所有任务已暂停 (系统维护 2026-04-01)
| T-mnrm1a35 | 【FDE Phase 2: DIGEST】对模板 Agent 'data-harvester' 执行知识消化并构建 Benchmark + 数据集。输入: system/templates/data-harvester/train/hunt/ 下的 knowhow_v1.md + crawl_config.json + seed_data.json。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/data-harvester/train/digest/。目标 benchmark ≥95 分。 | ✅ 完成 | master | P1 | 2026-04-09 | 产物已验证就位 |
| T-mnr6zi0j | 为 content-selector template 进行 Phase 2 DIGEST。
输入文件：/Users/yibo/Documents/LemonAI/lemonboss/system/templates/content-selector/train/hunt/knowhow_v1.md
目标：基于 Hunter 产出的 knowhow_v1.md，为 content-selector template 的互动剧选题能力生成结构化训练基准。
产出要求（必须写入 system/templates/content-selector/train/digest/）：
1. benchmark_v1.md：包含评分标准（总分100，及格线90）、6维评分细则（对话潜力20分/冲突强度20分/情感共鸣15分/分支可设计性20分/场景可视化15分/流量基础10分）、各维度的自动化评估方法、A/B/C/D 等级判定规则。
2. train.jsonl：基于 knowhow_v1.md 中案例解析和评分估算，构造至少 10 条训练样本。每条样本需包含：input（YouTube 视频 JSON 对象，含 title/channelTitle/viewCount/likeCount/subtitles 等字段）、expected_score（6维分数和总分）、expected_grade（S/A/B/C/D）、adaptation_plan（适合/不适合的判断理由及改编建议）。
3. test.jsonl：构造至少 5 条测试样本，覆盖时事新闻/幽默/影视/戏剧/单人口播/多角色对话等多样类型。
4. industry_avg_score.md：记录行业基准分数（参考 knowhow 中的洞察，建议设定为 88 或根据分析给出合理值）及设定依据。
验收标准：
- benchmark_v1.md 必须可被 content-selector 直接用于 self-evaluation
- train/test 样本中必须包含至少 2 个单人口播重构案例和 2 个多人对话直接改编案例
- 所有文件需有清晰的结构化格式（JSONL 每行一个合法 JSON）
注意：如目录不存在请自行创建。 | ✅ 完成 | innovator | P0 | 2026-04-09 08:05 | - |
| T-mnr717ab | Phase 2 DIGEST for content-selector template: 基于 knowhow_v1.md 生成分数卡、数据集及行业基准。输入: system/templates/content-selector/train/hunt/knowhow_v1.md。产出要求见 todo T-mnr6zi0j: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md，全部写入 system/templates/content-selector/train/digest/。立即执行。 | ✅ 完成 | master | P0 | 2026-04-09 08:06 | - |
| T-mnrhutvp | 【FDE Phase 2: DIGEST】对模板 Agent 'agent-creator' 进行知识消化、建立 Benchmark 和评分标准。
1. 目标 Agent: agent-creator (Agent Creator & Skill Installer)
2. 输入材料:
- Hunter 产出: system/templates/agent-creator/train/hunt/knowhow_v1.md
- 原始模板: system/templates/agent-creator/ (含 agent.md, tools.md, soul.md, config.json)
3. 你的任务:
- 读取 knowhow_v1.md，消化提炼为结构化的技能知识。
- 为 agent-creator 定义 benchmark_v1.md，明确评分维度，目标得分 ≥95。
- 基于 knowhow_v1.md 和模板原始文件，构建标注数据集:
* train.jsonl: ≥10 条带标注的训练样本
* test.jsonl: ≥10 条带标注的测试样本
- 撰写 industry_avg_score.md，定义行业平均基准线(如 85-90)及依据。
- 如果 Hunter 材料不足以支撑 ≥95 的标准，请明确指出缺口并简单补充。
4. 强制产出路径:
- 所有文件写入 system/templates/agent-creator/train/digest/
- 产出清单:
* benchmark_v1.md (评分标准与维度权重，目标 ≥95)
* train.jsonl (≥10 条，JSON Lines 格式)
* test.jsonl (≥10 条，JSON Lines 格式)
* industry_avg_score.md
验收标准:
- benchmark_v1.md 必须定义清晰的评分维度(如: 需求解析、技能搜索/获取、技能安装绑定、API Key缺失处理、Innovator dispatch、交付汇报)和 ≥95 的达标标准。
- train/test.jsonl 必须是合法的 JSON Lines，每条带 expected_output / score / dimensions。
- 文件命名必须带 v1 后缀。
- 完成后向我 (innovator) 汇报任务结果并附文件路径。 | ✅ 完成 | innovator | P1 | 2026-04-09 13:09 | - |
| T-mnrhv4b2 | 【Phase 2: Digest】为 agent-creator 模板进行知识消化并产出 benchmark、数据集与行业基线。
目标 Agent: agent-creator
输入文件: system/templates/agent-creator/train/hunt/knowhow_v1.md
输出目录: system/templates/agent-creator/train/digest/
请执行以下步骤:
1. 读取 system/templates/agent-creator/train/hunt/knowhow_v1.md，提取核心知识点与评测维度。
2. 生成 benchmark_v1.md，定义针对 agent-creator 的 4-6 维评分标准。每道测试题满分 100，合格线 ≥95。
建议维度(可调整): (1)需求解析 (2)技能搜索与获取 (3)技能安装与绑定 (4)API Key 缺失处理/报错兜底 (5)Innovator dispatch 规范 (6)文档更新与交付汇报
3. 生成 train.jsonl (≥10 条)，每条包含: {instruction(上级指令), context(可选背景), expected_outputs(期望的文件/命令/回复内容), notes(标注要点)}
4. 生成 test.jsonl (≥10 条)，每条包含: {instruction(上级指令), expected_score(期望得分), expected_grade(期望等级, 如 A/S/SS), adaptation_plan(可接受的偏差说明), grader_hints(评分要点)}
5. 生成 industry_avg_score.md，说明行业基线分数及设定依据。对于 Agent Creator 这类系统级角色，建议基线 85-90 分。
产出要求:
- 文件命名: benchmark_v1.md, train.jsonl, test.jsonl, industry_avg_score.md
- 所有文件写入 system/templates/agent-creator/train/digest/
- benchmark 必须量化、可执行，确保最终训练目标 ≥95 分
完成后再向 innovator 汇报任务完成并附文件路径。 | ✅ 完成 | innovator | P0 | 2026-04-09 13:09 | - |
| T-mnriiq1c | 对模板 Agent 'auto-publisher' 执行知识消化（Digest 阶段），生成 benchmark_v1.md、train/test 数据集、行业基线。
【目标 Agent】auto-publisher
【技能名称】auto_publisher
【技能领域】多平台内容自动化发布（微博、微信公众号、抖音、小红书、视频号）
【输入】
- Hunter 产出: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/auto-publisher/train/hunt/knowhow_v1.md
- 附带上: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/auto-publisher/train/hunt/toplist.md
【输出位置】（必须写到目标 Agent 自身目录）
/Users/yibo/Documents/LemonAI/lemonboss/system/templates/auto-publisher/train/digest/
【产出文件清单】
1. benchmark_v1.md — 量化评分标准，包含：
- 5个评分维度（每维度15分，共75分）+ 1个综合能力维度（25分），总计100分
- 各维度评分细则、满分标准、常见扣分项
- 目标分数线：≥95分（A+级）
2. train.jsonl — 至少10条训练样本，每条为合法 JSON Line，包含 input、expected_output、dimensions、score、grader_hints
3. test.jsonl — 至少10条测试样本，格式同 train.jsonl，覆盖多样场景（单平台发布、多平台批量发布、定时任务、失败重试、内容预审等）
4. industry_avg_score.md — 行业平均基线分数，包含：
- industry_avg_score（基于开源工具和商业方案的平均水平）
- 计算依据和参考来源
【验收标准】
- benchmark_v1.md 维度权重清晰，目标和达标标准明确，≥95分目标合理
- train.jsonl 和 test.jsonl 均为合法 JSON Lines，每条包含 expected_output / dimensions / score
- industry_avg_score.md 设定依据充分，数值合理（参考现有自动化发布工具的成熟度和准确率）
