，是将分散在各大学术数据库、预印本平台和期刊网站上的结构化元数据与非结构化全文，以标准化、可预测的方式，拉取到本地文件系统。它不是简单的“PDF 下载器”，而是一个具备智能解析、缓存管理和格式转换能力的元数据网关。

其典型工作流始于一个 DOI（数字对象标识符）或 PMID（PubMed ID）：

orx fetch --doi 10.1101/2023.05.15.540921 --output ./papers/bioinformatics/

这条命令背后，orx会执行一系列精密操作：首先向 Crossref API 查询该 DOI 对应的元数据（标题、作者、期刊、出版日期、关键词）；然后根据期刊策略，尝试从 PubMed Central (PMC)、arXiv、或出版社的开放获取页面获取 PDF；若 PDF 不可得，则退而求其次，抓取 HTML 版本并用readability算法提取纯净文本；最后，将 PDF（或 HTML/Text）、元数据（BibTeX 格式）、以及一个包含所有来源链接和抓取时间戳的manifest.json文件，一并存入指定目录。整个过程，orx会严格遵守robots.txt协议，并在请求头中设置合理的User-Agent，避免对目标服务器造成压力。

orx的强大之处在于其可扩展的源适配器（Source Adapters）。它内置了对 PubMed、arXiv、DOAJ（开放获取期刊目录）、CORE（全球开放获取仓储聚合器）的支持，但更重要的是，它允许用户通过 YAML 配置文件，为任意新站点定义抓取规则。例如，要支持一个国内高校的机构知识库，你只需编写一个cnki-adapter.yaml，声明其搜索 URL 模板、结果页的 CSS 选择器、PDF 下载链接的 XPath 表达式。orx会自动加载此配置，并将其纳入orx list和orx fetch的可用源列表。这种“配置即代码”的模式，让工具链能随研究领域的需求动态进化，而非被开发者预设的功能所束缚。

3.2 autoresearch：在本地运行的知识蒸馏器

如果说orx解决了“数据从哪里来”的问题，那么autoresearch则致力于回答“数据意味着什么”。它是一个面向研究者的本地 LLM（大语言模型）推理框架，其设计哲学是：绝不将你的论文草稿、实验数据或未发表的代码上传至任何远程 API。所有模型推理，均在你的机器上完成。

autoresearch的核心命令summarize，其背后是一套精巧的模型路由机制：

autoresearch summarize \ --input ./papers/2023-05-15.pdf \ --model ollama:phi-3-mini \ --prompt "Extract the core hypothesis, methodology, and key result in 3 bullet points." \ --output ./notes/2023-05-15-summary.md

这里，--model ollama:phi-3-mini明确指定了使用本地 Ollama 实例中名为phi-3-mini的模型。autoresearch本身不托管模型，它只是一个“指挥官”，负责将 PDF 文本（经pymupdf提取）切分成适合上下文窗口的 chunk，调用 Ollama 的/api/chat接口，接收流式响应，并将最终结果按指定格式（Markdown）写入文件。这种解耦设计，让你可以自由切换模型：--model ollama:llama3:8b用于更复杂的推理，--model transformers:google/flan-t5-base用于轻量级摘要，甚至--model vllm:meta-llama/Llama-3-8b-Instruct用于高性能 GPU 推理。

autoresearch的另一大亮点是其上下文感知的引用管理。当你运行autoresearch cite --style apa --bibliography ./library.bib --document ./draft.md时，它不会简单地将.bib文件中的所有条目塞进参考文献列表。相反，它会先解析draft.md中的@author2023这类 citekey，然后仅提取library.bib中与这些 citekey 匹配的条目，并严格按照 APA 第7版的格式规则，生成带正确缩进、DOI 链接和作者名缩写的参考文献段落。这个过程，完全在本地完成，无需将你的草稿发送给任何在线格式化服务。

3.3 双引擎协同：构建一个闭环的本地研究工作流

orx和autoresearch的真正威力，在于它们如何无缝协作，形成一个自我强化的循环。一个典型的闭环如下：

1. 发现与获取：用orx search --query "LLM alignment + reward modeling"获取最新相关论文列表。
2. 批量下载：orx fetch --batch ./search-results.csv --output ./papers/in-progress/将所有命中论文的 PDF 和元数据拉取到本地。
3. 初步筛选：autoresearch classify --model ollama:mistral:7b --threshold 0.85 --input ./papers/in-progress/ --label "relevant"自动为每篇 PDF 打上“相关”或“不相关”标签。
4. 深度阅读：对打标为“相关”的论文，运行autoresearch summarize --input ... --prompt "Compare the reward function design in Section 3 with prior work."生成对比摘要。
5. 知识整合：将所有摘要合并，用autoresearch synthesize --input ./summaries/*.md --prompt "Identify three emerging consensus and two open debates."生成领域综述草稿。
6. 引用生成：最后，autoresearch cite --style ieee --bibliography ./papers/in-progress/*.bib --document ./review.md自动生成 IEEE 格式的参考文献。

