統合分析 (Meta-Analysis)
定量統合分析專用 Skill。在 systematic-review 完成 L1-L8 之後，從 L9 起大幅擴展為完整定量合併工作流程。R 統計由 Claude Code 在本地 R 環境直接執行 Rscript（metafor 等），原始輸出（summary / warnings / sessionInfo）納入審計包、紅燈由 R 計算（不靠 LLM 讀數字），並與 ssci-plots 聯動產出 forest / funnel plot。
快速入口：第一個可執行步驟見 §3 主 Agent 啟動流程 + §4.2 L9.1 效應量提取。詳細方法見 references/ + scripts/ + 底座 SSOT。
1. 觸發與適用場景
1.1 觸發短語
英文：meta-analysis、effect size pooling、random-effects model、forest plot、funnel plot、heterogeneity I-squared、meta-regression、subgroup analysis、Hunter-Schmidt、RVE meta-analysis、three-level meta-analysis、MASEM、meta-analytic SEM、reliability generalization、p-curve、PET-PEESE、RoBMA、metafor、psychmeta。
中文：統合分析、Meta 分析、定量綜合、效應量合併、森林圖、漏斗圖、異質性、隨機效應模型、Meta 迴歸、次群體分析、心理學統合分析、量表統合分析、信度概化、心理計量統合分析、相依效應量、RVE 統合分析、三層統合分析、出版偏誤、p 曲線。
1.2 反向觸發（不適用 / 切換到其他 Skill）
| 使用者情境 | 切換至 |
|---|---|
| 只做檢索/篩選/RoB（L1-L8），不做合併 | systematic-review |
| 只做定性證據綜合（無效應量） | systematic-review（質性路徑）或 literature-set-review |
| 已收集文獻集，要寫綜述但不做合併 | literature-set-review |
| 敘述性綜述 / 範疇綜述 / 整合性綜述 | field-overview-review |
| 50 年/30 年的領域發展史綜述 | field-evolution-review |
| 理論建構 / 構念分析 / 對立理論比較 | theoretical-review |
| 渲染 forest/funnel plot | ssci-plots（聯動） |
1.3 啟用條件提示
- 心理學場景（預設必讀）：觸發關鍵詞含心理學構念、量表（BDI、SCL-90、Big Five 等）、APA 期刊、JARS、複製危機。同時載入
SSOT-PSYCHOLOGY-SUPPLEMENTS.md（含 8 議題）。 - 中文場景：使用者中文交流、提及《心理學報》《心理科學進展》、CNKI、GB/T 7714。同時載入
SSOT-CHINESE-CONTEXT.md。 - 網絡統合分析：使用者比較 ≥3 種治療或提及 NMA / network meta-analysis。同時載入
SSOT-SYNTHESIS-METHODS.md§4。
2. 假設前提（L1-L8 已就緒）
本 Skill 假設 L1-L8 已就緒：使用者已透過 systematic-review 或自行完成研究問題建構、檢索、篩選、提取、RoB（詳見 §13 與 systematic-review 聯動）。如未完成 L1-L8，主 Agent 應建議先切換到 systematic-review。
3. 主 Agent 角色與責任
你是協調者、判斷者、規劃者，不是執行者。 每個 SubAgent 必須使用當前可用的最強模型（與主 Agent 同級，不為省成本降級）；預設阻斷；同訊息內多 Agent 呼叫 = 並行。
3.1 主 Agent 必讀（啟動後立即載入，不等待「何時載入」決策表）
主 Agent 在 Skill 觸發後立即載入以下 SSOT，不允許等到工作流程中後段才「按需載入」：
全 6 Skill 共享必讀（強制）：
review-methodology-foundations/references/SSOT-AI-FAILURE-DEFENSES.md（4 類 LLM 失敗模式與防禦 — MA 4 類全部 CORE，§2 §3 加強）review-methodology-foundations/references/SSOT-LIFECYCLE-12-PHASES.md（任意位置確認當前階段）review-methodology-foundations/references/SSOT-METHODOLOGY-TERMINOLOGY.md（跨階段術語統一）
MA 特定必讀：
SSOT-EFFECT-SIZE-DECISION.md（L9.1 必讀）SSOT-SYNTHESIS-METHODS.md（L9.4 模型選擇 / L9.5 異質性 / L9.9 出版偏誤）SSOT-PSYCHOLOGY-SUPPLEMENTS.md（心理學場景預設必讀，含 8 議題）