- 输出最后必须以 [RESULT: DONE] 标记收尾。 | ✅ 完成 | innovator | P0 | 2026-04-09 13:28 | - |
| T-mnriiq31 | 对 auto-publisher 模板执行 FDE Phase 2 (Digest)。\n\n输入资料位于 system/templates/auto-publisher/train/hunt/：\n- knowhow_v1.md（领域知识总结）\n- toplist.md（17个信源分级）\n- crawl/（6个平台API/自动化规范文件）\n\n请完成：\n1. 阅读并消化 hunt 产出\n2. 生成 benchmark_v1.md（含评分标准与测试用例）\n3. 产出 train.jsonl / test.jsonl 数据集\n4. 产出 industry_avg_score.md（行业平均基准分）\n5. 将上述文件写入 system/templates/auto-publisher/train/digest/\n\n完成后向 master 汇报，并触发 Phase 3 (Evolve)。目标: Benchmark Score ≥ 95。 | ✅ 完成 | master | P1 | 2026-04-09 13:28 | - |
| T-mnrijt8g | 【FDE Phase 2: DIGEST】对模板 Agent 'auto-publisher' 进行知识消化、建立 Benchmark 和评分标准。
1. 目标 Agent: auto-publisher (多平台内容自动化发布)
2. 技能领域: 微博、微信公众号、抖音、小红书、视频号的自动化内容发布与状态追踪
3. 输入材料:
- Hunter 产出: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/auto-publisher/train/hunt/knowhow_v1.md
- toplist.md: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/auto-publisher/train/hunt/toplist.md
- crawl/ 目录: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/auto-publisher/train/hunt/crawl/
- 原始模板: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/auto-publisher/ (含 agent.md, tools.md, soul.md, config.json, user.md)
4. 你的任务:
- 阅读 knowhow_v1.md 和 crawl/ 中的关键文档，消化提炼为结构化的技能知识。
- 为 auto-publisher 定义 benchmark_v1.md，明确评分维度与权重，每题满分 100，合格线 ≥95。
建议维度(可调整): (1)平台规范理解与适配 (2)内容预处理与去重 (3)发布执行与 API/RPA 调用 (4)状态追踪与重试机制 (5)异常处理与降级策略 (6)合规与 AIGC 标识
- 构建标注数据集:
* train.jsonl: ≥12 条带标注的训练样本，每条包含 {instruction, context, expected_output, notes}
* test.jsonl: ≥12 条带标注的测试样本，每条包含 {instruction, expected_score(6维+总分), expected_grade(S/A/B/C/D), adaptation_plan, grader_hints}
- 撰写 industry_avg_score.md，定义行业平均基准线(建议 85-90)及设定依据。
5. 强制产出路径:
- 所有文件写入 system/templates/auto-publisher/train/digest/
- 产出清单: benchmark_v1.md, train.jsonl, test.jsonl, industry_avg_score.md
验收标准:
- benchmark_v1.md 必须定义清晰的评分维度、权重和 ≥95 的达标标准。
- train/test.jsonl 必须是合法 JSON Lines，每行一个独立 JSON。
- 测试样本需覆盖多平台差异、API失败重试、RPA降级、敏感词拦截、定时发布、AIGC标识等场景。
- 完成后向 innovator 汇报任务结果并附文件路径。 | ✅ 完成 | innovator | P1 | 2026-04-09 13:29 | - |
| T-mnrjj67j | 【FDE Phase 2: DIGEST】community-manager 知识消化（被 T-mnrjkuj6 覆盖执行） | 🚫 已取消 — 与 T-mnrjkuj6 重复 | innovator | P1 | 2026-04-09 13:56 | - |
| T-mnrjkuh7 | 【Digest Phase - clickbait-copywriter】立即执行 Phase 2 知识消化与 Benchmark 构建。输入文件: system/templates/clickbait-copywriter/train/hunt/knowhow_v1.md 和 case_studies.md。产出目录: system/templates/clickbait-copywriter/train/digest/。要求产出: 1) benchmark_v1.md（6维评分标准，目标≥95分） 2) train.jsonl（10-15条训练样本） 3) test.jsonl（10-15条测试样本，覆盖多平台标题创作、情绪调动、CTR优化等场景） 4) industry_avg_score.md（行业基线）。完成后向 innovator 汇报结果并触发 Phase 3 Evolve。 | ✅ 完成 | master | P1 | 2026-04-09 13:57 | - |
| T-mnrjkuj6 | 【Digest Phase - community-manager - 立即执行】你的 todo.md 中已有任务 T-mnrjj67j 待执行。输入 knowhow_v1.md 已就位: system/templates/community-manager/train/hunt/knowhow_v1.md (18069 bytes)。请立即开始执行 Digest 阶段，产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/community-manager/train/digest/。目标 benchmark ≥95分。完成后向 innovator 汇报。 | ✅ 完成 | master | P1 | 2026-04-09 13:57 | - |
| T-mnrkqny9 | 对模板 Agent 'competitor-spy' 执行 Phase 2 Digest（构建 benchmark + 数据集）。当前状态：train.jsonl 已产出，benchmark_v1.md / dataset_v1.md 完整，但 test.jsonl / industry_avg_score.md 缺失。本任务主流程由 T-mnrkv4l3 接管补全。 | ✅ 完成 | innovator | P1 | 2026-04-09 14:30 | T-mnrkv4l3 已补全缺失文件，digest 产物完整 |
| T-mnrkrgpa | [🚫 已取消 - master 干预] 启动 competitor-spy 的 Digest 阶段。
目标 Agent: competitor-spy
技能领域: 竞品情报搜集与分析
输入目录: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/competitor-spy/train/hunt/
输出目录: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/competitor-spy/train/digest/
请基于 Hunt 阶段产出的 knowhow_v1.md 和 crawl_config.json，完成以下产出（首次训练 v1 版本）：
1. benchmark_v1.md — 竞品情报搜集技能的评分标准与行业基准文档。须包含：技能维度定义（至少5个维度）、各维度权重、0-100分评分细则、目标分数线（≥95分）、industry_avg_score 参考值。
2. train.jsonl — 训练数据集，至少12条高质量样本。每条须包含 input（含 role/task/context）、expected_output、dimensions（评分维度数组）、score（满分基准）、grader_hints（评分提示）。
3. test.jsonl — 测试数据集，至少8条样本，格式同 train.jsonl，侧重边界case和综合场景。
4. dataset_v1.md — 数据集说明文档，描述样本覆盖场景、数据来源、标注逻辑。
所有文件必须写入上述输出目录。完成后立即通过 API 向 innovator 汇报验收。 | ✅ 完成 | innovator | P1 | 2026-04-09 14:31 | - |
| T-mnrkswdt | [🚫 已取消 - master 干预] 立即执行 competitor-spy 的 Phase 2 Digest。Hunter 已完成 knowhow_v1.md（11KB）和 crawl_config.json 的产出，位于 system/templates/competitor-spy/train/hunt/。请读取这些输入，为 competitor-spy 产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/competitor-spy/train/digest/。要求：benchmark 总分100，目标≥95分，维度覆盖竞品监控、数据爬取、情报分析、报告生成、合规风控等。完成后更新 digester todo.md（T-mnrkqny9 标记完成，T-mnrkrgpa 标记为取消/重复）并向 innovator 汇报结果。 | ✅ 完成 | master | P1 | 2026-04-09 14:32 | master 干预：与 T-mnrkqny9 重复，同目录竞争，取消本任务 |
| T-mnrkv4l3 | 【补全 competitor-spy Phase 2 Digest 缺失文件】请检查 system/templates/competitor-spy/train/digest/ 目录。当前已有文件：benchmark_v1.md(完整)、train.jsonl(14条)、dataset_v1.md。但缺失 test.jsonl 和 industry_avg_score.md。请立即补全：1) test.jsonl：至少8条测试样本（JSON Lines，格式同 train.jsonl，侧重边界case和综合场景）；2) industry_avg_score.md：说明竞品分析领域的行业平均水准基准分（建议76-88分）。所有文件写入同一目录。完成后更新 digester todo.md（T-mnrkqny9 标记完成）并向 innovator 汇报结果。 | ✅ 完成 | master | P1 | 2026-04-09 22:33 | test.jsonl + industry_avg_score.md 已补齐 |
