Skip to content

stage-playbook.md

Latest commit

 

History

History
416 lines (341 loc) · 32.7 KB

stage-playbook.md

File metadata and controls

416 lines (341 loc) · 32.7 KB
Raw

Stage Playbook — 逐阶段操作手册

主代理在进入某阶段时才读对应章节（渐进式加载，省上下文）。每一阶段都按 SKILL.md 的 「阶段执行协议」跑：横幅 → in_progress → plan → execute → review → revise → 快照 → done → 阶段闸门。本手册给出每阶段「调哪个 skill / 派哪种 subagent / 产出什么 / 失败怎么回退」。

所有路径里的 67/ = skills/67-econfin-workflow-toolkit/。调用某 skill 一律按 skill-map.md §0 的调用协议：优先 Skill(<注册名>)，报 not found 就退回 Read <folder>/SKILL.md 内联执行，绝不凭记忆脑补。可直接复制的 subagent 派发模板见 subagent-templates.md。进入 Stage 3 前还必须加载 research-grade-methods.md，用它定义现代因果推断/应用计量的最低证据包。 Stage 2 结束、Stage 3 开始前还要加载 empirical-audit.md，确保样本构造、 变量口径、missingness/balance/overlap 与目标 estimand 对齐。 Stage 3–4 的 Python/StatsPAI、Stata、R 三种分析后端按 analysis-backends.md 选择；默认后端为 python-statspai。 每个因果设计还必须加载 design-gate-cards.md，把设计分支的 required artifacts、 hard fail 与 claim 降级规则写进 method_gate.md 和 evidence_ledger.md。 想先看一条完整跑通的 trace（每阶段产物 + 两道闸门如何触发 + NOT PASS→回退→PASS 循环），见 worked-example.md——它就是下面这套协议的填空范本。 工具、网络、MCP 或统计软件不可用时按 runtime-fallbacks.md 退化执行； 涉及受限数据、PII、IRB/DUA 或 archive boundary 时按 data-governance.md 先登记再推进。 识别威胁、选择性报告、external validity、SUTVA/溢出和 attrition 风险按 design-risk-ledger.md 写入 03_analysis/design_risk_ledger.md，作为 Method Gate 的上游硬约束。

Stage 1 · 选题与设计

目的：把一个研究方向收敛成一份可直接进入实证的 proposal（X→M→Y、识别策略、样本、贡献边际、 目标期刊）。

plan

  • 若用户已给方向，直接用；否则 AskUserQuestion 问方向 + 想要的候选标题数 N（缺省 5）。
  • 读 67/econfin-idea-finder/SKILL.md，按其漏斗逻辑运行。
  • 加载 literature-and-positioning.md：用滚雪球 + 引用图工具把相关文献 找全，建 01_proposal/lit_matrix.md 让贡献白space可见；贡献句按 writing-craft.md §3 三槽 + 该文件 §4 定位句式锻造，命中 Edmans 红线就回炉。

execute（并行 subagent，强制调用子 skill） — 直接套用 subagent-templates.md §S1：

  • 用 Agent 派 N 路并行 subagent（每批 ≤5），每个 subagent 的 prompt 必须强制它：
    1. Skill(skill="Econfin-Proposal")（注册名大写，见 skill-map §0.1）生成计划书；not found 则 Read 67/econfin-proposal/SKILL.md 执行；
    2. Skill(skill="novelty-check") 查新打分；not found 则 Read 67/novelty-check/SKILL.md；
    3. 只有 novelty ≥ 9（顶刊层次）才把「proposal + 查新」合并 md 写入工作区 01_proposal/candidates/<短名>-<分数>.md——这是对 econfin-idea-finder 硬编码 F:\Dropbox\CC\选题大全\ 输出根的强制覆盖（见 skill-map §0.2）；否则内部丢弃、不写盘、不回传全文；
    4. 只向主代理回传 ≤8 行摘要（标题、分数、是否保留、一句话贡献）。
  • 主代理再 Skill(skill="Significance-Search")（注册名大写）给保留候选补「学术 + 现实」重要性证据； Skill(skill="journal-digest") 扫目标期刊近年口味——调用时显式要求它把摘要写到 01_proposal/journal_digest.md（同样覆盖其 Dropbox 硬编码输出）。

