autoresearch-genealogy
autoresearch-genealogy 是一套专为 AI 辅助家谱研究设计的结构化提示词、知识库模板及档案指南，最初基于 Claude Code 构建，但同样适用于其他 AI 工具或人工工作流。它旨在解决传统家谱研究中效率低下、资料来源难以核实以及研究路径缺乏系统性的痛点，帮助用户在加速挖掘家族历史的同时，严格保持史料引用的严谨性。
这套工具非常适合希望利用 AI 提升研究效率的家谱爱好者、拥有老照片或 DNA 测试结果却不知从何入手的普通用户，以及关注 AI 在人文学科自主研究应用的科技爱好者。其核心亮点在于提供了一套包含 12 个步骤的“自主研究”提示词序列，能够自动执行网页搜索、更新本地知识库并交叉验证数据准确性；同时附带完整的 Obsidian 知识库模板和覆盖全球 24 个国家地区的档案检索指南。通过标准化的工作流，autoresearch-genealogy 让用户能系统化地填补家族树空白、分析时间线缺口并解析遗传数据，将零散的家族记忆转化为结构清晰、证据确凿的历史档案。
使用场景
一位拥有百年家族老照片和 DNA 测试报告的研究者，试图理清跨越六代人的复杂亲属关系，却苦于海量碎片化信息难以整合。
没有 autoresearch-genealogy 时
- 人工检索效率低下：研究者需手动在各国档案网站、墓碑数据库和移民名单中反复搜索，耗时数周仅能推进一代人的线索。
- 证据链断裂且混乱：找到的资料散落在不同文件夹，缺乏统一格式，经常忘记某条信息的来源，导致无法验证真伪。
- 关键盲区难以发现：对于文档中提到的“无名亲戚”或时间线上的空白期，往往因精力有限而被忽略，研究陷入停滞。
- 跨源比对易出错：依靠人眼核对不同记录中的姓名拼写和日期差异，极易遗漏矛盾点，导致家谱出现错误分支。
使用 autoresearch-genealogy 后
- 自主循环加速挖掘：利用内置的 12 个结构化提示词（如
01-tree-expansion），AI 自动遍历网络资源，几天内即可将家谱向后推演数代。 - 标准化知识库构建：直接套用 Obsidian 模板库，所有人物、证书和转录文件自动按规范归档，每条记录强制关联至少两个独立来源。
- 智能缺口分析：通过
07-timeline-gap-analysis和06-unresolved-persons指令，系统主动识别生命事件缺失处并锁定未具名人物，生成针对性调查任务。 - 自动化交叉审计：运行
02-cross-reference-audit自动比对家谱树与原始文档，瞬间标记出日期冲突或来源不一致的地方，确保数据严谨性。
autoresearch-genealogy 将原本需要数月的人工考据工作转化为可验证的自动化流程，让研究者能从繁琐的检索中解脱，专注于家族故事的深度解读。
运行环境要求
- 未说明
不需要
未说明
快速开始
自动研究-家谱
用于AI辅助家谱研究的结构化提示、资料库模板和研究工作流。专为Claude Code打造，可适配任何AI工具或手动流程。
本项目提取并概括了一项实际家谱研究中所开发的方法。该研究利用Claude Code的自主研究能力，生成了涵盖6条家族线、9个世代共105个文件。
适用人群
- 家谱研究者：希望借助AI加速家族史研究，同时不牺牲资料严谨性的人。
- AI/科技爱好者：想要了解自主研究循环在人文领域具体应用案例的人。
- 所有人：只要家中有一箱老照片、一份DNA检测报告，以及关于家族的未解之谜，都适合使用本项目。
快速入门
- 克隆此仓库
- 将
vault-template/文件夹复制到你的Obsidian资料库（或任何Markdown编辑器）中 - 在
Family_Tree.md中填写你已知的信息（从自己开始，逐步追溯） - 扫描你拥有的纸质文件（证书、照片、信件等）
- 打开Claude Code，粘贴
prompts/01-tree-expansion.md的内容并运行 - 审查结果后，再运行
prompts/02-cross-reference-audit.md进行验证
完整操作指南请参阅workflows/getting-started.md。
包含内容
提示（prompts/）
专为Claude Code的/autoresearch命令设计的12个自动研究提示。每个提示都定义了目标、度量标准、方向、验证条件、安全措施、迭代次数和执行协议。这些提示能够自主运行：在网络上搜索、更新你的资料库，并验证自身的工作成果。
