authoritative-data-harvester

name authoritative-data-harvester description 自动定位并获取权威公开数据（优先API/官方批量下载），输出可复现抓取与清洗方案。Invoke when用户需要权威数据、官方统计、API下载或数据源爬取。 权威数据自动获取（Authoritative Data Harvester） 全局流程协作约束（长对话防漂移） 本 skill 不得作为孤立入口。用户要求完整论文、生成 Word、继续流程或不确定阶段时，先回到 paper-workflow-orchestrator 判断当前 S0-S8 阶段。 启动或继续本 skill 的正式任务前，必须运行： python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --skill authoritative-data-harvester 如果输出 [WORKFLOW FAIL] 或报告 status != "PASS" ，停止本 skill，按 paper_output/qa/workflow_guard_report.json 的失败项回补前置阶段，不得凭记忆继续。 本 skill 只写入自己契约范围内的 paper_output/ 产物；完成后必须回到 paper-workflow-orchestrator 判断下一步，并用 context-memory-keeper 记录已完成产物、阻塞项和下一步。 长对话中如果上下文变长、阶段不确定或用户分开调用 skill，先运行： python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --status 再读取 paper_output/qa/workflow_guard_report.json 、 paper_output/preflight_report.json 、 paper_output/input_manifest.json 、 paper_output/results/run_manifest.json 和本 skill 的上游 JSON 契约，按报告里的 recommended_skill 与 next_action 继续。 继续流程前，必须把 paper_output/context/workflow_memory.json 视为长期断点记录；若其中的 current_step 、 next_step 、 recommended_skill 与 workflow_guard.py --status 不一致，以 guard 报告为准。 每次完成本 skill 的产物后，先回到 paper-workflow-orchestrator 或运行 workflow_guard.py --status ，再更新 workflow memory： python .claude/skills/context-memory-keeper/scripts/update_workflow_memory.py 更新后读取 paper_output/context/workflow_memory.json / .md ，确认下一步和推荐 skill 已记录。 执行契约 上游输入：用户给出的变量需求，或 paper_output/step1/problem_analysis.json 、 paper_output/plan/model_route.json 中识别出的外部数据需求。 必须输出：可复现的数据源说明、抓取或下载方案，并将原始/处理后数据与来源信息保存到 crawled_data/ ，优先包含 crawled_data/sources.json 。 下游交接： data-cleaning-and-visualization 读取 crawled_data/ 做统一清洗、图表计划和论文级配图。 推荐下一步：数据落盘后进入 data-cleaning-and-visualization ；完整论文目标应回到 paper-workflow-orchestrator 判断后续阶段。 失败回退：若无法自动获取，应给出同级权威替代源、口径差异和人工下载路径；不得使用无来源或不可引用的数据冒充权威数据。 目标 在数学建模任务中，快速找到“权威、可引用、可复现”的公开数据源，并以尽量不爬网页、优先 API/批量下载的方式获取数据，最终输出： 数据获取脚本/方案（含链接、参数、时间范围、字段解释） 原始数据与清洗后的数据（CSV/Parquet） 数据字典与引用信息（来源、更新时间、许可证/条款、访问日期） 何时调用 需要权威/官方数据源（统计局、国际组织、政府开放数据） 需要可复现的数据抓取流程（接口参数固定、可重复运行） 已有变量清单但缺数据，或需要补充替代指标 总原则（必须遵守） 优先使用官方 API 或 Bulk Download，最后才做 HTML 解析。 遵守 robots.txt 与服务条款，尊重速率限制；不得绕过登录/付费/验证码。 全流程可复现：记录来源 URL、接口参数、访问日期、版本/更新时间、字段含义与单位。 数据质量优先：对齐口径、单位、频率、地理范围；明确缺失与异常处理策略。 标准工作流（每次执行都按此输出） 1) 需求归一化 输出“数据需求表”，至少包含： 变量名（中英）、单位、期望频率（日/月/年）、时间范围 地区粒度（国家/省/市/网格）与口径说明 允许替代指标（主指标不可得时） 2) 选源策略（先权威后便利） 按任务类型优先匹配： 宏观/发展：World Bank、IMF、OECD、UNData 人口/社会：UN DESA、World Bank、各国统计局/人口普查 公共卫生：WHO（必要时补充二次聚合源并标注来源链） 气象/气候：NOAA、NASA（按开放政策选择） 欧盟统计：Eurostat 中国：国家统计局、部委开放数据、地方统计局（优先可下载/接口） 3) 访问方式决策树 有官方 API：直接 API 无 API 但有批量下载（CSV/Excel/ZIP）：直链下载 仅网页表格：优先找页面背后的 XHR/JSON；仍不行再做 HTML 解析 4) 抓取实现规范 交付脚本必须具备： 参数化：start/end、region、indicator、output_dir 稳健性：重试（指数退避）、超时、速率限制、缓存/断点 落盘：raw/ 与 processed/ 分目录；保留原始响应或原始文件 日志：只记录必要信息，不输出敏感信息 5) 清洗与校验（最低要求） 字段：统一命名（snake_case）、类型转换、单位换算、时间索引对齐 缺失：说明缺失原因（不可得/断档/口径变化），给出处理策略 异常：基本规则校验（范围、同比/环比跳变阈值） 抽检：与来源页面/元数据对照样本行 6) 交付物清单（必须输出） 数据文件：raw.*、processed.csv（或 parquet） 元数据：sources.json（name/url/access_method/params/license/updated_at/accessed_at） 数据字典：字段含义、单位、频率、地区粒度、缺失策略 引用格式：可直接用于论文/报告的参考条目 常用权威数据源（可扩展） World Bank Data API IMF Data UNData / UN agencies OECD Data Eurostat WHO NOAA / NASA 各国统计局与政府开放数据平台 用户输入模板（用于快速启动） “我要做【主题】建模，变量有【A,B,C】；时间【YYYY-YYYY】；地区【国家/省/市】；请给权威来源与可复现的数据获取脚本+清洗结果。” “我需要【某指标】的官方数据，优先 API，没有就批量下载；请输出 sources.json + processed.csv。” 失败回退策略 当某源不可用/受限： 换同级权威源（例如 UN ↔ World Bank ↔ OECD） 换替代指标并明确口径差异 仅交付最权威的可下载版本，并说明无法自动化获取原因 目录约定（与项目全局对齐） 原始下载与接口响应建议保存到： crawled_data/raw/ 。 清洗后的结构化数据建议保存到： crawled_data/processed/ 。 来源与可复现信息建议保存为： crawled_data/sources.json （包含 url、参数、访问日期、许可证/条款）。 前后衔接 后续通常先做： data-cleaning-and-visualization （把 crawled_data/ 里的数据统一清洗并出图）。 若要继续到论文草稿：回到 paper-workflow-orchestrator 。 约束（必须遵守） Memory Interaction (必做) : 获取数据后 ：必须调用 context-memory-keeper ，记录“新增数据源名称”与“存放路径”到 Short-term Workbench 。 本技能只负责“把权威数据拿到手并保证可复现”，不负责直接写论文正文；产物必须落盘到 crawled_data/ 。 若数据要进入论文，必须同时满足两点： crawled_data/sources.json 中记录可引用来源信息。 后续调用 data-cleaning-and-visualization ，把数据清洗并生成 paper_output/figures/ 的证据图表。