review（独立 critic subagent）

  • 派一个「资深 AE」critic subagent，拿 Edmans (2024) "1000 Rejections" 红线对每个保留候选挑刺 （是不是 convex combination、贡献是否单薄、识别是否可信），把意见写入 01_proposal/critique.md。

revise / 交付

  • 主代理据 critique 让用户（或在全自动档位下自行）选定 1 个标题，把最终计划书定稿为 01_proposal/proposal.md，并在其中显式写死：被解释变量 Y、核心解释变量 X、机制 M、 识别策略（DiD/IV/RDD/SC/...）、样本与政策冲击、目标期刊。这份 proposal.md 是后续所有阶段的合同。
  • 若已经能判断识别路线，顺手写一版 03_analysis/design_register.md 草稿；Stage 3 开始时再按 research-grade-methods.md 补齐 estimand、诊断证据与回退方案。
  • 同时从 templates/design_risk_ledger.md 起草 03_analysis/design_risk_ledger.md：至少列出 proposal 可能命中的 OVB、选择、bad controls、spillover/SUTVA、 external validity、attrition 和 specification-search 风险。此时可为 pending，但不能空白。

失败回退：N 个候选全 < 9 分 → 扩大方向或换角度重跑一轮；查新发现已被做过 → 标红，回到 plan 另寻差异化切口。

Stage 2 · 数据

目的：依 proposal 的变量与样本，拿到分析就绪的数据集 + codebook。

plan：从 proposal.md 抽出需要的变量、频率、地域、时间窗、合并键，列一张「变量→数据源」需求表。 加载 data-governance.md 与 empirical-audit.md，先从 templates/data_governance.md 生成 00_meta/data_governance.md，从 templates/sample_audit.md 生成 02_data/sample_audit.md。前者记录 public / restricted / confidential / PII、DUA、IRB/ethics、许可证、 再分发边界；后者预留 raw→clean→estimation sample 的 N、单位数、treated/control 数、drop 原因和脚本行号。

execute

  • Skill 调用 67/data-fetcher 取数（FRED / World Bank / BLS / OECD / Yahoo Finance；A 股/中国 宏观等可配合 57-dgunning-edgartools、58-charlescoverdale-econstack、59-shiquda-openalex-skill 等集合，见 skill-map）。多个独立数据源可并行 subagent 各取一段、各自写盘到 02_data/raw/。
  • Skill 调用 67/data-cleaning 做清洗、对齐、合并、构造变量，产出 02_data/clean.parquet （或 .dta/.csv）与 02_data/codebook.md（每个变量的定义、来源、单位、缺失处理）。
  • 同步填写 02_data/sample_audit.md：合并键唯一性、样本限制、缺失/attrition、baseline balance、 overlap/common support、treatment timing、cluster level/cluster count 与权重口径必须落到表格或图。
  • 受限数据只保留 fetch/clean 脚本、变量字典和访问说明；不得把原始数据、PII、token、签名 URL 或 DUA/IRB 限制材料放进公开包、日志或仓库。

review：critic subagent 核对——合并键唯一性、面板是否平衡、极端值/缺失处理是否记录在 codebook、 处理与对照如何界定（若是 DiD/SC）、sample_audit.md 的样本流失/estimand 对齐/missingness-balance/overlap 是否足以支撑下一阶段、数据治理登记是否与 codebook/DAS 原料一致。意见写 02_data/data_audit.md， 并更新 workflow_state.json.empirical_audit。

revise / 交付：据审计修清洗脚本，重跑到干净。清洗脚本必须留在 02_data/，保证可复现。 sample_audit.md 若为 NOT PASS，Stage 3 只能做探索或修数据，不能把 Method Gate 标 PASS。