| 提示编号 | 目的 |
|---|---|
| 01-tree-expansion | 利用网络研究将每一条分支尽可能地向前推进 |
| 02-cross-reference-audit | 查找并修正家谱与原始资料之间的不一致之处 |
| 03-findagrave-sweep | 为每位已故祖先找到Find a Grave上的纪念页面 |
| 04-gedcom-completeness | 确保GEDCOM文件与你的资料库数据一致 |
| 05-source-citation-audit | 核实每位人物记录至少引用了两个独立来源 |
| 06-unresolved-persons | 识别并解决文档中提到但尚未命名的人物 |
| 07-timeline-gap-analysis | 寻找本应有记录却未能找到的生活事件 |
| 08-open-question-resolution | 有条不紊地解决所有未完成的研究问题 |
| 09-bygdebok-extraction | 从数字化的地方志中提取数据（适用于任何国家） |
| 10-colonial-records-search | 搜索1800年以前的美国殖民时期祖先记录 |
| 11-immigration-search | 查找移民船乘客名单及入籍记录 |
| 12-dna-chromosome-analysis | 分析按染色体划分的祖先信息，绘制遗传片段图 |
资料库模板（vault-template/）
包含19个文件：一套完整的Obsidian资料库入门套件，采用YAML前端标记，纯Markdown格式，可在任何地方轻松阅读。
- 核心文件：家谱树、研究日志、待解决问题、数据清单、时间线、遗传档案、染色体图谱、证人网络、未解决人物、研究策略
- 模板：人物、转录文本、证书、明信片、地区、姓氏、假设、草拟信件
档案指南（archives/）
24份针对不同国家和地区编写的指南，涵盖在哪里可以找到相关记录、哪些资源是免费的、哪些需要付费，以及哪些AI工具可以直接访问、哪些则需要通过浏览器操作。
欧洲：爱尔兰、英格兰/威尔士、苏格兰、法国、意大利、西班牙/葡萄牙、德国、荷兰、奥地利、匈牙利、挪威、瑞典、波兰、俄罗斯/乌克兰
美洲：美国（殖民地时期、移民、人口普查、户籍记录）、非裔美国人、加拿大、墨西哥/拉丁美洲
大洋洲：澳大利亚/新西兰
跨国：犹太家谱
参考指南（reference/）
9份方法论文档：置信度分级、资料层级结构、DNA解读的安全边界、命名规范（父名、农场名称、昵称）、GEDCOM格式指南、常见陷阱、术语表、AI能力评估，以及在家谱研究中采用自动研究的理由。
工作流（workflows/）
7份分步指南：快速入门、OCR处理流程、新祖先录入、文档分类、口述历史流程、差异解决、阶段规划。
示例（examples/）
6个匿名化的实际案例，展示了自动研究的具体应用：家谱扩展会话、交叉引用审核、DNA与家谱的映射、姓名解析、殖民地时期的深入研究。
哲学理念
结构化的自主研究，辅以机械式验证，而非AI的猜测。
家谱研究不同于大多数AI任务。这里没有“编译器”。不同的资料来源之间常常存在分歧。研究结论的可信度是概率性的，而非非黑即白。例如，某条记录中显示为“Sakkarias”，而另一条记录中却是“Zacharias”，这两种写法都有可能是正确的。又或者，一个来源标注出生年份为1820年，而另一个来源则是1925年，这几乎可以肯定其中必有一处错误。
自动研究方法正是为此而设计的，其特点如下：
- 设定可衡量的指标（有来源支持的主张数量、已解决的问题数量、剩余的不一致之处数量）
- 要求每次迭代后进行验证（通过交叉核对来审计，而非单纯地积累信息）
- 记录负面结果（你搜索过但未找到的内容，与你找到的内容同样重要）
- 维持置信度分级（强信号 / 中等信号 / 推测性），而不是将所有主张一视同仁。
这一理念受到Andrej Karpathy提出的自动研究概念的启发：即由AI驱动的自主目标导向循环，AI会在其中修改、验证、保留或舍弃信息，并不断重复。应用于家谱研究时，“编译器”被交叉核对独立来源的过程所取代。
许可证
MIT许可证。详情请参阅LICENSE文件。
贡献
欢迎贡献！如果你有对自己研究有效的提示、工作流或档案指南，请提交Pull Request。请确保所有示例均使用占位符名称，不得包含真实的家族数据。
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。