无限猫报恩（Infinite Gratitude）
像猫叼礼物回家一样，让多个 AI 代理并行外出研究、带回发现，并循环深挖，直到你说停为止。
技能本身无敏感数据处理、无凭据访问、无外部写入副作用，每次循环前有 Continue? (y/n) 确认，数据流向透明（只做网络检索与汇报）。扣分点：以 haiku 模型并行派发至多 10 个后台代理，成本与速率影响未做明确上限警示与回滚机制说明；发布者为未验证身份，来源归属仅指向 washinmura.jp，无法核实。
SKILL.md 的 Happy path（拆分方向→派发→汇总→循环）描述自洽且参数表清晰。扣分点：纯静态审查无法执行复现；缺少对代理失败、子代理类型 research-scout 不可用、参数越界（如 --agents 0）的错误处理与失败反馈说明；深度循环的终止条件模糊（'until satisfied'）。
目标场景（技术研究、竞品分析、文献综述）清晰，提供中/英/日三语说明，触发词明确。扣分点：未声明不适用范围；SKILL.md 正文与 README 在代理数量（5 vs 10）与默认波数上口径不一致；核心功能依赖 GitHub/HuggingFace 等境外资源检索，对中国大陆网络的可达性存在不确定性，且引用的 references/agent-config.md 内容未在证据中提供。
文档结构清晰、有参数表、示例、FAQ 性质的 Notes、MIT 许可证与多语言 README，命名一致。扣分点：无版本号与变更日志；关键依赖文件 references/agent-config.md 未提供内容无法核实；维护责任与更新路径仅有个人署名，治理信息薄弱。
声称的多代理并行研究在概念上能完成任务，输出格式（结构化报告）可直接使用。扣分点：静态审查无法验证实际产出质量；宣称的 77.6% 准确率、30 分钟 vs 20 小时等收益均来自作者自述，无独立证据；数据量-准确率公式（10K=85% 等）无出处，边际价值证据有限，故未给满分（静态上限亦为 7）。
仅 5 分以下：仓库提供故事文档与示例输出，属作者单方主张；无测试套件、无 CI 证据、无第三方复现材料；事实与虚构（猫狗角色叙事）混排但未明确区分，关键结论不可独立核实。
- 并行派发最多 10 个后台代理会产生 API 成本与速率消耗，使用前请确认成本预算；深挖模式循环次数需用户自行控制。
- 所有研究结论与性能数据（如 77.6% 准确率）均为作者自述，未经独立验证，采信前请自行核验。
- SKILL.md 与 README 关于默认代理数（5 vs 10）和 --waves 参数的描述不一致，实际行为可能因版本而异。
- 核心功能依赖 GitHub/HuggingFace 等境外站点检索，中国大陆网络环境下可达性不保证。
- 引用的 references/agent-config.md 未在本次审查证据中提供，无法核实其内容是否存在。
这个 Skill 能做什么，适合哪些场景？
这是 Washin Village（和心村）AI Dojo 系列中的一个 Claude Code 技能，用于多代理并行研究。它把一个主题拆成最多 5 个研究方向（GitHub 项目、HuggingFace 模型、论文、竞品、最佳实践），同时派出最多 10 个后台代理去调查，把结果汇编成结构化报告，并根据新产生的问题循环追加研究。README 记录了一个真实案例：为识别村里 28 只猫狗的 AI 平台做调研，10 个代理并行跑了 12 个研究主题、产出 9 份报告，用时 30 分钟（人工估计需 20 小时以上），最终系统实际达到 77.6% 的识别准确率。它适合需要快速覆盖多角度调研、能接受以 haiku 模型换取低成本的个人开发者和小团队。
接收一个研究主题及可选参数（--depth quick/normal/deep、--agents 1-10、README 另提到 --waves）；将主题拆分为最多 5 个研究方向；用 Task API 以 research-scout 子代理类型、haiku 模型、后台运行方式并行派出代理；收集各代理返回的发现并汇编成结构化报告；若有后续问题则询问用户是否继续，继续则回到派发步骤循环（deep 模式会一直循环）；最多 5 个代理每轮。安装方式是把 infinite-gratitude.skill.md 放入 ~/.claude/skills/ 目录，之后在 Claude Code 中用 /infinite-gratitude "主题" 触发。
- 个人开发者要在选定技术栈前同时对比多个工具/库（如向量数据库、嵌入模型），不想逐个手动查。
- 创业者或产品经理需要竞品分析：每个代理分别调查一个竞争对手，快速汇总成对比报告。
- 研究者或工程师做文献/论文速览：并行阅读和总结论文，再对关键点追问深入。
- 市场调研：从项目、模型、论文、竞品、最佳实践多角度并行扫描一个行业话题。
- 做尽职调查：对某个项目或公司做多角度背景核查。
这个 Skill 有哪些优点和局限？
- 多代理并行研究，README 实测案例中 30 分钟完成估计需 20+ 小时的人工调研，并产出 9 份可追踪的报告。
- 有循环追问机制：每轮报告会列出新的问题，用户确认后再派下一轮，deep 模式可深挖到底。
- 默认用 haiku 模型且每轮最多 5 个代理，成本可控；参数（深度、代理数、轮数）可调。
- 安装即用，一条 curl 命令，附带三语文档（中/日/英）和代理配置参考。
- 强依赖 Claude Code 的 Task 子代理 API 与 research-scout 子代理类型、后台运行机制，其他平台无法直接使用，需改造。
- SKILL.md 正文写默认 5 个方向、每轮最多 5 个代理，README 又宣称可派 10 个代理，两者口径不完全一致，实际并行度以 Claude Code 环境为准。
- 研究质量依赖底层模型的检索能力，README 未提供除宠物识别一个案例之外的独立评测、测试套件或基准。
- README 提到的 --waves 参数未出现在 SKILL.md 的参数表中，行为细节（如两处默认值差异）没有充分文档化。
如何安装这个 Skill？
README 提供一条命令安装：curl -sSL https://raw.githubusercontent.com/sstklen/infinite-gratitude/main/infinite-gratitude.skill.md -o ~/.claude/skills/infinite-gratitude.skill.md，即下载技能文件到 ~/.claude/skills/ 目录。仓库同时含 SKILL.md 与 references/agent-config.md（代理配置说明）。除此之外没有其他依赖安装步骤的文档。
如何使用这个 Skill？
在 Claude Code 中输入 /infinite-gratitude "你的研究主题"。可选参数：--depth quick|normal|deep（默认 normal，deep 会循环直到满意）、--agents 1-10（默认 5，最多 10）、README 还提到 --waves 3（研究轮数，默认 3）。运行后代理并行研究、返回报告并询问是否继续追问。SKILL.md 使用示例：/infinite-gratitude "pet AI recognition"、/infinite-gratitude "RAG best practices" --depth deep、/infinite-gratitude "React state management" --agents 3。
这个 Skill 与同类方案有什么区别？
仓库明确将本技能与同系列的 research-scout（单代理研究）区分定位：需要多角度并行深挖用本技能，轻量单次调研用 research-scout。另推荐搭配同作者的 yes.md（安全闸门与证据规则）与 5x-cto（研究完成后的开发流水线）。