失败回退：关键数据取不到 → 标红，给替代代理变量方案或缩小样本，必要时回 Stage 1 调整设计。

Stage 3 · 计量识别、估计与方法闸门

目的：按 proposal 的识别策略，先注册设计，再跑出基准 + 机制 + 异质性 + 稳健性的真实结果， 最后用方法闸门确认最低证据包齐全。

plan（先定设计，再定方法）

  • 必读 research-grade-methods.md + design-gate-cards.md + empirical-audit.md + inference-and-uncertainty.md（推断口径）+ mechanism-and-channels.md（机制主张分类）+ design-risk-ledger.md（设计风险总账）+ analysis-backends.md。先用 empirical audit 确认 estimation sample、变量构造、 missingness/balance/overlap 与 estimand 对齐，再用 methods pack 定识别合同，最后用 backend 文件选择 python-statspai / stata / r；若选 python-statspai 或需要 StatsPAI 交叉验证，再读 statspai-analysis.md。StatsPAI 引擎（MCP 优先拍板/拟合/诊断， statspai 包做出版级出表）的 §1 8 段映射、§3 估计量路由、§6 七块稳健性闸门是本阶段的操作主线。 把 proposal 的识别路线翻译成 03_analysis/design_register.md： estimand、treatment、comparison group、识别假设、主估计量、必需诊断、替代估计量、失败回退。 同时确定本研究使用哪张 design gate card，并在 design_register.md 写清最强目标 claim、样本/时窗/处理版本 边界，以及触发降级的条件。 立刻刷新 03_analysis/design_risk_ledger.md：把 threats-to-validity 命中的威胁、design-transparency 的 PAP/MDE/设定曲线/研究者自由度要求、external validity/transport 边界、spillover/SUTVA 和 attrition 风险逐项 标为 pending / pass / not_pass / not_applicable，并写明每项的 claim consequence。

  • 分析后端分流（analysis-backends）：默认 workflow_state.json.analysis_backend.primary=python-statspai。 用户或既有脚本指定 Stata 时加载 Full-empirical-analysis-skill-Stata（not found 则 Read skills/00.2-Full-empirical-analysis-skill_Stata/SKILL.md）并产出 .do + .log；指定 R 时加载 Full-empirical-analysis-skill-R（not found 则 Read skills/00.3-Full-empirical-analysis-skill_R/SKILL.md）并产出 .R / .qmd。三种后端都必须生成 后端无关的 03_analysis/results/main_results.json、summary.md、method_gate.md 和复现脚本。

  • 领域模式分流（statspai-analysis §2）：默认应用计量；用户措辞含 target trial / IPTW / TMLE / 孟德尔 随机化 → Mode A（流行病学，报风险差/比/HR/RMST + E-value）；含 causal forest / DML / CATE / policy → Mode B（ML 因果，CATE 分布 + policy value + conformal）。

  • 同时加载 threats-to-validity.md（把稳健性矩阵设计成「针对每个识别威胁的 回应」，并按 §3 给控制集标注前处理/混淆/中介/对撞、剔除坏控制）与 design-transparency.md（估计前写预分析计划锁定设计；空结果报 MDE；DiD 跑 预趋势功效 + HonestDiD、设定曲线，登记随机种子）。 这些透明度和识别威胁不是散文备注：适用项必须同步进入 design_risk_ledger.md 的 Threat Register。

  • 若估计工具、StatsPAI MCP、Stata/R/Python 包或网络不可用，按 runtime-fallbacks.md 选择等价 route；若无法生成最低证据包，method_gate.md 必须 NOT PASS，不得把 fallback 当作完整验证。

  • 从 proposal.md 读识别策略，按下表择一主 skill（决策树细节见 skill-map 的「方法路由」）：

    设计 主 skill（67/） 配套
    政策评估 / 自然实验 / 双重差分 did-analysis 平行趋势、事件研究、交错估计量 CS/SA/BJS、TWFE 风险对照
    内生性 / 工具变量 iv-estimation 弱工具检验、过度识别
    断点 rdd-analysis 带宽、robust bias-corrected CI、操纵/密度检验、协变量连续性
    单一处理单位 / 政策试点 synthetic-control donor weights、pre-fit RMSPE、安慰剂、SDID 备选
    一般面板 panel-data FE/RE、聚类稳健 SE、wild cluster/bootstrap（小 cluster）
    截面 / 基础回归 ols-regression 稳健 SE
    时间序列 / 宏观 time-series 单位根、协整、VAR/IRF
    异质处理效应 / 高维 ml-causal DML、EconML/DoubleML、因果森林/GRF、overlap 与 cross-fitting

