---
name: interactively-refine-idea
description: >-
  Turn a vague research idea seed into a clearer research direction through
  clarification, axes, assumptions, risks, and next-step recommendations. Use
  when a user has an early idea and needs an idea partner rather than a list of
  ten brainstormed topics. Output is interactive guidance with questions and
  2-3 concrete directions.
metadata:
  owner_model: ParadoxGPT-Creator-4B
  skill_family: creator
  version: "0.1"
  output_type: interactive
  default_language: zh
  trigger_keywords: [idea seed, refine idea, research direction, clarify, brainstorm, 交互, 科研想法, 创新]
  required_inputs: [user_idea_seed]
  optional_inputs: [constraints, research_context, target_venue, user_goal]
  handoff_to: [generate-idea-variants, identify-fatal-concerns, map-claims-to-experiments, build-intro-argument-chain]
---

# Interactively Refine Idea

## Purpose

和用户一起把模糊想法推进成可写论文的 research direction。Creator 不应立刻生成十个点子，而要先澄清研究空间、关键假设、约束条件、风险和可验证路径。

## When to Use

- 用户说“我想做 X，但不知道怎么创新”。
- 用户有一个 seed，但没有清楚 gap、insight 或实验路径。
- 需要在 novelty、feasibility、evaluation risk 之间做取舍。

## Do Not Use

- 输入是一篇完整论文，要反推 idea → 用 `reverse-engineer-paper-idea`。
- 用户已经有明确 seed，只需要多个版本 → 用 `generate-idea-variants`。
- 需要完整实验计划 → 用 `map-claims-to-experiments` 或 Designer skill。

## Required Inputs

- `user_idea_seed`: 用户的模糊想法。
- `constraints`: optional，预算、模型规模、数据、时间、目标会议。
- `research_context`: optional，相关工作或已知背景。
- `target_venue`: optional。

## Output Contract

输出必须至少包含：

1. **clarifying_questions** - 先问 3-5 个关键问题。
2. **research_axes** - 把方向拆成可选择的轴。
3. **current_risk_reading** - novelty、feasibility、evaluation、claim risk。
4. **candidate_directions** - 2-3 个可推进方向，每个含 insight、method sketch、test。
5. **recommended_next_step** - 下一步最值得做什么。

## Procedure

1. 先复述 seed 的核心意图，不急着生成 idea。
2. 拆研究轴：对象、机制、评估、数据、约束、失败模式。
3. 找最可能被 reviewer 批的点，尤其是 novelty 和 evaluation。
4. 生成 2-3 个方向，每个方向必须有 tension、core insight 和验证路径。
5. 推荐一个下一步，说明为什么不是另外几个。

## Quality Bar

一个好的输出必须：

- 有交互感：先澄清，再提出方向。
- 不列 10 个泛泛 topic。
- 每个方向都能解释为什么 nontrivial 和怎么测。
- 推荐下一步考虑用户 constraints。

一个差的输出：

- 直接堆 brainstorm 列表。
- 只追求 novelty，忽略可实验性。
- 对 reviewer risk 没有预判。

## Failure Modes

- **过早收敛**：没问约束就选方案。
- **泛化方向**：方向像 grant topic，不像 paper idea。
- **忽视已有工作拥挤度**：热门方向 novelty 风险很高。
- **实验不可行**：idea 好听但用户资源无法验证。

## Handoff

- 如果用户要多个风险/成本版本 → `generate-idea-variants`
- 如果候选 idea 需要投稿前风险扫描 → `identify-fatal-concerns`
- 如果要把 idea 转成实验闭环 → `map-claims-to-experiments`
- 如果方向已定，需要写 intro 论证链 → `build-intro-argument-chain`

## Example

Input:

```
user_idea_seed: 我想做一个关于 LLM agent memory 的 idea，但不知道怎么创新。
constraints: 只能用 7B 以下模型，2 周实验。
```

Output:

```
clarifying_questions:
  1. 你想优化 memory 的 representation、retrieval、update，还是 evaluation？
  2. 目标 agent 是科研、代码、网页还是通用任务？
  3. 你能否构造错误记忆或长期一致性测试？

research_axes:
  - memory objective: recall-oriented vs argument-state-oriented
  - update policy: append-only vs contradiction-aware
  - evaluation: recall accuracy vs decision/evidence consistency

current_risk_reading:
  novelty: high, memory-augmented agent 已很拥挤。
  evaluation: high, 需要避免只做 toy recall。

candidate_directions:
  D1: argument-state memory for research agents.
      insight: 科研 agent 更需要维护 claim-decision-evidence 一致性，而不只是 recall。
      method sketch: memory slot 存储 claim/evidence/status 三元组。
      test: 构造跨轮 claim consistency benchmark。

recommended_next_step:
  先做 D1 的低成本诊断 benchmark，确认现有 memory 系统是否真的在 argument consistency 上失败。
```