Task task-keyence-r2 — 基恩士学习工具2 技术原理推断

文件路径

task.md（本文件，创建后不再修改）：/root/.openclaw/workspace/tasks/task-keyence-r2/task.md
session.md（执行日志，只追加）：/root/.openclaw/workspace/tasks/task-keyence-r2/session.md

原始需求

基于 task-keyence-r1 的产品调研结果，深挖基恩士学习工具2的技术实现原理。通过专利搜索、学术文献、竞品白皮书推断其底层算法，并对比类似的工业视觉检测方案。

前置依赖：读取 R1 报告作为上下文输入：
/root/.openclaw/workspace-researcher/reports/keyence-learning-tool-2-overview.md

执行链

researcher → 爱衣质检

各 Agent 职责

Ai.Res（session key: `agent:researcher:main`）

任务：对基恩士学习工具2进行深度技术原理研究（Research模式），重点推断底层算法。

首先：读取 R1 产品报告作为上下文：

cat /root/.openclaw/workspace-researcher/reports/keyence-learning-tool-2-overview.md

研究维度（Research模式，3轮迭代上限）：

专利搜索：
搜索 Keyence 相关视觉检测专利（Google Patents / Espacenet）
查询词：Keyence image inspection learning patent、基恩士视觉专利学习
目标：找到描述图像匹配/特征提取方式的专利文献
学术论文（重点，需读PDF）：
搜索工业视觉检测少样本方案的学术论文
重点查询：
- industrial visual inspection few-shot deep learning
- one-shot anomaly detection manufacturing
- template matching deep learning industrial inspection
- siamese network defect detection
用 arxiv、openalex、crossref 搜索
对命中的 top 3-5 篇论文：用 pdf_fetch.py 提取摘要+引言（pages 1-3）
pdf_fetch.py 使用方法（见 TOOLS.md，或直接使用）：
bash # arXiv PDF：先获取元数据，再提取关键页 python3 /root/.openclaw/workspace/scripts/pdf_fetch.py \ "https://arxiv.org/pdf/ARXIV_ID" --info python3 /root/.openclaw/workspace/scripts/pdf_fetch.py \ "https://arxiv.org/pdf/ARXIV_ID" --pages 1-4 --max-chars 15000
竞品技术白皮书：
Cognex PatMax 技术原理（Geometric pattern matching）
Omron FH series AI vision 技术文档
Basler 工业相机 AI 方案
目标：找到公开的技术说明，作为类比推断依据
技术原理综合推断：
基于以上收集的信息，推断学习工具2可能采用的技术：
特征提取方式（传统HOG/SIFT/ORB vs 深度学习特征）
训练机制（few-shot meta-learning / fine-tuning / template matching）
推理加速（是否用CPU优化模型，如INT8量化）
旋转不变性实现方式

输出要求：
- 报告路径：/root/.openclaw/workspace-researcher/reports/keyence-learning-tool-2-technical-analysis.md
- 执行日志：追加到 /root/.openclaw/workspace/tasks/task-keyence-r2/session.md
- freshness_type: academic
- 来源数量目标：≥ 20 条（含论文）

开始时：
1. 发工作日志：
bash /root/.openclaw/workspace/scripts/log-to-channel.sh researcher receive "基恩士技术原理推断" task-keyence-r2

完成后：
1. 将执行日志追加到 session.md
2. 发工作日志：
bash /root/.openclaw/workspace/scripts/log-to-channel.sh researcher handoff "基恩士技术原理推断" main task-keyence-r2
3. sessions_send 通知爱衣（agent:main:main，必须传 timeoutSeconds=0，禁止省略）：
task_id=task-keyence-r2 task=/root/.openclaw/workspace/tasks/task-keyence-r2/task.md

⚠️ 爱衣质检 SOP（收到最终通知后执行）

Step 1：评估工作区大小

du -sb /root/.openclaw/workspace/tasks/task-keyence-r2/

超过 80KB → 跳至「超限处理」
未超过 80KB → 继续 Step 2

Step 2：读取 session.md

wc -l /root/.openclaw/workspace/tasks/task-keyence-r2/session.md

若行数 N > 0，read session.md 全文。

Step 3：质检要点

通用检查（每次必须）：
- 产出是否符合原始需求？
- 执行过程是否有明显问题？

任务特定检查：
- 是否有具体的专利搜索结果（哪怕搜索失败也要记录）？
- 是否至少读取了 2 篇相关学术论文的 PDF？
- 是否有明确的技术原理推断结论（不能只是"可能用了AI"这种模糊说法）？
- 是否有竞品技术对比信息？
- 来源数量是否 ≥ 15 条？

Step 4：输出结论

通过 →
1. 立即创建并启动下一任务（task-keyence-r3a），不等待：
- 重置 researcher session：
bash python3 -c " import json f='/root/.openclaw/agents/researcher/sessions/sessions.json' d=json.load(open(f)); d.pop('agent:researcher:main',None); json.dump(d,open(f,'w')) "
- 占锁 task-keyence-r3a：
bash mkdir /root/.openclaw/workspace/tasks/task-keyence-r3a/.lock 2>/dev/null
- 发链路日志：
bash /root/.openclaw/workspace/scripts/log-to-channel.sh main start "少样本目标检测广度搜索" "researcher → main" task-keyence-r3a
- sessions_send 给 researcher（timeoutSeconds=0）：
task_id=task-keyence-r3a task=/root/.openclaw/workspace/tasks/task-keyence-r3a/task.md
2. 发工作日志（R2完成）：
bash /root/.openclaw/workspace/scripts/log-to-channel.sh main done "基恩士技术原理推断" task-keyence-r2

不通过（rejectCount == 0） →
1. 分析问题根因，设计补充搜索任务
2. 创建新的 task.md（task_id: task-keyence-r2-retry1）
3. 在原 session.md 末尾追加 rejectCount=1
4. sessions_send 给 researcher
5. 发工作日志：
bash /root/.openclaw/workspace/scripts/log-to-channel.sh main retry "基恩士技术原理推断" "researcher → main" researcher 1 task-keyence-r2

rejectCount >= 1 →
1. 发工作日志：
bash /root/.openclaw/workspace/scripts/log-to-channel.sh main fail "基恩士技术原理推断" task-keyence-r2
2. message 主人，请裁决是否跳过继续后续任务

超限处理（工作区 > 80KB）

仅读 task.md（了解需求）
读 session.md 末尾 200 行
message 主人：任务已完成，内容繁多，建议人工审计