  • 默认主引擎 = StatsPAI（MCP 优先）：当后端为 python-statspai 时走 MCP 链路做 agent-native 拍板 / 拟合 / 诊断 / 稳健性自检， 全程不落 Python：detect_design → preflight → recommend → 用 as_handle=true 拟合得 result_id → audit_result(result_id) 列出缺的稳健性 → 逐个调它 emit 的 suggest_function → honest_did_from_result / sensitivity_from_result → bibtex(keys) 取可信引用（paper.bib 为唯一真源）。 设计→函数路由见 statspai-analysis.md §3。

  • 需要出版级三格式表图 / 8 段 paper bundle 时切到 statspai 包（sp.feols/sp.regtable/sp.collect， 见 statspai-analysis §4–5）：MCP 拍板拟合后用包出表，两条路径的系数 / SE / N / 聚类必须对得上， 对不上先停下查口径。若改用 Stata/R/Python 方法包（Stata reghdfe/ivreg2/csdid/rdrobust，R fixest/did/grf/DoubleML，或 Python DoubleML、EconML、DoWhy、GRF、PyFixest、rdrobust、 CausalPy），按对应 child skill 和 methods pack §1 的官方入口核对 API；无论走哪条，都把包版本、seed、关键参数（或 MCP 的 result_id 与设计判定）写入估计脚本或 method_gate.md。

execute

  • 按后端跑基准回归：
    • python-statspai：按 statspai-analysis §3，用 MCP fit(as_handle) 拿 result_id，或本机 statspai 包跑 sp.feols/sp.callaway_santanna/sp.ivreg/sp.rdrobust 等。
    • stata：按 Full-empirical-analysis-skill-Stata 跑 03_analysis/estimate.do / master.do，用 reghdfe、ivreg2、csdid、eventstudyinteract、sdid、rdrobust、synth 等；保存 .log 和 标准化 main_results.json。
    • r：按 Full-empirical-analysis-skill-R 跑 03_analysis/estimate.R / master.qmd，用 fixest::feols、did::att_gt、rdrobust、synthdid、grf、DoubleML 等；保存 sessionInfo() / renv.lock 信息和标准化 main_results.json。 可按需 Skill 调用选定的 67/ 估计 skill、Stata MCP、PyFixest 或 R route 做交叉验证——但同一主结果 只认一份口径一致的系数。
  • 稳健性矩阵并行化（套用 subagent-templates.md §S3）：按 statspai-analysis §6 的七块稳健性闸门（安慰剂 / 替换样本 / 设定曲线 / 替换 SE / Oster 界 / HonestDiD / E-value）+ 机制中介 把彼此独立的检验一次性派多个 subagent 并行跑，每个 subagent 自己把系数/SE/图写盘到 03_analysis/robustness/<name>.json|png，只回传"通过/不通过 + 关键系数"。这七块正是下面 method_gate.md artifact 表的实现入口，缺一块对应行标 no。
  • 所有代码留在 03_analysis/（.py/.do/.R/.qmd），结果存 03_analysis/results/，并把后端选择、 脚本扩展名、版本检查写入 00_meta/analysis_backend.md 与 workflow_state.json.analysis_backend。
  • 同步写 03_analysis/method_gate.md 的 artifact 表：主结果、识别诊断、稳健性矩阵、复现脚本都必须 有路径；02_data/sample_audit.md 也必须作为必需 artifact 进入表格，且其 final estimation sample 的 N、 treated/control 数、cluster level 必须与 main_results.json 对上。缺失项标 no，不得用空话替代。 同步写 03_analysis/inference_report.md（聚类层级与 cluster 数、few-cluster 修正、随机化推断、多重检验族与 校正、弱工具区间，见 inference-and-uncertainty.md）；有机制主张则按 mechanism-and-channels.md 把它分类、把中介移出主设定、结果落 03_analysis/mechanism/。 同步更新 03_analysis/design_risk_ledger.md：每个适用 threat 必须指向真实诊断或 refuter artifact；仍未关闭的 blocking threat 写入 Blocking Threats，并同步到 workflow_state.json.design_risk.blocking_threats。 还要按 design-gate-cards.md 填写 Design Gate Card：列出当前设计卡每个 required artifact 的路径、 是否通过、以及对应 claim consequence（causal / qualified_causal / descriptive / exploratory / no_claim）。 方法闸门给出的最强 claim 等级必须同步写入 workflow_state.json.evidence_governance.claim_strength。 方法闸门还要检查 00_meta/data_governance.md：合法访问、公开包边界、PII/小样本披露、IRB/DUA 状态若阻断主结果，列入 hard flags。
  • 同步刷新 00_meta/evidence_ledger.md：为每个主结果写 claim row、estimand-to-claim map、result ID、 robustness/threat matrix；若任何 claim 强于 design gate card 允许等级，把该行标成 no_claim 或降级，并在 Open Discrepancies 中记录。 如果 design_risk_ledger.md 对某个 claim 的 consequence 更低，以更低者为准。

