m22
Riset mendalam berbasis bukti: kirim task ke server riset, dapat report + sitasi; rangkai tool ilmiah (ToolUniverse-style); generate hipotesis & desain eksperimen. Opsional, read/produce-only. Too
SKILL.mdskills/superagent/m22/SKILL.md
GitHubm22 — Scientific & Deep Research (NEW in v4.1)
Riset mendalam berbasis bukti: kirim task ke server riset, dapat report + sitasi; rangkai tool ilmiah (ToolUniverse-style); generate hipotesis & desain eksperimen. Opsional, read/produce-only. Tool: tools/research_q.py.
Catatan privasi:
research_qmengirim task ke server eksternal. Jangan sertakan secret/PII/strategi rahasia di prompt riset. Untuk topik sensitif → mode lokal (cascade LLM viamodel_registry).
| Capability | Cara | Output |
|---|---|---|
| Deep research (AI-Q style) | dispatch ke research server → poll → report | report + citations |
| Scientific tool workflows | rangkai tool (search → fetch → analyze → verify) | hasil terstruktur |
| Hypothesis & experiment design | generate hipotesis testable + rancang uji | rencana eksperimen |
1. Deep research (AI-Q pattern)
Kirim pertanyaan → server riset fan-out (search → fetch → verifikasi adversarial → sintesis) → report bersitasi. Bukan jawaban satu-shot; ada jejak sumber.
from research_q import deep_research
job = deep_research("dampak EIP-4844 ke biaya L2 rollup 2024-2026", depth="thorough")
print(job.report) # markdown + [1][2] citations
print(job.sources) # list URL + klaim yang didukung
Kalau host punya skill harness deep-research (Claude/Cursor) → route ke situ. Kalau tidak → research_q jalan via model_registry + web fetch operator. Setiap klaim penting wajib punya sitasi; tanpa sumber → tandai "unverified", jangan dijual sebagai fakta (sejalan self-critique x5).
2. Scientific tool workflows (ToolUniverse-style)
Riset ilmiah = kombinasi banyak tool kecil, bukan satu model. Rangkai jadi pipeline:
QUERY → [literature search] → [fetch papers] → [extract method/result]
→ [cross-check claims] → [statistik/replikasi cek] → [synthesize + cite]
Pola: tiap langkah satu tool dengan output terstruktur, di-chain. Untuk domain spesifik (bio/kimia/material) sambungkan ke API/DB publik (PubMed, arXiv, Semantic Scholar, PubChem) — keyless atau free-tier. Verifikasi silang ≥2 sumber sebelum nyimpulin.
3. Hypothesis generation & experimental design
1. OBSERVASI → apa yang diketahui? anomali/gap apa?
2. HYPOTHESIS → pernyataan testable + falsifiable (bukan "X mungkin bagus")
3. PREDICT → kalau H benar, kita harus lihat Y di kondisi Z
4. DESIGN → variabel kontrol vs uji, sample size, metrik, baseline, ablation
5. ANALYZE → uji statistik yang cocok + threshold signifikansi DITENTUKAN DI DEPAN
Hipotesis harus falsifiable — kalau gak ada hasil yang bisa membantahnya, itu bukan hipotesis. Beda dari x6 (hypothesis buat debug sistem); m22 = hipotesis riset/ilmiah. Untuk eksperimen pada strategi/agent sendiri → pakai variance testing x5 sebagai alat ukurnya.
4. Scientific domain libraries & discovery
Untuk sains terapan, jangan reimplementasi — dispatch ke library/tool domain yang sudah ada & tervalidasi. Agent = orkestrator + verifikator, bukan sumber kebenaran biomedis.
| Domain | Tool/library matang (contoh) |
|---|---|
| Cancer genomics / RNA velocity | scanpy, scvelo, anndata |
| Drug-target binding / docking | RDKit, AutoDock Vina, DiffDock |
| Molecular dynamics | OpenMM, GROMACS |
| Geospatial science | geopandas, rasterio, xarray |
| Time-series forecasting | statsmodels, prophet, darts |
Pola: agent pilih tool yang tepat, siapin input, jalanin, verifikasi hasil (sanity check + sitasi metode), bukan ngarang angka. Library 100+ scientific = dispatch target, bukan klaim built-in.
Hugging Science / Hub discovery
Auto-discover dataset & model: cari di Hugging Face Hub by task/domain (keyless untuk publik).
# pip install huggingface_hub
from huggingface_hub import HfApi
api = HfApi()
models = api.list_models(search="protein structure", limit=10)
ds = api.list_datasets(search="single cell rna", limit=10)
Pilih by relevansi + lisensi + popularitas/maintained. Sambung ke pipeline analisis.
Multi-step scientific pipeline
literature review (m22 §1) → discovery model/dataset (HF) → experiment simulation
→ data analysis (library domain) → paper drafting (m26 To-PRD style + m28 writing + m8 export)
K-Dense / BYOK (local co-scientist)
Mode lokal "bring your own key": jalanin co-scientist di mesin sendiri pakai key operator via model_registry (m7 add model). Data sensitif gak keluar — sama prinsip privasi research_q local_only=True.
Catatan
- Report bersitasi > opini tanpa sumber. Tanpa sumber → "unverified".
- Sains: dispatch ke library tervalidasi + verifikasi; jangan ngarang hasil biomedis.
- Privasi:
research_qkirim ke server eksternal — sanitize dulu. - Combo: m22 + x5 (eval bukti) + x7 (framing pertanyaan) + m8 (export report PDF/DOCX).