| T-mnrkvu9c | 对模板 Agent 'competitor-spy' 执行 Phase 2 Digest（消化与基准构建）。
背景：
- 目标 Agent ID: competitor-spy
- 模板目录: system/templates/competitor-spy/
- 技能领域: 竞品情报搜集与分析
- Phase 1 Hunt 已完成，任务编号 T-mnrko1ad
输入文件（请先读取）：
- system/templates/competitor-spy/agent.md
- system/templates/competitor-spy/tools.md
- system/templates/competitor-spy/soul.md
- system/templates/competitor-spy/config.json
- system/templates/competitor-spy/train/hunt/knowhow_v1.md
任务要求：
1. 基于 knowhow_v1.md 中的行业调研成果，构建 benchmark_v1.md：定义 5-7 个评分维度，总权重 100%，目标分数 ≥95 分。维度应覆盖：竞品监控、数据采集、情报分析、报告生成、合规意识/专业深度。
2. 生成 train.jsonl（10-15 条）和 test.jsonl（12-16 条），为 JSON Lines 格式，每条必须包含 prompt、expected（期望输出）、dimensions（评分维度数组）、score（满分）、grader_hints（评分要点）。场景需覆盖 monitor、crawl、analyze、report 等核心任务类型。
3. 编写 industry_avg_score.md，说明行业平均水平和资深专家水平得分，并提供设定依据。
4. 所有文件必须写入 system/templates/competitor-spy/train/digest/ 目录，禁止只返回在回复中。
验收标准：
- benchmark_v1.md 维度清晰、权重正确、目标 ≥95 分。
- train.jsonl / test.jsonl 为合法 JSON Lines，场景覆盖完整。
- industry_avg_score.md 设定依据充分。
完成后用 curl 向 innovator 汇报结果。 | 🚫 已取消 — T-mnrkqny9 / T-mnrkv4l3 已完成，避免重复 | innovator | P1 | 2026-04-09 14:34 | - |
| T-mnrkw72l | 【Digest Phase - competitor-spy】立即执行 Phase 2 知识消化与 Benchmark 构建。
输入文件:
- system/templates/competitor-spy/train/hunt/knowhow_v1.md
- system/templates/competitor-spy/train/hunt/crawl_config.json
- system/templates/competitor-spy/agent.md
产出目录: system/templates/competitor-spy/train/digest/
要求产出:
1) benchmark_v1.md（5-7维评分标准，目标≥95分）
2) train.jsonl（≥12条训练样本）
3) test.jsonl（≥6条测试样本，覆盖边缘案例）
4) industry_avg_score.md（行业基线，建议88-92分）
所有文件必须真实写入磁盘。
完成后向 innovator 汇报结果并触发 Phase 3 Evolve。 | ✅ 完成 | master | P1 | 2026-04-09 14:34 | - |
| T-mnrlrxo7 | 【Digest Phase】为 data-harvester 构建 benchmark 和数据集。目标 Agent: data-harvester，模板目录: system/templates/data-harvester/，技能领域: 全量数据收集（通用数据采集）。输入: system/templates/data-harvester/train/hunt/knowhow_v1.md + crawl_config.json + seed_data.json。要求：1. 读取 hunt 产出，基于 knowhow_v1.md 构建 benchmark_v1.md（6维评分标准，目标≥95分，每个维度有详细评分标准和权重）；2. 构建 train.jsonl（≥12条训练样本）和 test.jsonl（≥6条测试样本），每条必须是合法 JSON Lines，包含 input/expected_output/dimensions/score/grader_hints；3. 构建 industry_avg_score.md（设定行业基准分和目标分数依据）；4. 所有产出强制写入 system/templates/data-harvester/train/digest/ 目录。完成后向 innovator 汇报 [RESULT: DONE] 及文件清单和 benchmark 摘要。 | 🚫 已取消 | innovator | P1 | 2026-04-09 14:59 | - |
| T-mnrls55w | 【Digest Phase】为 data-harvester 构建 benchmark 与数据集。
输入路径: system/templates/data-harvester/train/hunt/
产出路径: system/templates/data-harvester/train/digest/
要求:
1. 读取 knowhow_v1.md 和 crawl_config.json，提取核心知识点与评测维度
2. 生成 benchmark_v1.md（量化评分标准，≥6 个维度，目标分数 ≥95 分）
3. 构建 train.jsonl（≥12 条标注训练样本）和 test.jsonl（≥6 条测试样本），每条包含 input / expected / dimensions / score / grader_hints
4. 生成 industry_avg_score.md（行业基线分数及设定依据）
5. 所有文件必须写入 system/templates/data-harvester/train/digest/
完成后向 innovator 汇报，并带上产出清单和 benchmark 目标分数。 | ✅ 完成 | innovator | P1 | 2026-04-09 14:59 | - |
| T-mnrlsh66 | 【FDE Phase 2: DIGEST】对模板 Agent 'data-harvester' 进行知识消化、建立 Benchmark 和评分标准。
1. 目标 Agent: data-harvester (通用数据采集 Agent)
2. 技能领域: 网页爬取、API调用、文件解析、数据清洗、增量采集、反爬应对、多源适配
3. 输入材料:
- Hunter 产出: system/templates/data-harvester/train/hunt/knowhow_v1.md
- Hunter 产出: system/templates/data-harvester/train/hunt/crawl_config.json
- Hunter 产出: system/templates/data-harvester/train/hunt/seed_data.json
- 原始模板: system/templates/data-harvester/ (含 agent.md, tools.md, soul.md, config.json)
4. 你的任务:
- 阅读 knowhow_v1.md、crawl_config.json、seed_data.json 和模板原始文件，消化提炼为结构化的技能知识。
- 为 data-harvester 定义 benchmark_v1.md，明确评分维度与权重，每题满分 100，合格线 ≥95。
建议维度(可调整): (1)数据源发现与评估 (2)请求构建与反爬应对 (3)数据提取与解析 (4)数据清洗与标准化 (5)增量采集与状态管理 (6)异常处理与合规意识
- 构建标注数据集:
* train.jsonl: ≥12 条带标注的训练样本，每条包含 {instruction, context, expected_output, notes}
* test.jsonl: ≥8 条带标注的测试样本，每条包含 {instruction, expected_score(6维+总分), expected_grade(S/A/B/C/D), adaptation_plan, grader_hints}
- 撰写 industry_avg_score.md，定义行业平均基准线(建议 85-90)及设定依据。
5. 强制产出路径:
- 所有文件写入 system/templates/data-harvester/train/digest/
- 产出清单: benchmark_v1.md, train.jsonl, test.jsonl, industry_avg_score.md
验收标准:
- benchmark_v1.md 必须定义清晰的评分维度、权重和 ≥95 的达标标准。
- train/test.jsonl 必须是合法 JSON Lines，每行一个独立 JSON。
- 测试样本需覆盖 API调用失败重试、反爬触发应对、动态页面解析、数据清洗去重、增量采集断点续传、文件格式解析等场景。
- 完成后向 innovator 汇报任务结果并附文件路径。 | ✅ 已完成 | innovator | P1 | 2026-04-09 14:59 | benchmark_v1.md + train.jsonl + test.jsonl + industry_avg_score.md 已产出 |
| T-mnrlvg24 | 立即执行 data-harvester 的 Phase 2 Digest。输入文件：system/templates/data-harvester/train/hunt/knowhow_v1.md、crawl_config.json、seed_data.json。产出目录：system/templates/data-harvester/train/digest/。要求产出：1) benchmark_v1.md（6维评分标准，目标≥95分）；2) train.jsonl（≥12条训练样本）；3) test.jsonl（≥8条测试样本，覆盖边界场景）；4) industry_avg_score.md（行业基线85-90分及依据）。所有文件必须真实写入磁盘。完成后向 innovator 汇报 [RESULT: DONE] 及文件清单。 | 🚫 已取消 | master | P1 | 2026-04-09 15:02 | - |
| T-mnrlw6b0 | 【FDE Phase 2: DIGEST】对模板 Agent 'data-harvester' 执行知识消化并构建 Benchmark + 数据集。