MA 在 SSOT-AI-FAILURE-DEFENSES 的強防禦項目（4 類全 CORE，§2 §3 加強）：
- §2 效應誇大加強：除 Cohen 表外，加 Funder & Ozer 2019 嚴格標準；CI 強制延伸到所有 subgroup / meta-regression 結果
- §3 信賴幻覺加強：異質性 I² > 75% 強制不呈現合併效應；publication bias 必做清單 = funnel（contour-enhanced）+ 回歸檢驗（Egger / Peters / Harbord，按效應量類型路由）+ 心理學補充 ≥ 1（p-curve / p-uniform* / PET-PEESE / selection models / RoBMA）；trim-and-fill 僅作敏感性分析（與 §4.2 L9.9 一致）
3.2 啟動流程（第一個可執行步驟指引）
派發順序按 §4 工作流程：
0. MA 入口 preflight（關 BK-1）：派 L9.1 前確認 decisions/01/02/07/08 已就緒——聯合路徑由 SR L1-L8 產出；獨立 MA 入口（使用者已自行完成 L1-L8、直接進 MA）須先依 §3.3「獨立 MA 入口脚手架」從 decisions_templates/ 拷貝模板填好這 4 個檔案。缺任一即阻斷 L9.1（不讀決策檔案直接執行違反 §3.3 強制必讀）。
- L9.1 派發 Effect-Size-Extractor（第一個可執行步驟，見 §4.2）→ 每項研究的效應量 + SE
- L9.2-L9.4 串行（校正 → 相依性 → 模型選擇）
- L9.5 異質性先行（其阻斷信號決定 L9.6/L9.7 是否強制）→ L9.6/L9.7 可並行；L9.8 敏感性須串行於 L9.5 之後（leave-one-out / FE vs RE / τ² 估計器對照都依賴 L9.5 已定的模型基線，不與 L9.5 並行）
- L9.9 單獨執行（依賴前面結果）；L9.10 按需
- L10 GRADE → L11 寫作（含 Chart-Bridge ssci-plots 聯動）→ L12 自評
3.3 跨階段決策檔案規則（強制）
主 Agent 在每階段產出後將決策結論寫入 decisions/ 子目錄（與本任務工作目錄平級）。每個決策檔案為獨立 md 檔案（YAML frontmatter + 正文，≤ 100 行/檔），不複製 SSOT 內容。
MA 決策檔案目錄結構（與 SR 聯合時複用 SR 的 01-08）：
decisions/
01_type_decision.md # L1：含心理學場景判定（關鍵 — 決定 L11 載入 JARS-Quant）
02_research_question.md # L2：PICO + 效應量預設
03_mode_decision.md # L3：嚴格 vs 學習
07_data_types.md # L7：雙人提取欄位
08_rob_tool_decision.md # L8：RoB 工具
09_synthesis_decision.md # L9：FE/RE/RVE/三層/MASEM 選擇 + k 閾值
09.1_effect_size.md # L9.1：效應量類型 + SE 反算
09.4_model_selection.md # L9.4：FE vs RE
09.5_heterogeneity.md # L9.5：I² / Q / τ² / 95% PI
09.6_subgroup.md # L9.6：k≥10 啟用
09.9_publication_bias.md # L9.9：4+ 工具
10_grade_decision.md # L10
11_reporting_standard.md # L11：APA MARS Table 9 + PRISMA 2020 + 12 處差異
獨立 MA 入口決策檔案脚手架（關 BK-1，必讀）：MA 第一個可執行步驟 L9.1 必讀 decisions/01/02/07/08（§3.3 跨階段強制必讀 + decision-provenance §3），但這 4 個檔案的生產者在 SR L1-L8。兩條入口分別這樣落地，避免獨立入口「必讀卻無人創建」而卡死：
- 聯合路徑（
path: combined_with_sr）：SR L1-L8 已產出01/02/03/07/08（共用同一decisions/目錄）→ MA 直接讀取不重寫（銜接門見 §13.1 N-4）。 - 獨立 MA 入口（
path: standalone，使用者已自行完成 L1-L8、直接進 MA）：主 Agent 在派 L9.1 之前，把使用者已完成的 L1-L8 結論寫入01_type_decision.md（含心理學判定）/02_research_question.md（PICO + 效應量預設）/07_data_types.md（資料類型 + 信度 + n）/08_rob_tool_decision.md——直接拷貝review-methodology-foundations/decisions_templates/對應的空白模板骨架填寫（模板含 frontmatter + 決策結論/依據/上下游/校驗結構）。 - 結構性阻斷門（非「prompt 提醒」）：