review：派一个 66-zheng-siyao-empirical-research-skills 风格的 critic（did-reviewer / econ-reviewer）做对抗审阅——识别假设是否真的成立、SE 聚类是否正确、是否 p-hacking 嫌疑、methods pack 对应的最低证据包是否齐全。意见写 03_analysis/results_audit.md，方法闸门判定写 03_analysis/method_gate.md；设计风险判定写 03_analysis/design_risk_ledger.md 并刷新 workflow_state.json.design_risk。若样本审计暴露 estimand 漂移、bad-control、overlap 或聚类层级问题， 先回 Stage 2/3 修数据或设定，不得用更多稳健性表掩盖。

revise / 交付：据审阅补检验、修设定，定稿 03_analysis/results/main_results.json 与一份 03_analysis/results/summary.md（人话版结论）。置 done 前跑一次 python3 scripts/check_workspace_gates.py <workspace> 机械核对（method_gate 标 PASS 时所需 artifact 必须真的在盘上）。 只有 method_gate.md 为 PASS、workflow_state.json.design_risk.status=pass、且机械核对无 hard 不一致时，Stage 3 才能置 done 并进入 Stage 4；否则按 method_gate.md 的 Next Action 回退。

失败回退（关键）：平行趋势不过 / IV 弱工具 / 系数不显著 / 机制不成立 → 不要硬写成功。 按 China-CF-study 纪律自动切备选：换识别策略、换工具变量、换对照组、改窗口；连续失败则在闸门 标红，回 Stage 1/2 调设计或数据。每次回退都记进 logs/stage_3.md。

Stage 4 · 表与图

目的：把 Stage 3 的结果按所选分析后端做成出版级三格式表（LaTeX/Word/Excel 同出）与图 （事件研究图、系数图、机制图）。

execute

  • 先读 workflow_state.json.analysis_backend.primary，再按 analysis-backends.md §4 选出表路径。所有后端都必须落 04_results/*.{tex,docx,xlsx} 和 04_results/*.{pdf,png}，并生成 04_results/exhibits_index.md。 每张表图还必须回填 00_meta/evidence_ledger.md 的 Exhibit and Script Map，保证每个 exhibit 都能追溯到 claim、result、生成脚本和重建状态。
  • python-statspai 主路径 = StatsPAI 出表栈（statspai-analysis §4，用 statspai 包）：把 Stage 3 的结果对象喂给 sp.regtable(M1..M5, template="aer")（Tier 1 单表）/ sp.paper_tables(main=, heterogeneity=, robustness=) （Tier 2 多面板）/ sp.collect("Title")（Tier 3 整场 bundle），用 .to_word()/.to_excel()/.to_latex() 同时落 04_results/*.{tex,docx,xlsx}（合作者改 Word、编辑要 Excel、CI 编 LaTeX）。永远不要从 pandas 手搓 Word/Excel。需纯 LaTeX 三线表时 Skill 调用 67/table（或 66/latex-table）作替代/补充；Stata 用户可配 18-jusi-aalto-stata-accounting-research、32-dylantmoore-stata-skill 的表格规范。
  • stata 路径：用 esttab/estout 输出 .tex/.rtf，用 outreg2 或 Stata 17+ collect 输出 .xlsx/.docx，图用 graph export 同时输出 .pdf + .png。表注必须包含 FE、cluster、N、星标和样本说明。
  • r 路径：用 modelsummary / fixest::etable / Quarto 输出 .tex/.docx/.xlsx，图用 ggsave(..., dpi=300) 同时输出 .pdf + .png。如果用 Quarto，渲染脚本也留在 03_analysis/ 或收尾 master script 中。
  • 图：StatsPAI 标准图谱（statspai-analysis §5）：sp.enhanced_event_study_plot(cs)（事件研究，从 CS/SA 结果出）、sp.coefplot(...)（系数森林）、sp.rdplot、sp.cate_plot、sp.spec_curve(...).plot()、 sp.sensitivity_plot(sp.honest_did(...))。每个 plotter 返回 (fig, ax)（binscatter 是 3 元组），解包后 fig.savefig(..., dpi=300) 落 04_results/*.pdf + *.png；脚本顶部先跑一次 CJK+retina 设置。需要时 Skill 调用 67/figure 或 39-vincentarelbundock-marginaleffects（边际效应图）作补充。