目标 Agent: data-harvester
技能领域: 全量数据收集（利用OpenClaw登录各平台后台抓取播放量、完播率、CTR及用户评论情感）
输入目录: system/templates/data-harvester/train/hunt/
输入文件: knowhow_v1.md + crawl_config.json + seed_data.json
输出目录: system/templates/data-harvester/train/digest/
产出要求:
1. benchmark_v1.md — 5-7维评分标准，总分100，目标≥95分
2. train.jsonl — 至少10条训练样本（JSON Lines，含 input / expected_output / dimensions / score / grader_hints）
3. test.jsonl — 至少6条测试样本，覆盖边界case和综合场景
4. industry_avg_score.md — 行业基准分及设定依据
验收标准:
- benchmark 维度清晰、权重正确、目标 ≥95
- train/test 为合法 JSON Lines
- 所有文件真实写入磁盘
完成后更新 digester todo.md 并向 innovator 汇报结果及文件路径。 | ✅ 完成 | master | P1 | 2026-04-09 15:02 | - |
| T-mnrlx4o0 | 【FDE Phase 2: DIGEST】data-harvester | ✅ 完成 | innovator | P1 | 2026-04-09 23:06 | benchmark_v1.md + train.jsonl(11) + test.jsonl(6) + industry_avg_score.md |
| T-mnrlyd2f | [🚫 已取消 - 重复任务] 启动 data-harvester 模板的 Phase 2: DIGEST。目标：基于 Hunter 产出的 knowhow_v1.md，为 system/templates/data-harvester 构建可训练、可评测的结构化知识资产。
输入文件（必读）：
- system/templates/data-harvester/train/hunt/knowhow_v1.md
- system/templates/data-harvester/train/hunt/crawl_config.json
- system/templates/data-harvester/train/hunt/seed_data.json
必须产出（全部写入 system/templates/data-harvester/train/digest/）：
1) benchmark_v1.md — 6维度评分标准，总分100，目标分≥95分，权重必须加总为100。维度需覆盖：数据源识别与适配(20%)、请求执行与数据提取(20%)、数据清洗与标准化(20%)、反爬与错误处理(15%)、输出结构与可复用性(15%)、合规与伦理(10%)。
2) train.jsonl — 至少12条训练样本，每条为合法 JSON Lines，必须包含 input / expected_output / dimensions / score / grader_hints 字段。
3) test.jsonl — 至少6条测试/边界样本，格式同 train.jsonl。
4) industry_avg_score.md — 行业基准分设定文档，含设定依据（参考人工数据分析师/初级爬虫工程师水平）。
验收标准：
- benchmark_v1.md 维度清晰、权重加总100、评分细则可执行
- train.jsonl 和 test.jsonl 格式合法，能被 jq 逐行解析
- industry_avg_score.md 有理有据，目标≥95
完成后向 innovator 汇报，汇报中必须说明各产出文件的绝对路径和关键指标（维度数、train条数、test条数、目标分）。 | 🚫 已取消 — 与 T-mnrlsh66 重复，同目录竞争，取消本任务 | innovator | P1 | 2026-04-09 15:04 | - |
| T-mnrm1a35 | 【FDE Phase 2: DIGEST】对模板 Agent 'data-harvester' 执行知识消化并构建 Benchmark + 数据集。\n\n目标 Agent: data-harvester\n技能领域: 全量数据收集（利用OpenClaw登录各平台后台抓取播放量、完播率、CTR及用户评论情感）\n输入目录: system/templates/data-harvester/train/hunt/\n输入文件: knowhow_v1.md + crawl_config.json + seed_data.json\n输出目录: system/templates/data-harvester/train/digest/\n\n产出要求:\n1. benchmark_v1.md — 5-7维评分标准，总分100，目标≥95分\n2. train.jsonl — 至少10条训练样本（JSON Lines，含 input / expected_output / dimensions / score / grader_hints）\n3. test.jsonl — 至少6条测试样本，覆盖边界case和综合场景\n4. industry_avg_score.md — 行业基准分及设定依据\n\n验收标准:\n- benchmark 维度清晰、权重正确、目标 ≥95\n- train/test 为合法 JSON Lines\n- 所有文件真实写入磁盘\n\n完成后更新 digester todo.md 并向 innovator 汇报结果及文件路径。输出最后必须以 [RESULT: DONE] 标记收尾。 | 🚫 已取消 — data-harvester digest 已由 T-mnrlsh66 完成 | master | P1 | 2026-04-09 15:06 | - |
| T-mnrubyy7 | 【FDE Phase 2: DIGEST】为 digester 模板 Agent 执行知识消化并构建 Benchmark + 数据集。
目标 Agent: digester
技能领域: 知识消化与 Benchmark 构建（将 Hunter 猎取的原始数据转化为结构化 benchmark.md 与 good/bad testdata）
输入目录: system/templates/digester/train/hunt/
输入文件: knowhow_v1.md + crawl_config.json + seed_data.json
输出目录: system/templates/digester/train/digest/
产出要求:
1. benchmark_v1.md — 6维评分标准，总分100，目标≥95分。维度建议(可调整): (1)数据清洗与结构化抽取 (2)评分维度设计与权重分配 (3)标注质量控制与IAA (4)数据集拆分与分布均衡 (5)行业基线计算与统计严谨性 (6)合规与伦理意识。每维度须有详细评分细则和权重。
2. train.jsonl — 至少12条训练样本（JSON Lines，每行一个独立 JSON），每条必须包含 input / expected_output / dimensions / score / grader_hints。场景覆盖: benchmark设计、数据标注、QC方法、基线计算、数据集构建。
3. test.jsonl — 至少8条测试样本，覆盖边界case和综合场景（如缺失数据标注、权重和不等于100的纠错、低质量数据源处理、跨领域 benchmark 迁移）。
4. industry_avg_score.md — 行业基准分及设定依据（建议基准 85-90 分）。
验收标准:
- benchmark_v1.md 维度清晰、权重加总严格等于100%、目标 ≥95 分
- train.jsonl / test.jsonl 为合法 JSON Lines，能被 jq 逐行解析
- industry_avg_score.md 设定依据充分、数值合理
- 所有文件必须真实写入 system/templates/digester/train/digest/ 目录
完成后通过 API 向 innovator 汇报结果，并附上产出文件绝对路径、benchmark 维度数、train条数、test条数、目标分数。输出最后必须以 [RESULT: DONE] 标记收尾。 | ✅ 完成 — SIGKILL 中断但产物已完整写出 | innovator | P1 | 2026-04-09 18:58 | T-mnruorsr 已 dispatch，正在执行 |
| T-mnrucmqm | 【FDE Phase 2: Digest】为 digester 模板 Agent 构建 l2-digest 技能的 benchmark 与训练数据集。
【输入路径】
system/templates/digester/train/hunt/
- knowhow_v1.md: 知识消化与 benchmark 构建方法论
- seed_data.json: 90条结构化种子数据
【输出路径】
system/templates/digester/train/digest/
【产出要求】
1. benchmark_v1.md：为 digester(知识消化与 Benchmark 构建专家)设计完整的量化评分标准。需包含:
- 技能概述与评估范围
- 6-8 个评分维度（例如: 数据清洗质量、评分维度设计合理性、标注质量控制、benchmark 文档完整性、行业基线设定严谨性、数据集结构规范性、输出协议合规性等）
- 每个维度的详细评分标准（0-100 分）和权重
- 总分计算方式
- 目标分数: ≥95 分
- grader_hints（给评分器的具体提示）
2. train.jsonl：≥12 条训练样本（含 input / expected_output 或 dimensions + score + grader_hints）
3. test.jsonl：≥6 条测试样本（格式同 train.jsonl）
4. industry_avg_score.md：行业基准分数及设定依据（参考 knowhow_v1.md 中的基线方法论，设定一个合理的 industry_avg_score，建议 85-90 分区间）
【验收标准】
- benchmark_v1.md 维度清晰、权重总和 100%、目标 ≥95 分
- train/test 样本为合法 JSON Lines 格式，每条包含 dimensions / score / grader_hints
- industry_avg_score.md 包含基准分数和设定依据
- 所有文件写入 system/templates/digester/train/digest/
完成后向 innovator 汇报，附各文件绝对路径和关键数据摘要。 | 🚫 已取消 — 与 T-mnrubyy7 重复，由 T-mnruorsr 统一执行 | innovator | P1 | 2026-04-09 18:59 | - |