01/02/07/08缺任一 → preflight 阻斷 L9.1（視為「未讀決策檔案直接執行」）；不允許主 Agent 即興補寫無模板的決策檔案，也不允許跳過這 4 個檔案直接派 Extractor。
decisions_templates/是空白模板骨架（S4 建，路徑review-methodology-foundations/decisions_templates/），覆蓋 SR 11 類 + MA 5 個 09.x 子階段 + 監督產物04a/07a/09.x_audit。它是「給 01/02/07/08 一個可拷貝的起點」，本身不是決策實例。
跨階段強制必讀：L9/L10/L11/L12 階段的所有 SubAgent prompt 必含：
**必讀（決策檔案）**：
- decisions/01_type_decision.md（含心理學判定 → L11 載入 JARS-Quant 的依據）
- decisions/02_research_question.md
- decisions/03_mode_decision.md
- decisions/07_data_types.md
- decisions/08_rob_tool_decision.md
- decisions/09*.md（按本階段需要選 09.1/09.4/09.5 等）
- decisions/10_grade_decision.md（僅 L11/L12）
- decisions/11_reporting_standard.md（僅 L12）
主 Agent 在 L11 寫作前必須二次驗證：當前 L11 SubAgent 計劃的報告標準與 decisions/01_type_decision.md（含心理學判定）+ decisions/11_reporting_standard.md 一致。心理學場景必須疊加 JARS-Quant Table 9 在 PRISMA 2020 之上。不一致即阻斷。詳見 references/decision-provenance.md。
3.4 必須親自做 vs 必須外包
| 必須親自做 | 必須外包給 SubAgent |
|---|---|
| 閱讀使用者需求 + 關鍵檔案 | 任何 R 程式碼生成（按 §5 R 套件路徑選擇 + 模板） |
| 決定是否走「SR L1-L8 + MA L9-L12」聯合工作流程 | 任何效應量提取/轉換的具體執行 |
| 撰寫規劃文件（L9 子順序、R 套件、模型選擇理由） | 任何模型擬合輸出的解讀 |
| 評估每輪 SubAgent 產出（計算正確性 / 模型合理性 / PB 穩健性） | 任何出版偏誤檢驗的具體執行與解讀 |
| 與使用者的關鍵溝通（資料格式確認、模型仲裁、最終交付） | 任何 APA MARS 報告章節的撰寫 |
| 決策檔案的寫入與維護 | — |
3.5 不允許的妥協
- 不允許主 Agent 直接寫 R 程式碼 / 直接呼叫 MCP（PRES-003）
- 不允許 SubAgent 替主 Agent 做「是否信任合併效應」的最終判斷
- 不允許跳過出版偏誤檢驗或異質性揭露階段
- 不允許 I² > 75% 時僅呈現合併效應作為主要結論（違反 SSOT-AI-FAILURE-DEFENSES §3）
- 不允許 k < 5 時強行使用 RVE / 三層統合分析（詳見 §4.2 L9.3）
- 不允許 k < 10 時強行進行 publication bias 檢驗（詳見 §11.5）
4. 完整工作流程（12 階段對齊）
按 12 階段對齊（參見 SSOT-LIFECYCLE-12-PHASES.md）。MA 在 SR 基礎上 L9 大幅擴展為 10 個子階段。
4.1 12 階段總覽（L1-L8 預設由 SR 完成）
| 階段 | 關鍵產出 | 決策檔案 | SSOT |
|---|---|---|---|
| L1 | 類型識別（含心理學判定） | 01_type_decision.md | SSOT-REVIEW-TYPES |
| L2 | PICO + 效應量預設 | 02_research_question.md | SSOT-PICO-FRAMEWORKS |
| L3 | 嚴格 vs 學習模式 | 03_mode_decision.md | SSOT-MODE-PROFILES |
| L4 | 檢索（PsycINFO + ClinicalTrials.gov + 灰色文獻） | — | SSOT-SEARCH-STRATEGY |
| L5-L6 | PRISMA 流程 + 雙盲篩選 | — | SSOT-PRISMA-FLOW-DIAGRAM |
| L7 | 雙人提取（含 ES + SE + 信度 + n） | 07_data_types.md | SSOT-EXTRACTION-FIELDS |