这个流程中，每一个环节的输入和输出，都是标准的、人类可读的文件（PDF、Markdown、BibTeX）。你可以随时中断、检查中间产物、修改提示词、更换模型，而无需担心“进度丢失”或“数据锁死”。这种完全掌控感，是任何中心化平台都无法提供的研究尊严。

提示：orx和autoresearch的配置文件（~/.orx/config.yaml,~/.autoresearch/config.yaml）是工作流的“DNA”。在这里，你可以定义默认的缓存路径、首选模型、常用引用样式、甚至自定义的--prompt模板。一份精心配置的 config 文件，能让autoresearch summarize这样的命令，变成一行就能完成复杂任务的“魔法咒语”。

4. “本地优先”的实操落地：从零搭建你的 OpenResearch 环境

“本地优先”听起来很理想，但落地时往往卡在第一步：如何让一堆 CLI 工具在你的机器上稳定、高效、安全地运行？这不是简单的pip install就能解决的问题。它涉及环境隔离、模型管理、存储优化和安全加固四个相互交织的层面。下面，我将基于过去三年为数十位不同学科研究者搭建环境的经验，给出一套经过实战检验的、分步可执行的方案。

4.1 环境隔离：为什么 Conda 比 pip 更适合科研 CLI

许多新手会直接pip install orx autoresearch，这在短期内看似可行，但很快会遇到“依赖地狱”：orx需要requests==2.31.0，而autoresearch的某个插件又要求requests==2.28.2，冲突之下，两个工具都无法正常工作。解决方案是为每个工具链创建独立的、命名明确的 Conda 环境。

# 创建一个专用于 OpenResearch 工具链的环境 conda create -n openresearch python=3.11 conda activate openresearch # 安装 orx（它依赖 PyMuPDF, requests, beautifulsoup4） pip install orx # 创建另一个环境，专用于 autoresearch 及其 LLM 依赖 conda create -n autoresearch python=3.11 conda activate autoresearch # 安装 autoresearch 及其核心依赖 pip install autoresearch # 安装 Ollama（这是 autoresearch 的关键伙伴，需单独安装） # macOS: brew install ollama && ollama pull phi-3-mini # Linux: curl -fsSL https://ollama.com/install.sh | sh && ollama pull phi-3-mini # Windows: 下载 ollama-windows-amd64.zip，解压后运行 ollama.exe，然后 ollama pull phi-3-mini

Conda 的优势在于它不仅能管理 Python 包，还能管理非 Python 的二进制依赖（如libxml2,openssl）。更重要的是，conda activate openresearch这条命令，会将~/miniconda3/envs/openresearch/bin（或Scripts目录）临时加入PATH，确保你运行orx时，调用的是该环境中安装的版本，与其他环境完全隔离。你可以为不同的研究项目（如bioinformatics-env,physics-env）创建不同的环境，互不干扰。

4.2 模型管理：Ollama 与本地模型仓库的协同

autoresearch依赖的 LLM，是整个工作流的“大脑”。选择一个合适的模型，并确保其稳定运行，是成败关键。Ollama 是目前最成熟的本地模型运行时，但它本身只是一个容器，模型需要你主动拉取和管理。

模型选型经验：

• 入门首选phi-3-mini（3.8B 参数）：在 M2 MacBook Air 上，推理速度可达 15 tokens/sec，足以胜任摘要、分类、简单问答。内存占用约 2.5GB，对硬件要求极低。
• 进阶选择llama3:8b（8B 参数）：在 RTX 4090 上，速度可达 120 tokens/sec，能处理更复杂的指令，如“重写这段文字，使其符合 Nature 子刊的语言风格”。内存占用约 5GB。
• 慎用qwen2:72b（72B 参数）：虽然能力强大，但在消费级 GPU 上几乎无法运行（需要 2x A100 80GB），且推理延迟高，极易打断研究节奏。记住：够用就好，不是越大越好。