review：critic 检查——表注是否齐（样本量、R²、聚类层级、显著性星标说明）、图是否自解释、 数字与 Stage 3 结果一致。意见写 04_results/figtab_audit.md。

revise / 交付：定稿 04_results/，并生成一份 04_results/exhibits_index.md 列出每张表/图对应 论文的哪个论点，供 Stage 5 写作直接引用。

Stage 5 · 写作初稿

目的：从表图产出一份结构完整的 LaTeX 初稿。

execute

  • Skill 调用 67/paper-writer，喂入 04_results/（表图）+ 01_proposal/proposal.md（动机/贡献/ 假设），让它按"Intro → 文献/制度背景 → 数据 → 识别策略 → 结果 → 机制 → 稳健性 → 结论"写出 05_draft/main.tex 与 05_draft/ref.bib。 写作 prompt 必须附 00_meta/evidence_ledger.md，要求每个摘要、引言、结果和结论 claim 使用不高于 ledger 允许等级的措辞；ledger 中 descriptive / exploratory / no_claim 的内容不得被包装成主因果发现。 还必须附 03_analysis/design_risk_ledger.md：识别段、稳健性段、政策含义和 cover letter 的外推边界不得 强于 design risk ledger 的 claim consequence。
  • 文献综述薄弱时，配合 36-taoyunudt-literature-review-skill、52-keemanxp-slr-prisma、 59-shiquda-openalex-skill 补做结构化综述；引用入库可配 Zotero MCP。
  • 写作标尺：按 writing-craft.md（引言五段公式、解剖结构、量级纪律）写；识别段按 threats-to-validity.md §5 加一段「Threats to Identification」先发制人、把每个 威胁指到 robustness/ 真实 artifact；related-work 段按 literature-and-positioning.md §4 点名最接近的 3–5 篇、说清本文前进在哪。

review：critic 通读——贡献句是否锋利、识别策略段是否说服力够、结果段是否克制（不过度解读）。 意见写 05_draft/draft_audit.md。

revise / 交付：据审阅改一轮，定稿初稿。注意：此处只求"完整且自洽的初稿"，精修留给 Stage 6。

Stage 6 · 全流程打磨

目的：把初稿过一遍成熟的固定打磨流水线。

execute

  • 直接 Skill 调用 67/paper-pipeline，把 05_draft/（或复制到 06_polish/）和目标期刊 传给它。它内部会按固定顺序自动跑：paper-polish → paper-self-revise → paper-style → paper-polish（二轮）→ reference-verify，并自带它自己的 pipeline_state.json、阶段备份、 交互档位。不要在这里重复它的逻辑——本编排器只负责把输入喂对、把它的产出收回主线。
  • 把 paper-pipeline 的交互档位与本编排器的档位对齐（全自动↔全自动 / 阶段确认↔stage-confirm）。