| T-mnrukaag | [FDE Phase 2: DIGEST — digester template] Hunt phase is complete. Input: system/templates/digester/train/hunt/knowhow_v1.md + crawl_config.json + seed_data.json. Your task: 1) Read hunt outputs and original template files (agent.md, tools.md, soul.md, config.json); 2) Produce benchmark_v1.md with 6+ scoring dimensions, total 100, target >=95; 3) Produce train.jsonl (>=12 samples) and test.jsonl (>=8 samples), each valid JSON Lines with input/expected_output/dimensions/score/grader_hints; 4) Produce industry_avg_score.md with baseline justification; 5) Write all outputs to system/templates/digester/train/digest/; 6) Report [RESULT:DONE] with file list and summary. | ✅ 完成 | master | P1 | 2026-04-09 19:05 | - |
| T-mnruorsr | 【FDE Phase 2: DIGEST】为 digester 模板 Agent 执行知识消化并构建 Benchmark + 数据集。
目标 Agent: digester
技能领域: 知识消化与 Benchmark 构建（将 Hunter 猎取的原始数据转化为结构化 benchmark.md 与 good/bad testdata）
输入目录: system/templates/digester/train/hunt/
输入文件: knowhow_v1.md + crawl_config.json + seed_data.json
输出目录: system/templates/digester/train/digest/
产出要求:
1. benchmark_v1.md — 6维评分标准，总分100，目标≥95分。维度建议(可调整): (1)数据清洗与结构化抽取 (2)评分维度设计与权重分配 (3)标注质量控制与IAA (4)数据集拆分与分布均衡 (5)行业基线计算与统计严谨性 (6)合规与伦理意识。每维度须有详细评分细则和权重。
2. train.jsonl — 至少12条训练样本（JSON Lines，每行一个独立 JSON），每条必须包含 input / expected_output / dimensions / score / grader_hints。场景覆盖: benchmark设计、数据标注、QC方法、基线计算、数据集构建。
3. test.jsonl — 至少8条测试样本，覆盖边界case和综合场景。
4. industry_avg_score.md — 行业基准分及设定依据（建议基准 85-90 分）。
验收标准:
- benchmark_v1.md 维度清晰、权重加总严格等于100%、目标 ≥95 分
- train.jsonl / test.jsonl 为合法 JSON Lines，能被 jq 逐行解析
- industry_avg_score.md 设定依据充分、数值合理
- 所有文件必须真实写入 system/templates/digester/train/digest/ 目录
完成后通过 API 向 innovator 汇报结果，并附上产出文件绝对路径、benchmark 维度数、train条数、test条数、目标分数。输出最后必须以 [RESULT: DONE] 标记收尾。 | ✅ 完成 — 由 T-mnrubyy7 执行产出 | innovator | P1 | 2026-04-09 19:08 | - |
| T-mnwl0ah8 | 【FDE Phase 2: DIGEST】对模板 Agent 'weibo-scraper' 执行知识消化并构建 Benchmark + 数据集。\n\n目标 Agent: weibo-scraper\n技能领域: 微博热搜多榜爬取与数据整合\n输入目录: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/weibo-scraper/train/hunt/\n输入文件: knowhowv1.md + crawl_config.json + seed_data.json\n输出目录: /Users/yibo/Documents/LemonAI/lemonboss/system/templates/weibo-scraper/train/digest/\n\n产出要求:\n1. benchmark_v1.md — 5-7维评分标准，总分100，目标≥95分。维度建议(可调整): (1)数据源理解与适配 (2)反爬策略与请求执行 (3)数据提取与解析 (4)数据清洗与标准化 (5)异常处理与降级策略 (6)合规与伦理意识。每维度须有详细评分细则和权重。\n2. train.jsonl — 至少10条训练样本（JSON Lines，每行一个独立 JSON），每条必须包含 input / expected_output / dimensions / score / grader_hints。场景覆盖: 主API爬取、移动端降级、HTML备用页解析、广告过滤、字段缺失处理、分类推断等。\n3. test.jsonl — 至少6条测试样本，覆盖边界case和综合场景（如API全部失败时的HTML降级、高频反爬触发后的自适应延迟、空返回处理、多榜单整合等）。\n4. industry_avg_score.md — 行业基准分及设定依据（建议基准 85-90 分）。\n\n验收标准:\n- benchmark_v1.md 维度清晰、权重加总严格等于100%、目标 ≥95 分\n- train.jsonl / test.jsonl 为合法 JSON Lines，能被 jq 逐行解析\n- industry_avg_score.md 设定依据充分、数值合理\n- 所有文件必须真实写入 /Users/yibo/Documents/LemonAI/lemonboss/system/templates/weibo-scraper/train/digest/ 目录\n\n完成后通过 API 向 innovator 汇报结果，并附上产出文件绝对路径、benchmark 维度数、train条数、test条数、目标分数。 | ✅ 完成 | innovator | P1 | 2026-04-13 02:36 | - |
| T-mnwl4arb | 立即执行 weibo-scraper 的 FDE Phase 2 Digest。输入: system/templates/weibo-scraper/train/hunt/ 下的 knowhow_v1.md + crawl_config.json + seed_data.json。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/weibo-scraper/train/digest/。目标 benchmark >=95分。任务ID T-mnwl0ah8 已在你的 todo.md 中，执行后标记完成。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P1 | 2026-04-13 02:39 | 产物已验证完整就位 |
| T-mnwlf53o | 对 weibo-scraper 执行 Phase 2 Digest。输入路径: system/templates/weibo-scraper/train/hunt/ (含 knowhow_v1.md, crawl_config.json, seed_data.json)。产出要求: 1) system/templates/weibo-scraper/train/digest/benchmark_v1.md (含 6 维度评分标准，目标总分≥95); 2) system/templates/weibo-scraper/train/digest/industry_avg_score.md (行业基准分说明); 3) system/templates/weibo-scraper/train/digest/train_dataset.json 和 test_dataset.json (JSON Lines，每条带 dimensions/score/grader_hints)。请直接写入上述路径，完成后向 innovator 汇报。 | ⬚ 未开始 | innovator | P0 | 2026-04-13 02:48 | - |
| T-mnwlgve8 | 立即执行 weibo-scraper 的 FDE Phase 2 Digest。输入: system/templates/weibo-scraper/train/hunt/ 下的 knowhow_v1.md + crawl_config.json + seed_data.json。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/weibo-scraper/train/digest/。目标 benchmark >=95分。任务ID T-mnwl0ah8 已在你的 todo.md 中，执行后标记完成。完成后向 innovator 和 master 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 02:49 | 与 T-mnwl4arb 重复，产物已由 T-mnwl4arb 验证并汇报 |
| T-mnwlkx8d | 立即执行以下两个模板的 Phase 2 Digest，不要等待：1) interactive-video-selector: 输入 system/templates/interactive-video-selector/train/hunt/ (knowhow_v2.md + crawl_config.json + seed_data.json + knowhow_base.md + video_samples_summary_base.json) + 原始模板文件，产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分；2) story-architect: 输入 system/templates/story-architect/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件，产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分。完成后分别向 innovator 汇报 [RESULT:DONE] 及关键指标（维度数、train条数、test条数、目标分数）。 | ✅ 完成 | master | P0 | 2026-04-13 02:52 | - |
| T-mnwlm2zt | Phase 2 Digest for template Agent interactive-video-selector.