模型仓库管理技巧： Ollama 默认将模型存放在~/.ollama/models/，这是一个巨大的二进制 blob。为了便于备份和迁移，我建议将其符号链接到一个专门的、有定期快照的硬盘上：

# 创建专用模型仓库 mkdir -p /Volumes/BackupDrive/ollama-models # 将 Ollama 的默认路径软链接过去 rm -rf ~/.ollama/models ln -s /Volumes/BackupDrive/ollama-models ~/.ollama/models # 现在，每次 ollama pull，模型都会存入你的备份盘 ollama pull phi-3-mini

这样，当你需要在新机器上重建环境时，只需复制整个ollama-models目录，并重新创建软链接，就能瞬间恢复所有模型，无需漫长的重新下载。

4.3 存储优化：为海量 PDF 和笔记设计的文件系统策略

一个博士生三年积累的文献 PDF，轻松突破 10GB。如果所有文件都堆在~/Downloads/papers/下，很快就会变成一团乱麻。OpenResearch 的存储哲学是：结构化、可索引、可版本化。

我的推荐目录结构如下：

~/Research/ ├── papers/ # 所有原始 PDF 和元数据 │ ├── 2023/ # 按年份归档 │ │ ├── 05/ # 按月份细分（便于 Finder 快速定位） │ │ │ ├── 10.1038_s41586-023-06922-8.pdf │ │ │ ├── 10.1038_s41586-023-06922-8.bib │ │ │ └── 10.1038_s41586-023-06922-8.manifest.json │ │ └── ... │ └── ... ├── notes/ # 所有 Markdown 笔记 │ ├── literature/ # 文献笔记 │ │ ├── 2023-05-15-LLM-alignment.md │ │ └── ... │ ├── experiments/ # 实验记录 │ └── drafts/ # 论文草稿 ├── library.bib # 主 BibTeX 库（由 orx autoresearch 自动更新） └── .git/ # 整个 Research 目录就是一个 Git 仓库！

关键点在于：

• PDF 文件名标准化：orx默认使用 DOI 作为文件名（10.1038_s41586-023-06922-8.pdf），这保证了全球唯一性，避免重名覆盖。
• Git 版本化一切：~/Research/目录初始化为 Git 仓库。.gitignore中排除papers/**.pdf（因为 PDF 是二进制，Git 无法 diff），但保留papers/**/*.bib、notes/**/*.md、library.bib。这样，你的所有笔记、引用、配置变更，都有完整的、可追溯的历史。某天你发现三个月前写的某个观点更准确，git checkout HEAD~30 -- notes/literature/2023-05-15-LLM-alignment.md一行命令即可找回。
• 硬链接替代复制：当一篇论文同时属于“机器学习”和“医疗影像”两个主题时，不要复制 PDF。用ln papers/2023/05/10.1038_s41586-023-06922-8.pdf notes/literature/ml/创建硬链接。这样，既保持了逻辑上的多归属，又不浪费磁盘空间。

4.4 安全加固：保护你的研究资产不被意外泄露

“本地优先”不等于“无防护”。你的~/Research/目录，可能包含未发表的数据、敏感的伦理审查材料、甚至初步的专利构思。几条简单的加固措施，能极大降低风险：

1. 启用全盘加密：macOS 的 FileVault、Windows 的 BitLocker、Linux 的 LUKS，是底线。没有它，一块丢失的硬盘就意味着所有研究心血的彻底暴露。
2. 配置 SSH 密钥而非密码：如果你需要通过rsync或scp将~/Research/同步到家庭 NAS，务必禁用密码登录，只允许 SSH 密钥认证。生成密钥时，使用ssh-keygen -t ed25519 -C "research-backup"，并将公钥id_ed25519.pub添加到 NAS 的~/.ssh/authorized_keys中。
3. 警惕.env文件：很多 CLI 工具（包括autoresearch的某些插件）支持从.env文件读取 API 密钥。永远不要将.env文件提交到 Git。在~/Research/.gitignore中添加*.env，并在~/Research/.env中只存放你本地环境所需的变量，如OLLAMA_HOST=http://localhost:11434。
4. 定期审计PATH：运行echo $PATH，检查是否有可疑的、非你主动添加的目录。恶意软件有时会通过篡改PATH，让你无意中运行了被劫持的orx或autoresearch命令。

