本实验目标是尽量控制变量，只比较 agent 组织方式对 research 任务结果的影响。
统一条件如下：
- 相同任务 prompt
- 相同模型：
GPT-5.4 - 相同 MCP 配置
- 相同任务类型：研究型、资料核验型问题
- 结果以最终产出质量与 token 成本共同评估
omo裸 OpenCode（旧版）裸 OpenCode + Librarian 提示词
这里的 Librarian 指从 oh-my-opencode 中提取并迁移到裸 OpenCode 的研究型检索提示词。
omo：直接使用oh-my-opencode执行任务。裸 OpenCode（旧版）：使用裸OpenCode，并配一个普通的、非 omo 来源的 Librarian 风格提示词。裸 OpenCode + Librarian 提示词：使用裸OpenCode，但其中的 Librarian agent 明确配置为采用从oh-my-opencode提取出来的 Librarian 提示词。
所有实验都保持同一类高层检索结构：每次研究任务都会拉起 3 个 Librarian subagent 参与测试。
因此，这里的比较并不是绝对意义上的“有 Librarian”对“没 Librarian”，而是比较：
omo自带 agent 体系下的表现裸 OpenCode搭配普通 Librarian 风格提示词的表现裸 OpenCode搭配omo的 Librarian 提示词后的表现
核心关注点也因此更明确：Librarian 提示词设计与 agent 编排方式，究竟会怎样影响 token 消耗、关键隐藏事实捕获、来源质量以及最终结论质量。
token 统计方式不是简单把某一列“Token 总数”直接相加，而是按每次调用的真实成本累计：
- 输入 token
- 输出 token
- 推理 token
也就是说，最终展示的 token 消耗是基于一次完整任务执行过程中每轮调用的 input + output + reasoning 汇总，而不是直接抄录某个面板上的单列总数。
本仓库主要从以下 4 个维度评估结果：
token 消耗关键隐藏事实捕获来源质量结论可用性
关注完成一次研究任务需要付出的总 token 成本，而不是只看回答是否更长或更短。
重点观察系统是否找到了真正改变判断结论的事实，例如：
- 项目已经停止维护
- 官方 LTS / 支持策略即将终止
- 创始人或核心维护者公开建议迁移到替代项目
这类信息通常不会出现在表层 benchmark 对比中，但会直接改变研究结论是否可靠。
优先级从高到低通常为：
- 官方文档
- 官方 issue / PR / release / roadmap
- 项目仓库中的可核验说明
- 有方法学和原始数据的独立 benchmark
- 二手文章或 SEO 汇总（最低优先级）
判断最终回答是否真的能支持技术选型，而不只是堆砌资料。可用结论通常应满足：
- 能给出明确方向
- 能指出适用前提
- 能解释风险与边界
- 能让读者据此继续验证
本实验不把“token 越少”直接等同于“结果越好”。
- 如果 token 很低，但遗漏关键隐藏事实，那么结果仍然可能误导决策。
- 如果 token 略高，但显著提升了关键事实命中率与来源质量，这种额外消耗在研究任务中通常是值得的。
因此，本仓库的核心关注点是：单位 token 成本下，谁更容易产出可用于决策的研究结论。