交付：打磨后的 06_polish/main.tex + ref.bib + ref_verify_report.xlsx + pipeline 报告。

失败回退：paper-pipeline 内部中断 → 它自身可断点续跑，本编排器记录其状态后在闸门提示用户。

Stage 7 · 语言与去 AI 味

目的：消除 AI 腔 / 翻译腔，达到人类学者写作质感（按 Stage 0 选定的语言分流）。

execute

  • 英文稿：Skill 调用 67/readability 做语法/可读性逐项修；再按需用 44-matsuikentaro1-humanizer_academic、45-stephenturner-skill-deslop、46-hardikpandya-stop-slop、 47-conorbronsdon-avoid-ai-writing 去 AI 套话；经济学行文规范配 56-hanlulong-econ-writing-skill。
  • 中文稿：Skill 调用 67/fix-chinese（去翻译腔 + 中英混排规范）+ 67/chinese-quote-converter （直引号转弯引号）；再按需用 48-copaper-ai-chinese-de-aigc、49-voidborne-d-humanize-chinese 做中文去 AIGC。
  • 去味是"逐句改写"性质，独立段落可并行 subagent 处理，各自写盘回 07_dehumanize/。

review：critic 抽查——是否仍有"首先/其次/综上所述/值得注意的是"等套话、是否破坏了术语准确性。

revise / 交付：定稿到 07_dehumanize/main.tex，回灌主稿。

🏁 里程碑 · 初稿质量门（Draft Quality Gate）—— Stage 7 之后、Stage 8 之前强制执行

目的：兑现「高质量初稿」承诺。不靠主代理自评，而是派一个独立「顶刊 AE」critic subagent， 按 quality-rubric.md 的 7 维评分卡量化打分，决定「放行进投稿」还是「回炉重做」。

execute（套用 subagent-templates.md §QG，只派 1 个）

  • critic 必读 references/quality-rubric.md，读初稿（07_dehumanize/main.tex + 04_results/ 表图 + 05_draft/ref.bib）+ 对照 01_proposal/proposal.md（贡献承诺）与 03_analysis/results/summary.md （真实结果）+ 03_analysis/design_register.md / 03_analysis/method_gate.md（方法证据）+ 00_meta/evidence_ledger.md（claim strength 和表图/脚本追溯），逐维打分写入 00_meta/quality_scorecard.md，本轮分数追加进 logs/quality_gate.md。 若存在 03_analysis/design_risk_ledger.md，critic 也必须读取；有 blocking threat 时识别/稳健/解读相关维度按 rubric 封顶，不能因为稿件写得顺就放行。
  • 7 维：① 贡献锋利度 ② 识别可信度 ③ 稳健性完整度 ④ 解读克制度 ⑤ 写作与结构 ⑥ 引用真实性 ⑦ 可复现性。

达标判定（三条同时满足才 pass）：每维 ≥ 7 且 总分 ≥ 56/70 且 ②③⑥ 无任何致命红旗。

revise / 回退

  • pass → workflow_state.json 置 quality_gate=pass、draft_milestone=done；进入可选 Stage 8–9。
  • not pass → 按评分卡的「短板 → 回退阶段」映射退回对应阶段重做（识别→Stage 3、贡献→Stage 1、 写作→Stage 5/6、引用→reference-verify、复现→Stage 2/3）。同一维最多回退 2 轮；2 轮后仍卡， 在闸门显著标红告知用户「已知短板 + 当前分」，由用户裁决是否带病进入投稿（绝不静默放行）。
  • 每次回退记入 logs/quality_gate.md 与 workflow_state.json 的 decisions。

质量门 ≠ Stage 6 打磨（改语言）≠ Stage 8 评审（挑学术硬伤）；它只做一件事——按统一 rubric 量化「这份初稿够不够格」并决定放行/回炉。它是「可投稿级初稿」这一核心交付里程碑的验收闸门。