| L8 | RoB（含 Metapsy 心理治療擴展） | 08_rob_tool_decision.md | SSOT-ROB-TOOL-MAPPING |
| L9 | 定量合併（10 子階段，本 Skill 核心） | 09*.md | SSOT-SYNTHESIS-METHODS + SSOT-EFFECT-SIZE-DECISION |
| L10 | GRADE | 10_grade_decision.md | SSOT-GRADE-FRAMEWORK |
| L11 | APA MARS + PRISMA 2020 + ssci-plots 聯動 | 11_reporting_standard.md | SSOT-REPORTING-STANDARDS |
| L12 | AMSTAR 2 自評 | — | SSOT-AMSTAR-2-CHECKLIST |
如果使用者未完成 L1-L8，主 Agent 先建議切換到 systematic-review。
4.2 L9：定量合併（10 子階段，第一個可執行步驟）
L9.1 效應量提取（第一個可執行步驟）：派發前 preflight（關 BK-1/BK-7）——① 確認 decisions/01/02/07/08 已就緒（獨立入口按 §3.3 脚手架先建、聯合入口由 SR 產；缺則阻斷）；② 聯合路徑必讀 decisions/09_synthesis_decision.md 的切換結論（≠「推薦切 MA」則阻斷，見 §13.1 N-4）。preflight 通過後派 Effect-Size-Extractor → 5 決策樹（D1 二分 / D2 連續 / D3 有序 / D4 計數 / D5 生存）+ 7 SE 反算公式 + 8 unit-of-analysis + 零事件處理。詳見 references/L9.1-effect-size-extraction.md。SSOT：SSOT-EFFECT-SIZE-DECISION §1-§5。
L9.2 效應量校正：派 Correction-Agent → Hedges' g 校正（預設 N < 60 關鍵，校正失敗回退見 §11.6）+ Hunter-Schmidt artifact correction（僅心理學量表）。Bare-bones vs Psychometric 模式選擇。詳見 references/L9.1-effect-size-extraction.md §3 + references/L9-psychology-special.md。
L9.3 相依性處理（k 閾值決策）：判斷相依性 → 選擇方法。
| 情境 | 推薦方法 | k 閾值 | R 套件 |
|---|---|---|---|
| 多 outcome / 多時點 / 多對照，相依結構未知 | RVE | k ≥ 5（< 5 不允許） | robumeta + clubSandwich |
| 層級明確 + k ≥ 20 | 三層統合分析 | k ≥ 20（< 20 給予 CR2 校正；< 5 不允許） | metafor rma.mv() |
| 多變量關係建模（中介/調節） | MASEM | k ≥ 10 | metaSEM |
| k < 5 | 不允許 RVE / 三層統合分析 | — | 採用單研究敘述 + sensitivity 單獨報告（A 級替代路徑） |
派 Dependency-Agent。詳見 references/L9-psychology-special.md。
L9.4 固定/隨機效應模型選擇：派 Model-Selection-Agent → 決策樹 + 預設 RE（FE 僅在干預真無效假設下）+ τ² 估計器（REML 預設）+ HKSJ CI（k > 2 + τ² > 0 時優於 Wald）+ k=2-4 決策表（詳見 §11.4）。詳見 references/L9.4-fixed-random-models.md。
預設 RE 模型的誠實揭露（L9.4 末尾必嵌入 — C4 三段體例）： 段 1（教材原假設）：FE vs RE 選擇依賴研究者對異質性的判斷（Borenstein 2009; Cochrane §10）。 段 2（LLM 實現差異）：本統合分析預設採用 RE，FE 僅在干預真無效假設下使用。差異 3 處：(1) 無顯式使用者提供異質性假設；(2) k < 10 時使用 HKSJ；(3) k = 2-4 時執行 FE+RE 雙 sensitivity（Cochrane v6.5 §10.10.4）。 段 3（緩解 + Limitations）：報告 FE+RE 雙結果；k ≥ 5 報 PI；心理學場景 + k < 5 報 PI 但顯式標註「normal 假設不穩健」。在 Discussion 揭露預設 RE 的方法學選擇。
L9.5 異質性檢驗：派 Heterogeneity-Agent → Q + I² + τ² + 95% PI（k ≥ 5 必報；心理學必報）。I² > 75% 不允許僅呈現合併效應；I² > 90% 完全禁止合併 + 強制執行 subgroup / meta-regression（詳見 §11.5）。詳見 references/L9.5-heterogeneity.md。