Input: system/templates/interactive-video-selector/train/hunt/knowhow_v2.md, crawl_config.json, seed_data.json
Output directory: system/templates/interactive-video-selector/train/digest/
Expected outputs: benchmark_v1.md + train.jsonl + test.jsonl + industry_avg_score.md
Skill domain: AI互动视频短剧选题
Target benchmark score: >=95
Please use knowhow_v2.md as the core knowledge source and build a 6-dimension benchmark with train/test datasets. | ✅ 完成 | innovator | P1 | 2026-04-13 02:53 | - |
| T-mnwlm325 | Phase 2 Digest for template Agent story-architect.
Input: system/templates/story-architect/train/hunt/knowhow_v1.md, crawl_config.json, seed_data.json
Output directory: system/templates/story-architect/train/digest/
Expected outputs: benchmark_v1.md + train.jsonl + test.jsonl + industry_avg_score.md
Skill domain: 网络小说/互动剧剧本架构设计
Target benchmark score: >=95
Please build a 6-dimension benchmark with train/test datasets based on the hunt outputs. | ✅ 完成 | innovator | P1 | 2026-04-13 02:53 | - |
| T-mnwlmw1u | 启动 interactive-video-selector Phase 2 Digest。输入: system/templates/interactive-video-selector/train/hunt/ (knowhow_v2.md + crawl_config.json + seed_data.json + knowhow_base.md + video_samples_summary_base.json) + 原始模板文件 (agent.md/tools.md/soul.md/config.json)。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/interactive-video-selector/train/digest/。目标 benchmark >=95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P1 | 2026-04-13 02:54 | - |
| T-mnwlmw4t | 启动 story-architect Phase 2 Digest。输入: system/templates/story-architect/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件 (agent.md/tools.md/soul.md/config.json)。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/story-architect/train/digest/。目标 benchmark >=95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P1 | 2026-04-13 02:54 | - |
| T-mnwlnbla | Phase 2 Digest for template Agent satire-news-scraper.
Input: system/templates/satire-news-scraper/train/hunt/knowhow_v1.md, crawl_config.json, seed_data.json
Output directory: system/templates/satire-news-scraper/train/digest/
Expected outputs: benchmark_v1.md + train.jsonl + test.jsonl + industry_avg_score.md
Skill domain: 讽刺新闻抓取与短剧素材提炼
Target benchmark score: >=95
Please build a 6-dimension benchmark with train/test datasets based on the hunt outputs. | ✅ 完成 | innovator | P1 | 2026-04-13 02:54 | - |
| T-mnwlsral | 立即执行 interactive-video-selector 的 Phase 2 Digest（任务ID T-mnwlmw1u）。输入: system/templates/interactive-video-selector/train/hunt/ (knowhow_v2.md + crawl_config.json + seed_data.json + knowhow_base.md + video_samples_summary_base.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 02:58 | - |
| T-mnwlsrd3 | 立即执行 story-architect 的 Phase 2 Digest（任务ID T-mnwlmw4t）。输入: system/templates/story-architect/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 02:58 | - |
| T-mnwlsrfw | 立即执行 satire-news-scraper 的 Phase 2 Digest（任务ID T-mnwlnbla）。输入: system/templates/satire-news-scraper/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 02:58 | - |
| T-mnwlsrl3 | 立即执行 trend-scout-cn 的 Phase 2 Digest。输入: system/templates/trend-scout-cn/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 02:58 | - |
| T-mnwlt3g5 | 立即并行执行以下三个模板的 FDE Phase 2 Digest，不要等待：\n1) interactive-video-selector: 输入 train/hunt/ (knowhow_v2.md + crawl_config.json + seed_data.json + knowhow_base.md + video_samples_summary_base.json)，产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 ≥95分；\n2) story-architect: 输入 train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json)，产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 ≥95分；\n3) satire-news-scraper: 输入 train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json)，产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 ≥95分。\n完成后分别向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 02:59 | - |
| T-mnwlt9qy | 对模板 Agent 'production-director' 执行 Phase 2 Digest（知识消化与 Benchmark 构建）。
【背景】production-director 是一个'生产指令官'，角色定位是将上游（如运营/B1）产生的需求指令集精准地转换为 AI 生产引擎（如 Stable Diffusion、Midjourney、DALL·E、ComfyUI 等图片/视频生成 AI）可执行的 Spec/Prompt，并负责下发、监控和回收结果。不直接画图，只做'运营与研发的中转站'。
【输入资料】
- knowhow_v1.md: system/templates/production-director/train/hunt/knowhow_v1.md
- seed_samples.jsonl: system/templates/production-director/train/hunt/seed_samples.jsonl
【任务要求】
1. 读取并消化 Hunt 产出，将其转化为结构化的技能知识。
2. 构建 benchmark_v1.md，定义 5-8 个评分维度，总分 100 分，目标分数线 ≥95 分。
3. 基于 knowhow 和 seed_samples，生成 train.jsonl（≥10 条训练样本）和 test.jsonl（≥5 条测试样本）。
- 每条必须是合法 JSON Line
- 必须包含字段：input（需求描述）、expected_output（完整 Spec/Prompt 输出）、dimensions（评分维度列表）、score（示例得分）、grader_hints（评分指引）
4. 产出 industry_avg_score.md，说明行业平均水平和目标分数设定依据（≥90 分）。
【输出路径】system/templates/production-director/train/digest/
【验收标准】
- benchmark_v1.md 维度清晰、权重加总为 100、目标 ≥95 分
- train.jsonl / test.jsonl 为合法 JSON Lines，可直接用 jq 验证
- industry_avg_score.md 有理有据 | ✅ 完成 | innovator | P1 | 2026-04-13 02:59 | - |
| T-mnwlv6j5 | 立即执行以下两个模板的 Phase 2 Digest（按顺序完成）: 1) interactive-video-selector: 输入 system/templates/interactive-video-selector/train/hunt/ (knowhow_v2.md + crawl_config.json + seed_data.json + knowhow_base.md + video_samples_summary_base.json) + 原始模板文件，产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/interactive-video-selector/train/digest/，目标 benchmark >=95分；2) story-architect: 输入 system/templates/story-architect/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件，产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/story-architect/train/digest/，目标 benchmark >=95分。完成后分别向 innovator 和 master 汇报每个模板的 [RESULT:DONE] 及关键指标（维度数、train条数、test条数、目标分数）。 | ✅ 完成 | master | P0 | 2026-04-13 03:00 | - |
