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.md

GitHub

m22 — 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_q mengirim task ke server eksternal. Jangan sertakan secret/PII/strategi rahasia di prompt riset. Untuk topik sensitif → mode lokal (cascade LLM via model_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_q kirim ke server eksternal — sanitize dulu.
  • Combo: m22 + x5 (eval bukti) + x7 (framing pertanyaan) + m8 (export report PDF/DOCX).