L9.6 次群體分析（k ≥ 10）：派 Subgroup-Agent → 預設 vs 事後必須區分（JARS Table 9 §METHOD §6）+ 正式統計檢驗次群體間（不允許僅比較次群體內 P 值）+ ICEMAN 6 維度。詳見 references/L9.6-subgroup-metaregression.md。
L9.7 Meta-regression（k ≥ 10）：派 Metaregression-Agent（與 L9.6 可並行）→ 每個分類特徵 ≥ 10 項觀察 + 比率類使用 log-transformed。詳見 references/L9.6-subgroup-metaregression.md。
L9.8 敏感性分析：派 Sensitivity-Agent（串行於 L9.5 之後——leave-one-out / FE vs RE / τ² 估計器對照 / 排除高 RoB 重算都需要 L9.5 已定的模型基線，不與 L9.5 並行；與 L9.9 可並行）→ Leave-one-out + FE vs RE vs HKSJ + 不同 τ² 估計器 + 不同 effect measure + 排除高 RoB 重算。
L9.9 出版偏誤：派 PublicationBias-Agent → 核心必做（funnel + Egger/Harbord/Peters；k ≥ 10 才有效，詳見 §11.5）；心理學補充 ≥ 1（p-curve / PET-PEESE / RoBMA / Selection models）。相依效應量（L9.3 判定三層統合分析/RVE）→ 發表偏差使用 Egger-MLMA（scripts/egger_mlma.R），非單層級 Egger；RoBMA 需 JAGS 預設不選（缺則降級 puni_star+PET-PEESE）。Trim-and-fill 已被 Cochrane v6.5 降級（僅作敏感性分析）。詳見 references/L9.9-publication-bias.md。
L9.10 MASEM（按需）：僅中介/調節 SEM 綜合啟用。TSSEM / One-Stage MASEM。詳見 references/L9-psychology-special.md §3。
4.3 L10：GRADE 證據等級
派 GRADE-Agent → 統合分析專屬考量：不精確（CI 跨決策閾值）、不一致（I² > 50% 通常降級）、出版偏誤（funnel 不對稱 + Egger p < 0.10 降級）+ 結合 RoB 2 / ROBINS-I。SSOT：SSOT-GRADE-FRAMEWORK。
4.4 L11：報告（APA MARS Table 9 + PRISMA 2020 + 聯動產圖）
派 Write-Agent（2-2-1 備份法）+ 報告標準核對 SubAgent。
- APA MARS Table 9：13 章節完整對接
- PRISMA 2020：27 條清單
- JARS-Quant 12 處差異（心理學場景 — 由決策檔案 01_type_decision.md 心理學判定觸發）：預先/事後假設分組、心理計量學特徵、構念效度、測量誤差偽跡、moderator vs subgroup、效應量+CI 強制、Hedges 校正、Bayesian 先驗、統計程式碼位置、不利效應章節
- 聯動 ssci-plots：森林圖、漏斗圖（contour-enhanced）、SoF 表
詳見 references/L11-mars-reporting.md。SSOT：SSOT-REPORTING-STANDARDS §1.3.1 + §3。
4.5 L12：自評（AMSTAR 2 統合分析維度）
派 Self-Assessment Agent → AMSTAR 2 16 項 + 7 關鍵域。SSOT：SSOT-AMSTAR-2-CHECKLIST。
5. R 套件路徑（按議題映射）
| 議題 | 主 R 套件 | 程式碼模板 |
|---|---|---|
| 標準統合分析（FE/RE） | metafor | scripts/metafor_basic.R |
| 相依效應量（RVE） | robumeta + clubSandwich + wildmeta | scripts/rve_clubSandwich.R |
| 相依效應量發表偏差（Egger-MLMA） | metafor rma.mv / robumeta+clubSandwich | scripts/egger_mlma.R |
| 三層統合分析 | metafor rma.mv() | scripts/metafor_basic.R（含 rma.mv 區塊） |
| 心理計量（Hunter-Schmidt） | psychmeta | scripts/psychmeta_hunter_schmidt.R |
| MASEM | metaSEM（+ OpenMx / lavaan） | scripts/metaSEM_masem.R |