Stage 8 · 模拟评审与修订

目的：在投稿前先自做一轮"审稿—回应—修订"，把硬伤暴露在自己手里。

execute

  • 加载 peer-review-and-submission.md（五维审稿 + Essential/Desirable 分级、逐条可追溯的 response letter 模板）与 threats-to-validity.md（审稿命中 识别威胁时，按其 §2 末列「被问到怎么回应」逐条回应、指向具体修改位置）。 同时加载 design-risk-ledger.md，把 03_analysis/design_risk_ledger.md 中未完全关闭 或只允许降级措辞的风险转成模拟 reviewer objections 和主动回应。
  • Skill 调用 67/referee-report 生成审稿报告（可设 normal/high-level 档与意见条数； 推荐先按 Major Revision 口吻拿到建设性意见），落 08_review/referee_report.md。
  • Skill 调用 67/paper-referee-revise，按审稿意见逐条修订 main.tex，并生成 response letter 落 08_review/response_letter.md。若是内部自评则用 67/paper-self-revise。
  • 想要更狠的对抗审阅可叠加 66/grillme、66/econ-reviewer、21-claesbackman-AI-research-feedback、 41-sticerd-eee-sewage-econometrics-check（计量自检）。计量复核可再用 StatsPAI MCP audit_result(result_id) 复跑「还缺哪些稳健性」，与 03_analysis/method_gate.md 对账（statspai-analysis §6）。 审稿人还必须抽查 00_meta/evidence_ledger.md：摘要、贡献段、结果段、cover letter 的每个 claim 是否都有 result/exhibit/script 支撑，且措辞没有超过 design gate card 允许等级。
  • 引用存在性 + 时序完整性专项：派 subagent-templates.md §CT critic（pre-review 模式）—— 按 citation-and-temporal-integrity.md 核引用真实存在/非撤稿/引对 + 审 look-ahead/vintage 时序，写 00_meta/citation_integrity_log.md 并跑 check_citation_integrity.py； 与并行的 claim-忠实度审计（integrity-and-claim-audit.md）分工互补。

review：critic 核对——每条审稿意见是否都有实质回应、修订是否引入新矛盾（交叉引用、表号）。

revise / 交付：定稿修订稿 + response letter 到 08_review/。

失败回退：审稿暴露根本性识别缺陷 → 回 Stage 3（补检验/换策略）甚至 Stage 1（改设计），并标红。

Stage 9 · 选刊与投稿

目的：定目标期刊、备齐投稿材料、做最后一次引用终审。

execute

  • Skill 调用 67/paper-submission，评估贡献新颖度、匹配 SSCI/ABS 星级、给出 ~20 本目标期刊清单， 落 09_submission/journal_shortlist.md。结合 Stage 0 选定的目标期刊收敛到 1 主 + 2 备。
  • 终审引用：再 Skill 调用一次 67/reference-verify（投稿前最后一次，确保此前所有修订没动坏 引用），落 09_submission/ref_verify_final.xlsx。
  • 引用/时序终审闸门：跑 python3 scripts/check_citation_integrity.py <workspace> --final —— 不得残留 to-verify、不得有未处置 flagged、撤稿筛查通过、§2 时序无未排除的 risk；不过则投稿包不得标 ready （见 citation-and-temporal-integrity.md §4）。
  • 生成 cover letter / highlights / 作者贡献声明等投稿材料到 09_submission/。
  • 从 templates/submission_checklist.md 生成 09_submission/submission_checklist.md，并按目标刊官网实时刷新： author guidelines、data/code policy、匿名化、DAS、IRB/ethics、disclosure、AsCollected 或等价 provenance。 若政策页无法访问，按 runtime-fallbacks.md 标 blocked，投稿包不得标 ready。
  • 需要排版成 Word / 提交版 PDF 时用 67/md-to-docx、67/markitdown、08-ndpvt-web-latex-document-skill。

review：critic 走一遍目标期刊的 submission checklist（字数、匿名化、利益冲突声明、数据可得性声明、 IRB/DUA 与公开复现包边界）。

revise / 交付：定稿投稿包到 09_submission/。

收尾（编排器本体，不调子 skill）

汇总所有阶段日志与产出，优先用 templates/FINAL_REPORT.md 写 FINAL_REPORT.md（见 SKILL.md「收尾」 节的清单），并按 reproducibility-pack.md 与 data-governance.md 生成 REPLICATION.md、DAS（如需）、data governance register 与 master script（模板见 templates/REPLICATION.md、templates/DAS.md、templates/run_all.sh）。 能真实重跑就删派生产物后跑一次；不能重跑就把阻断原因写进 workflow_state.json.replication_pack.last_rebuild_check，且 status 只能是 not_ready。

最终打包并告知用户交付物路径、一键重跑命令、复现包状态、投稿前仍需人工确认的事项。