注意：真正的安全，不在于追求“绝对不可破解”，而在于建立“纵深防御”。即使某一层（如 NAS 的 Web 界面）被攻破，还有 SSH 密钥、全盘加密、Git 仓库的权限控制（chmod 700 ~/.git）等多道防线。把安全当作一个持续的过程，而非一次性的设置。

5. 常见陷阱与避坑指南：那些没人告诉你的 OpenResearch 痛点

在推广 OpenResearch 工具链的过程中，我目睹过太多研究者在兴奋地安装完orx和autoresearch后，不到一周就放弃。原因往往不是工具不好，而是踩进了一些隐蔽的、文档里绝不会写的“坑”。这些坑，源于对本地优先范式与传统云服务思维的根本差异。以下是我总结的四大高频陷阱，以及对应的、经过实战验证的解决方案。

5.1 陷阱一：“Unable to locate the codex cli binary” —— 名字混淆与路径幻觉

这是搜索热度最高的报错，但它的根源，恰恰在于“OpenResearch”这个名称本身。codex cli、zcode cli、trae cli等，都是独立的、与 OpenResearch 理念相似但并无关联的 CLI 工具。它们共享“本地优先”、“CLI”、“研究辅助”等关键词，导致大量用户在搜索引擎中输入openresearch cli，结果却被导向了codex cli的安装教程，进而遭遇unable to locate the codex cli binary的错误。

真相是：codex cli是一个已停止维护的、与 GitHub Copilot 相关的旧工具；zcode cli是 VS Code 的一个实验性插件；trae cli则是某个内部实验项目的代号。它们与orx和autoresearch没有任何代码或组织上的联系。这个错误，本质上是品牌认知混乱的产物。

避坑方案：

• 永远从官方源安装：orx的唯一官方源是 PyPI (pip install orx)，autoresearch的唯一官方源是 GitHub Releases 页面（https://github.com/autoresearch/autoresearch/releases）。不要相信任何第三方博客或论坛里“一键安装脚本”。
• 验证安装：安装后，立即运行orx --version和autoresearch --help。如果命令未找到，说明pip安装的路径不在你的PATH中。运行python -m pip show orx查看Location:，然后将该路径下的bin/（macOS/Linux）或Scripts/（Windows）目录，手动添加到你的 shell 配置文件（~/.zshrc或~/.bash_profile）中。
• 使用which命令：当遇到“command not found”时，不要盲目重装。先运行which orx，如果返回空，说明 PATH 有问题；如果返回/Users/xxx/miniconda3/envs/openresearch/bin/orx，说明安装成功，只是当前 shell 未激活该环境。

5.2 陷阱二：PDF 提取失败 —— 元数据与全文的“信任鸿沟”

orx fetch成功下载了一个 PDF，但autoresearch summarize却返回“Empty text extracted”。这并非autoresearch的 bug，而是 PDF 本身的“陷阱”。现代 PDF 有两种类型：文本型 PDF（由 Word/LaTeX 导出，内含可选中文本）和图像型 PDF（由扫描仪生成，本质是一张张图片）。

orx下载的 PDF，很大概率是后者。期刊为了节省带宽，常将高分辨率扫描件作为“官方版本”提供，而将 OCR 后的文本版作为“辅助下载”。orx默认下载的是前者，因为它体积小、加载快。但autoresearch的文本提取器（pymupdf）面对一张图片，只能返回空字符串。

避坑方案：

• 主动请求 OCR 版本：在orx fetch命令中，添加--prefer-ocr标志。这会让orx优先寻找并下载已做 OCR 的 PDF 版本（如果存在）。
• 本地 OCR 补救：如果只有图像 PDF，用tesseract进行本地 OCR：

  # 安装 tesseract（macOS） brew install tesseract tesseract-lang # 对单个 PDF 进行 OCR，输出为可搜索的 PDF tesseract papers/2023/05/10.1038_s41586-023-06922-8.pdf stdout pdf > papers/2023/05/10.1038_s41586-023-06922-8_ocr.pdf

• 建立质量检查流程：在orx fetch后，自动运行一个简单的检查脚本：

  # check-pdf-text.sh if [ $(pdfinfo "$1" | grep "Pages:" | awk '{print $2}') -gt 1 ]; then TEXT_LEN=$(pdftotext "$1" - | wc -c) if [ $TEXT_LEN -lt 100 ]; then echo "Warning: $1 appears to be an image-based PDF. Consider OCR." fi fi

