一套面向 Codex 与兼容 Agent Skills 运行时的证据驱动型元技能。它不急着把模糊请求拆成任务清单，而是先判断：为了把这件事做对，必须理解、调查、验证、比较和决定什么，再把结论转成可执行、可验证、可调整的行动路径。
它适用于开发、科研、产品、策略、运营、报告评估和其他开放式复杂任务。与固定的“调研—计划—执行”流水线不同，它每次只处理当前最可能导致错误行动的知识瓶颈；明确、低风险、可逆的任务仍然直接完成。
- 将真实目标与用户最先提出的候选解法分开。
- 找出会改变决策的知识缺口，而不是堆积背景资料。
- 区分事实、推断、假设、未知、争议和暂时不可知。
- 把局部阻碍定位到组件、路径、条件或目标规格，不轻易扩大成整体不可行。
- 让计划追溯到证据、约束和关键决策，并在执行中只重规划受影响部分。
- 根据风险和可逆性选择
direct、light、standard或deep深度。
- Task-first，但不是 execution-first：先构造正确完成任务所需的认知框架。
- 动态路由，而不是固定流水线：每次只调用当前知识瓶颈需要的子技能。
- 证据不是权威投票：检查来源、方法、范围、时间、利益、冲突和可复现性。
- 怀疑但不犬儒：保留反证和替代解释，也允许在证据足够时行动。
- 不把局部不可行扩大成整体不可行：定位具体阻断层级，并寻找替代路径。
- 调研不是越多越好：依据决策影响、未知程度和信息边际价值决定何时停止。
- 计划必须能追溯到证据、约束与关键决策。
- 执行中局部回退和重规划，不因一个假设失效就把整个任务推倒重来。
adaptive-action：入口和总控路由器。frame-task：建立任务章程、成功标准、边界和关键问题。map-knowledge：构造动态知识图、问题图和缺口优先级。research-for-action：先研究“如何做对这类任务”，再研究任务对象本身。evaluate-evidence：审查主张、证据、冲突、适用范围和不确定性。diagnose-feasibility：定位不可行性的具体层级，并生成可替代路径。plan-from-evidence：把研究结论转化为可验证、可追溯的行动计划。execute-adaptively：执行、观察、验证、局部重规划与复盘。
将技能目录复制到项目的 .agents/skills/：
uv run python scripts/install.py --scope project --target /path/to/projectuv run python scripts/install.py --scope user安装后重启或刷新 Agent 的技能索引。当前跨 Agent 的推荐目录是 ~/.agents/skills/。不要同时在 ~/.agents/skills/ 与旧的 ~/.codex/skills/ 放置同名副本，否则可能出现重复技能。
也可以直接把 plugins/adaptive-action-framework/ 作为 Codex skill-only plugin 使用；其中包含 .codex-plugin/plugin.json。
调用：
$adaptive-action 我有一个 AI 量化想法。先判断要把这件事做对，需要调查和验证哪些方面，再给出行动路径。
长期任务可初始化状态文件：
uv run python scripts/init_task_state.py --title "AI 量化可行性" --goal "形成可验证的试验与实施路径"默认生成 .adaptive-action/task-state.yaml。状态文件不是为了制造文档负担；只在长周期、多会话、多参与者或高风险任务中使用。
- Direct：目标明确、低风险、可逆、无需外部事实时，快速处理。
- Light：少量未知会影响方案，做简短预检和定向验证。
- Standard：开放式任务，建立知识图、做目标研究并形成计划。
- Deep/Audit：高风险、不可逆、跨领域、争议性强、长期或需要审计时，做完整证据和替代路径分析。
模式只决定调查预算，不规定固定步骤。任何模式都可以在新证据出现后局部切换。
本项目使用 Apache License 2.0。