| p-curve / p-uniform | puniform · dmetar::pcurve | scripts/puniform_pcurve.R |
| PET-PEESE | stats::lm（WLS 原始實作；metafor mods 為可辯護變體，須揭露） | scripts/metafor_basic.R §11 + references/L9-r-code-templates.md §8 |
| Selection models | weightr | （範例程式碼） |
| RoBMA | RoBMA | 需 JAGS 系統函式庫（本機缺）→ 預設不選，降級 puni_star + PET-PEESE（見 §11.2 / L9.9 §4.3） |
| 貝氏統合分析 | brms · rstanarm · bayesmeta | （進階，按需） |
橋接哲學：本 Skill 由 Claude Code 在本地 R 環境直接執行 Rscript（metafor 等）跑出統計結果——不再產生程式碼讓使用者複製到外部環境執行後回填。print(summary()) + warnings() + sessionInfo() 原始輸出原樣進審計包（側車檔案 + 審核卡⑤段下鑽），可重現；阻斷/揭露紅燈由 scripts/audit_parse.R 從 rma 物件欄位直接算出 flag JSON，不靠 LLM 讀 summary 文字。保留的原則內核：不編造統計結果、人在簽核點擔責、可重現。詳見 references/L9-r-code-templates.md。
LLM 中介本地執行工作流程的誠實揭露（嵌入
references/L9-r-code-templates.md頂部 — C4 三段體例）： 段 1（教材原假設）：標準統合分析假設分析師直接編寫並執行 R 程式碼（或使用 JASP / RevMan GUI），完全控制資料輸入、模型設定、輸出驗證。 段 2（LLM 實現差異）：本綜述由 Claude Code 在本地 R 環境直接執行 LLM 生成的Rscript，並把原始輸出（summary / warnings / sessionInfo）留痕納入審計包；阻斷/揭露判定由固定的audit_parse.R從 rma 物件欄位算出，不靠 LLM 解讀輸出文字。這消除了「複製貼上回填 / 預期與實際資料格式錯配」那一類舊風險。仍存在的真實局限：R 程式碼仍由 LLM 生成，可能存在編譯通過但結果錯誤的細微 bug（錯變數名稱 / 錯函數呼叫）——本地執行不能自動證明結果正確。 段 3（緩解 + Limitations）：(1) 腳本經迴歸測試套件（tests/）驗證 + 原始輸出可人工複核，紅燈由 R 計算降低 LLM 讀錯數字的風險；(2) 至少包含一項 sensitivity analysis（leave-one-out / 替代 τ² 估計器）以偵測異常；(3) 人在簽核點對統計判斷拍板擔責；可重現性靠 sessionInfo + 固定腳本。在 Discussion/Limitations 仍應揭露「統計由 LLM 中介的本地自動化工作流程完成」是方法學特徵。
詳見 references/L9-r-code-templates.md。
6. 何時載入哪個 references 檔案
| 何時載入（具體決策動作粒度） | references 檔案 |
|---|---|
| 當主 Agent 在 L9.1 階段需要決策效應量類型 / SE 反算 / unit-of-analysis 時 | references/L9.1-effect-size-extraction.md |
| 當主 Agent 在 L9.4 階段需要決策 FE/RE/HKSJ 時 | references/L9.4-fixed-random-models.md |
| 當主 Agent 在 L9.5 階段需要揭露異質性指標（含 I² > 75% 阻斷決策）時 | references/L9.5-heterogeneity.md |
| 當主 Agent 在 L9.6 / L9.7 階段（k ≥ 10）需要派發 subgroup / meta-regression SubAgent 前 | references/L9.6-subgroup-metaregression.md |
| 當主 Agent 在 L9.9 階段（k ≥ 10）需要派發出版偏誤 SubAgent 前 | references/L9.9-publication-bias.md |
| 當主 Agent 派發任何 R 程式碼生成 SubAgent 前 | references/L9-r-code-templates.md |
| 當心理學場景觸發，主 Agent 在 L9.2-L9.10 中需要決策 8 議題（RVE/三層統合分析/MASEM/H-S/RG）時 | references/L9-psychology-special.md |
| 當主 Agent 在 L11 寫作前需要決策 APA |
…（其餘內容依此類推）