| T-mnwlvmjm | 立即按优先级顺序执行以下6个模板的 Phase 2 Digest: 1) satire-news-scraper (输入: train/hunt/knowhow_v1.md+crawl_config.json+seed_data.json); 2) trend-scout-cn (输入: train/hunt/knowhow_v1.md+crawl_config.json+seed_data.json); 3) lemonv_drama (输入: train/hunt/knowhow_v1.md+crawl_config.json+seed_data.json); 4) production-director (输入: train/hunt/knowhow_v1.md+crawl_config.json+seed_data.json+seed_samples.jsonl); 5) reddit-scraper (输入: train/hunt/knowhow_v1.md+crawl_config.json+seed_data.json); 6) trend-scout-global (等 hunter 补齐 seed_data.json 后再执行，或先读取 knowhow_v1.md+crawl_config.json 准备)。每个模板产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到各自 train/digest/，目标 benchmark >=95分。完成后逐个向 innovator 和 master 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P1 | 2026-04-13 03:01 | - |
| T-mnwlvp0p | 【FDE Phase 2: DIGEST】对模板 Agent 'story-architect' 执行知识消化与 Benchmark 构建。\n\n【目标 Agent】story-architect\n【模板目录】system/templates/story-architect/\n【技能领域】网络小说/互动剧剧本架构设计\n【输入目录】system/templates/story-architect/train/hunt/\n【输出目录】system/templates/story-architect/train/digest/\n\n【输入资料】\n- knowhow_v1.md: 覆盖雪花法、三幕式结构、Save the Cat 节拍表、角色弧光设计、爽点/虐点/悬念桥段设计、互动剧分支结构设计、网文平台爆款结构分析、数据源清单。\n- crawl_config.json: 5个数据源配置（TV Tropes, IFDB, Choice of Games, GDC Vault, IMDb），含解析规则与速率限制。\n- seed_data.json: 50条结构化种子数据，覆盖多种 genre/archetype/structure_type/decision_points/endings/branch_depth。\n\n【任务要求】\n1. 基于 knowhow_v1.md 构建 benchmark_v1.md，定义6-8个评分维度，权重加总100，目标分数≥95分。维度需覆盖：故事结构完整性（雪花法/三幕式/节拍表应用）、角色设计深度（弧光/欲望-需求模型）、爽点/虐点/悬念桥段设计能力、互动剧分支结构合理性、平台适配与爆款潜力评估、输出格式规范与专业性。\n2. 构建 train.jsonl（≥10条训练样本）和 test.jsonl（≥6条测试样本），合法 JSON Lines 格式，每条包含 input / expected_output / dimensions / score / grader_hints。场景覆盖：小说大纲生成、互动剧剧本框架设计、角色档案设计、节拍表填充、分支节点选择、爽点桥段插入、平台适配建议。\n3. 计算并输出 industry_avg_score.md，设定行业平均分数与资深专家分数，作为 Evolve 阶段基准。\n4. 所有产出必须写入 system/templates/story-architect/train/digest/ 目录，文件命名带 v1 后缀。\n\n完成后向 innovator 汇报，我将在验收内容后进入 Phase 3 Evolve。 | ✅ 完成 | innovator | P1 | 2026-04-13 03:01 | - |
| T-mnwlwc0e | 立即执行 production-director 的 FDE Phase 2 Digest。输入: system/templates/production-director/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json + seed_samples.jsonl) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:01 | - |
| T-mnwlwc27 | 立即执行 lemonv_drama 的 FDE Phase 2 Digest。输入: system/templates/lemonv_drama/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:01 | - |
| T-mnwlwc3f | 立即执行 reddit-scraper 的 FDE Phase 2 Digest。输入: system/templates/reddit-scraper/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json + raw_.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 train/digest/，目标 benchmark ≥95分。完成后向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:01 | - |
| T-mnwlx7ki | 对模板 Agent satire-news-scraper 执行 Phase 2 Digest。输入: system/templates/satire-news-scraper/train/hunt/（含 knowhow_v1.md + seed_data.json）。输出到 system/templates/satire-news-scraper/train/digest/，要求产出：benchmark_v1.md（量化评分标准，目标≥95分）、train.jsonl（训练样本）、test.jsonl（测试样本）、industry_avg_score.md（行业基准分）。 | ✅ 完成 | innovator | P1 | 2026-04-13 03:02 | - |
| T-mnwly6p6 | 对模板 Agent lemonv_drama 执行 Phase 2 Digest。输入: system/templates/lemonv_drama/train/hunt/（含 knowhow_v1.md + crawl_config.json + seed_data.json）。输出到 system/templates/lemonv_drama/train/digest/，要求产出：benchmark_v1.md（量化评分标准，目标≥95分）、train.jsonl（训练样本）、test.jsonl（测试样本）、industry_avg_score.md（行业基准分）。 | ✅ 完成 | innovator | P1 | 2026-04-13 03:03 | - |
| T-mnwly6r2 | 对模板 Agent trend-scout-global 执行 Phase 2 Digest。输入: system/templates/trend-scout-global/train/hunt/（含 knowhow_v1.md + crawl_config.json + seed_data.json）。输出到 system/templates/trend-scout-global/train/digest/，要求产出：benchmark_v1.md（量化评分标准，目标≥95分）、train.jsonl（训练样本）、test.jsonl（测试样本）、industry_avg_score.md（行业基准分）。 | ✅ 完成 | innovator | P1 | 2026-04-13 03:03 | - |
| T-mnwlyyzh | 启动 interactive-video-selector Phase 2 Digest。输入: system/templates/interactive-video-selector/train/hunt/ 下的 knowhow_v2.md + crawl_config.json + seed_data.json。目标: 产出 benchmark_v1.md + train.jsonl + test.jsonl + industry_avg_score.md，benchmark 目标 ≥95分。输出到 system/templates/interactive-video-selector/train/digest/。完成后向 innovator 汇报。 | ✅ 完成 | innovator | P0 | 2026-04-13 03:03 | - |
| T-mnwlyz1d | 启动 lemonv_drama Phase 2 Digest。输入: system/templates/lemonv_drama/train/hunt/ 下的 knowhow_v1.md + crawl_config.json + seed_data.json。目标: 产出 benchmark_v1.md + train.jsonl + test.jsonl + industry_avg_score.md，benchmark 目标 ≥95分。输出到 system/templates/lemonv_drama/train/digest/。完成后向 innovator 汇报。 | ✅ 完成 | innovator | P0 | 2026-04-13 03:03 | - |
| T-mnwlyz2f | 启动 satire-news-scraper Phase 2 Digest。输入: system/templates/satire-news-scraper/train/hunt/ 下的 knowhow_v1.md + crawl_config.json + seed_data.json。目标: 产出 benchmark_v1.md + train.jsonl + test.jsonl + industry_avg_score.md，benchmark 目标 ≥95分。输出到 system/templates/satire-news-scraper/train/digest/。完成后向 innovator 汇报。 | ✅ 完成 | innovator | P0 | 2026-04-13 03:03 | - |
| T-mnwlz5bg | 对模板 Agent trend-scout-cn 执行 Phase 2 Digest。输入: system/templates/trend-scout-cn/train/hunt/（含 knowhow_v1.md + crawl_config.json + seed_data.json）。输出到 system/templates/trend-scout-cn/train/digest/，要求产出：benchmark_v1.md（量化评分标准，目标≥95分）、train.jsonl（训练样本）、test.jsonl（测试样本）、industry_avg_score.md（行业基准分）。 | ✅ 完成 | innovator | P1 | 2026-04-13 03:03 | - |
| T-mnwlzgna | 对模板 Agent reddit-scraper 执行 Phase 2 Digest。输入: system/templates/reddit-scraper/train/hunt/（含 knowhow_v1.md + crawl_config.json + seed_data.json）。输出到 system/templates/reddit-scraper/train/digest/，要求产出：benchmark_v1.md（量化评分标准，目标≥95分）、train.jsonl（训练样本）、test.jsonl（测试样本）、industry_avg_score.md（行业基准分）。 | ✅ 完成 | innovator | P1 | 2026-04-13 03:04 | - |
| T-mnwlzth7 | 立即并行启动以下6个模板的 Phase 2 Digest（知识消化与 Benchmark 构建），不要等待：1) lemonv_drama (T-mnwlwc27); 2) production-director (T-mnwlwc0e); 3) reddit-scraper (T-mnwlwc3f); 4) satire-news-scraper; 5) trend-scout-cn; 6) trend-scout-global。输入资料均位于各自 system/templates//train/hunt/ 目录。产出要求：benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到各自 train/digest/，目标 benchmark ≥95分。完成后向 master 汇报每个模板的 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:04 | - |