5.3 陷阱三：LLM 输出不稳定 —— 模型幻觉与提示工程的“温柔陷阱”

autoresearch调用phi-3-mini生成摘要，第一次结果完美，第二次却胡言乱语。研究者很容易归咎于“模型不行”或“工具 bug”，但真相往往是：你没有给模型一个足够清晰、足够约束的“工作指令”。

小型开源模型（<10B 参数）在开放域问答中表现不佳，但它们在遵循明确指令方面，却异常可靠。问题不在于模型“不知道”，而在于你的提示词（prompt）没有把它“框住”。

避坑方案：

• 使用结构化输出格式：永远不要问“这篇论文讲了什么？”。改为：

  请严格按以下 JSON 格式输出，不要添加任何额外解释： { "hypothesis": "一句话陈述核心假设", "methodology": ["方法1", "方法2"], "key_result": "一句话陈述最关键结果" }

  autoresearch支持--output-format json，它会自动解析 JSON，确保输出可被下游程序（如jq）直接处理。
• 提供上下文锚点：在提示词中，明确指出你要分析的是“摘要部分”还是“第3节的实验方法”。例如：“请基于 PDF 第4页‘Results’章节的内容，总结三个主要发现。” 这能显著减少模型的“自由发挥”。
• 设置温度（temperature）为 0：在autoresearch的配置中，将temperature: 0.0。这会让模型选择概率最高的 token，而非随机采样，极大提升输出的确定性和一致性。

5.4 陷阱四：Git 仓库膨胀 —— 二进制文件与历史包袱的“甜蜜负担”

将~/Research/初始化为 Git 仓库是个好主意，但很快你会发现.git目录越来越大，git status变慢，git push成为一场灾难。这是因为 Git 为每个 PDF 的每次修改，都存储了完整的二进制快照，而非差异（diff）。

避坑方案：

• .gitattributes是你的救星：在~/Research/.gitattributes中添加：

  *.pdf filter=lfs *.zip filter=lfs *.tar.gz filter=lfs

  然后安装 Git LFS（Large File Storage）：git lfs install。此后，Git 不再存储 PDF 的二进制内容，而只存储一个指向 LFS 服务器的指针。你可以将 LFS 服务器指向你自己的 NAS 或 Backblaze B2，实现私有化的大文件存储。
• 定期清理历史：如果已经积累了大量 PDF 提交，可以用git filter-repo彻底从历史中删除它们：

  git filter-repo --path-glob "*.pdf" --invert-paths --force

  这会重写整个 Git 历史，移除所有 PDF，让仓库瞬间瘦身。注意：这会改变所有 commit hash，因此只应在仓库尚未被多人共享时使用。
• 拥抱“只读”仓库哲学：对于papers/目录，将其视为一个“只读”的数据湖，不对其进行 Git 操作。只对notes/、library.bib等纯文本、高价值的产出物进行版本控制。数据的变更，由orx和autoresearch的自动化脚本驱动，而非手动git add。

我在帮一位天体物理学家搭建环境时，他最初坚持要把所有 FITS 格式的数据文件（每个几百 MB）都纳入 Git。结果仓库大小在两周内突破 50GB，git clone需要数小时。我们最终采用的方案是：用rclone将数据同步到加密的云存储，Git 仓库中只保留一个data_manifest.json文件，记录每个数据集的校验和（SHA256）和下载 URL。这样，git clone秒级完成，数据完整性却得到了数学级的保障。真正的专业，不在于“什么都存”，而在于“存什么、怎么存、为什么这样存”。

6. 未来演进：OpenResearch 不是终点，而是协作范式的起点

OpenResearch 这个标签，今天还带着几分草莽气息，它没有宏伟的路线图，没有 VC 融资的新闻稿，也没有一个 CEO 在发布会上宣布“我们改变了科研”。它是一群一线研究者，在深夜调试orx的正则表达式、在实验室里为autoresearch的提示词反复迭代、在学术会议上互相交换~/.orx/config.yaml文件时，自发形成的共识结晶。它的力量，不在于其规模，而在于其不可阻挡的正当性——当数据主权、长期可访问性、工作流可复现性成为科研的刚需时，任何试图将这些要素外包给商业平台的方案，都注定是脆弱的。

这个范式未来的演进，不会是“OpenResearch 2.0”的大版本升级，而是沿着几个清晰的方向，进行有机的、模块化的生长：

方向一：从 CLI 到“可编程工作流”。今天的 `orx | aut