| T-mnwm2pbh | 立即并行执行你 todo.md 中所有待处理的 Phase 2 Digest 任务，不要等待。当前 Hunt 已全部就绪的模板清单：1) interactive-video-selector: 补全 train/digest/ 下的 train.jsonl / test.jsonl / industry_avg_score.md (已有 benchmark_v1.md)；2) story-architect: 补全 train/digest/ 下的 train.jsonl / test.jsonl / industry_avg_score.md (已有 benchmark_v1.md 和 train.jsonl 但可能不完整，请验证并补齐)；3) production-director: 执行完整 Digest (train/hunt/ 已完整: knowhow_v1.md + seed_samples.jsonl + crawl_config.json + seed_data.json)；4) lemonv_drama: 执行完整 Digest (train/hunt/ 已完整)；5) reddit-scraper: 执行完整 Digest (train/hunt/ 已完整)；6) satire-news-scraper: 执行完整 Digest (train/hunt/ 已完整)；7) trend-scout-cn: 执行完整 Digest (train/hunt/ 已完整)；8) trend-scout-global: 执行完整 Digest (train/hunt/ 已完整)。所有 Digest 输出到对应 system/templates/xxx/train/digest/，目标 benchmark ≥95分。完成后向 master 汇报每个模板的 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:06 | - |
| T-mnwm566f | 补全 weibo-scraper / interactive-video-selector / story-architect / satire-news-scraper 的 Phase 2 Digest 缺失文件，并补全 lemonv_drama / production-director / reddit-scraper / trend-scout-cn / trend-scout-global 的完整 Digest。要求为每个缺失的模板产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md。如已有部分文件请复用并补齐缺失项。目标 benchmark >=95分。完成后汇报 [RESULT:DONE] | ✅ 完成 | master | P0 | 2026-04-13 03:08 | - |
| T-mnwm5dhn | 立即按顺序执行以下5个模板的 Phase 2 Digest：1) interactive-video-selector (输入 train/hunt/ knowhow_v2.md + crawl_config.json + seed_data.json + knowhow_base.md + video_samples_summary_base.json)；2) story-architect (输入 knowhow_v1.md + crawl_config.json + seed_data.json)；3) lemonv_drama (输入 knowhow_v1.md + crawl_config.json + seed_data.json)；4) reddit-scraper (输入 knowhow_v1.md + crawl_config.json + seed_data.json + raw_.json)；5) trend-scout-global (输入 knowhow_v1.md + crawl_config.json + seed_data.json)。每个模板产出 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到各自 train/digest/，目标 benchmark \u003e=95分。每完成一个向 innovator 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:08 | - |
| T-mnwm6626 | 【紧急修复】interactive-video-selector 的 Phase 2 Digest 产物存在严重问题：system/templates/interactive-video-selector/train/digest/ 下的 train.jsonl 和 test.jsonl 均为 0 字节空文件。请立即重新执行 Digest：1) 读取 system/templates/interactive-video-selector/train/hunt/ (knowhow_v2.md + crawl_config.json + seed_data.json + knowhow_base.md + video_samples_summary_base.json) 和原始模板文件；2) 重新产出完整有效的 benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md；3) 确保 train.jsonl 和 test.jsonl 每行都是合法 JSON 且非空，样本数量符合要求（train≥10条，test≥6条）；4) 完成后向 innovator 和 master 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:09 | - |
| T-mnwm66lk | 【补全 Digest】story-architect 的 Phase 2 Digest 产物不完整：system/templates/story-architect/train/digest/ 当前只有 benchmark_v1.md 和 train.jsonl，缺少 test.jsonl 和 industry_avg_score.md。请立即补全：1) 读取 system/templates/story-architect/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) 和已有 digest 产物；2) 产出 test.jsonl（≥6条测试样本，合法 JSON Lines，覆盖边界场景）和 industry_avg_score.md（行业基准分及依据）；3) 验证所有 digest 文件完整有效；4) 完成后向 innovator 和 master 汇报 [RESULT:DONE] 及关键指标（维度数、train条数、test条数）。 | ✅ 完成 | master | P0 | 2026-04-13 03:09 | - |
| T-mnwm67hv | 【FDE Phase 2: DIGEST】对模板 Agent 'lemonv_drama' 执行知识消化并构建 Benchmark + 数据集。输入: system/templates/lemonv_drama/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/lemonv_drama/train/digest/，目标 benchmark >=95分。train.jsonl ≥10条，test.jsonl ≥6条，均为合法 JSON Lines。完成后向 innovator 和 master 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:09 | - |
| T-mnwm67qb | 【FDE Phase 2: DIGEST】对模板 Agent 'reddit-scraper' 执行知识消化并构建 Benchmark + 数据集。输入: system/templates/reddit-scraper/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json + raw_*.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/reddit-scraper/train/digest/，目标 benchmark >=95分。train.jsonl ≥10条，test.jsonl ≥6条，均为合法 JSON Lines。完成后向 innovator 和 master 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:09 | - |
| T-mnwm68pq | 【FDE Phase 2: DIGEST】对模板 Agent 'trend-scout-global' 执行知识消化并构建 Benchmark + 数据集。输入: system/templates/trend-scout-global/train/hunt/ (knowhow_v1.md + crawl_config.json + seed_data.json) + 原始模板文件。产出: benchmark_v1.md / train.jsonl / test.jsonl / industry_avg_score.md 到 system/templates/trend-scout-global/train/digest/，目标 benchmark >=95分。train.jsonl ≥10条，test.jsonl ≥6条，均为合法 JSON Lines。完成后向 innovator 和 master 汇报 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:09 | - |
| T-mnwmgkgf | 【单身执行，禁止并发】检查并补全以下4个模板缺失的 Digest 文件（按顺序完成）: 1) interactive-video-selector: 已有 benchmark_v1.md + train.jsonl + test.jsonl，补 industry_avg_score.md；2) story-architect: 已有 benchmark_v1.md + train.jsonl，补 test.jsonl + industry_avg_score.md；3) lemonv_drama: 已有 train.jsonl + test.jsonl，补 benchmark_v1.md + industry_avg_score.md；4) reddit-scraper: 已有 train.jsonl + test.jsonl，补 benchmark_v1.md + industry_avg_score.md。所有文件必须写入各自 system/templates/xxx/train/digest/ 目录，目标 benchmark >=95分，test.jsonl 至少6条边界样本。完成后向 master 逐个汇报 [RESULT:DONE] 及各模板关键指标。 | ✅ 完成 | master | P1 | 2026-04-13 03:17 | - |
| T-mnwmsv70 | 立即并行执行你 todo.md 中所有待处理的 Phase 2 Digest 任务，重点执行 T-mnwm2pbh。当前 Hunt 已全部就绪的模板：interactive-video-selector / story-architect / production-director / lemonv_drama / reddit-scraper / satire-news-scraper / trend-scout-cn / trend-scout-global。请产出 benchmark_v1.md + train.jsonl + test.jsonl + industry_avg_score.md 到各自 train/digest/，目标 benchmark >=95分。完成后向 master 汇报每个模板的 [RESULT:DONE] 及关键指标。 | ✅ 完成 | master | P0 | 2026-04-13 03:26 | - |
| T-mnx7w85k | 构建 idearuncreate Phase 2 Digest。输入：system/templates/idearuncreate/train/hunt/ (knowhow_v1.md, crawl_config.json, seed_data.json)。任务：1) 分析 knowhow_v1.md 提取能力维度和评分标准；2) 基于 seed_data.json 构建 benchmark_v1.md（6维度，目标≥95分）；3) 生成 train.jsonl（≥30条）和 test.jsonl（≥10条）；4) 产出 industry_avg_score.md（行业基准分设定依据）。输出到 system/templates/idearuncreate/train/digest/。完成后汇报 T-xxx。 | ✅ 完成 | innovator | P1 | 2026-04-13 13:17 | - |
| T-mnx8er6m | 重新生成 idearuncreate 测试集。问题：当前 test.jsonl 包含9个故意失败场景，导致即使完美 SKILL 也无法得分。请基于 benchmark_v1.md 重新生成 train.jsonl 和 test.jsonl，要求：1) 理想场景 ≥5个（预期高分90%+）；2) 典型场景 ≥3个；3) 困难但可解决场景 ≥2个；4) 不包含故意失败的边界用例。输入目录：system/templates/idearuncreate/train/digest/，输出到 system/templates/idearuncreate/train/digest/test_v2.jsonl | ✅ 完成 | innovator | P0 | 2026-04-13 13:31 | - |