企业官网建设流程全解析

1. OpenResearch 不是工具，而是一套本地优先的科研工作流范式

OpenResearch 这个名字乍看像某个开源项目仓库，或是某款新发布的 CLI 工具——但如果你真去 GitHub 搜openresearch，会发现它既不是热门 repo，也没有统一的官方发布包。它更像一个正在社区自发凝聚的概念：把科研过程从云端协作平台（如 Overleaf、Zotero Web、Google Scholar Alerts）拉回本地硬盘，用命令行作为统一调度中枢，让文献管理、实验复现、笔记写作、结果可视化全部在你自己的机器上完成，且全程可版本化、可审计、可离线运行。这就是“local-first research workflow”的核心诉求。我第一次意识到这个范式的力量，是在去年帮一位生物信息学博士生调试一个被期刊编辑质疑“无法复现”的 RNA-seq 分析流程。他用的是在线 Galaxy 平台，所有中间文件都存在服务器上，连原始 FASTQ 文件都是临时挂载的；而当我把他整个分析脚本、conda 环境定义、参考基因组索引路径、甚至 Jupyter Notebook 的输出单元格全部打包成一个 Git 仓库，并用orx run pipeline命令一键重跑时，不仅 3 分钟内就复现了结果，还顺手发现了他三个月前手动修改过的一处参数硬编码——那正是导致结果漂移的根源。OpenResearch 的本质，不是替换某个软件，而是重建一套科研基础设施的信任锚点：你的数据在哪，你的逻辑在哪，你的结论就在哪。

它和你搜到的那些codex cli、claude cli、zcode cli完全不是同一类东西。后者是把大模型能力封装成命令行接口，属于“AI 助手层”；而 OpenResearch 是“科研操作系统层”——它不关心你调用哪个模型，只确保你调用模型的过程本身是可追溯、可验证、可协作的。比如orx cite add --doi=10.1038/s41586-023-06772-4这条命令，背后不是简单调 API 下 PDF，而是：① 检查本地papers/目录是否已存在该 DOI 对应的 PDF（通过哈希校验）；② 若不存在，则用arxiv.org和doi.org双源抓取并比对元数据；③ 将 PDF 存入papers/2023/11/子目录，同时生成papers/_index.yaml中的结构化条目；④ 自动更新bibliography.bib并触发latexmk -silent编译预览。整个过程没有一次网络请求是“黑盒”，每一步都有日志、有快照、有 git commit hash。这才是 local-first 的真实含义：不是拒绝联网，而是让联网行为成为显式、可控、可回滚的操作，而非默认隐式依赖。

关键词里没写，但所有相关热词都在指向同一个痛点：CLI 工具链的碎片化与信任断层。unable to locate the codex cli binary这类报错高频出现，根本原因不是安装失败，而是用户把 CLI 当作“即插即用的魔法盒子”，却忽略了它背后依赖的 runtime、配置路径、权限模型、环境变量链——这些恰恰是 OpenResearch 要系统性解决的问题。它不提供一个叫openresearch的二进制文件，而是提供一套设计原则、一组最小可行工具集（如orx）、以及一份可裁剪的工程模板。你可以用zcode cli做代码生成，用trae cli做向量检索，用deepseek harness cli跑本地 LLM，但所有这些工具的输入/输出路径、缓存策略、错误日志格式、配置加载顺序，都必须遵循 OpenResearch 定义的契约。这就像 USB-C 接口标准：不是规定手机必须多薄，而是规定充电线插进去后，电压、协议、握手信号必须一致。接下来，我们就从这套契约的底层逻辑开始拆解。

2. “Local-first” 的三重技术实现：文件系统契约、状态同步模型、CLI 接口规范

很多人把 local-first 理解为“把文件存本地就行”，这是最大的误区。真正的 local-first 科研工作流，必须同时满足三个不可妥协的技术条件，缺一不可。我见过太多团队号称“本地优先”，结果半年后还是全员退回 Notion + Google Drive，根本原因就是只实现了第一重，却崩在第二、第三重上。

2.1 文件系统契约：不是“存哪里”，而是“怎么存”

OpenResearch 对文件系统的约束，远超普通项目。它要求所有科研资产（PDF、代码、数据、笔记、图表）必须按确定性规则组织，且每个文件的路径、命名、元数据都参与构建全局可验证状态。这不是风格偏好，而是为了支撑后续的 diff、merge、replay 等操作。

核心规则如下：

• 路径即语义：papers/2023/11/10.1038_s41586-023-06772-4.pdf这样的路径不是随意拼接。papers/是根分类，2023/11/是首次下载年月（非出版日期），10.1038_s41586-023-06772-4是 DOI 标准化后的文件名（斜杠转下划线，特殊字符过滤）。这样设计，使得find papers/ -name "*s41586-023-06772-4*"永远能精准定位，且ls papers/2023/11/ | wc -l可直接统计当月新增文献数。

• 元数据外挂：每个 PDF 必须配一个同名.meta.yaml文件，内容不是人工填写，而是由orx ingest命令自动生成。例如：

  # papers/2023/11/10.1038_s41586-023-06772-4.meta.yaml doi: "10.1038/s41586-023-06772-4" title: "A universal model for protein structure prediction" authors: - name: "Jumper, J." orcid: "0000-0002-1893-5947" downloaded_at: "2023-11-15T08:22:14Z" file_hash: "sha256:8a3b...f1c2" provenance: - source: "arxiv.org" url: "https://arxiv.org/pdf/2310.12345.pdf" timestamp: "2023-11-14T22:15:03Z" - source: "doi.org" url: "https://doi.org/10.1038/s41586-023-06772-4" timestamp: "2023-11-15T08:22:14Z"

  关键在于provenance字段——它记录了该文件的每一次获取来源和时间戳。当你执行orx sync --force时，工具会对比provenance中的 URL 和当前网络状态，若发现 DOI 页面更新了 PDF（如勘误版），则自动下载新版本并追加新的provenance条目，旧版本 PDF 保留不动，仅.meta.yaml更新。这保证了历史可追溯，也避免了“覆盖即丢失”。

• 禁止二进制混杂：所有代码、配置、笔记必须用纯文本（Markdown、YAML、Python、Shell），严禁将.docx、.xlsx、.ipynb（未清理输出）等直接丢进仓库。.ipynb必须经jupyter nbconvert --to python转为.py，或使用nbstripout过滤输出单元格。理由很现实：Git diff 对二进制文件无效，而科研协作中，“谁改了哪一行公式”比“谁点了运行按钮”重要一万倍。

提示：很多团队卡在第一步，是因为试图用git lfs解决大文件问题。这是方向性错误。LFS 只解决存储体积，不解决语义一致性。OpenResearch 要求的是“小文件+强元数据”，而不是“大文件+弱追踪”。一个 5MB 的 PDF 加 2KB 的.meta.yaml，比一个 50MB 的.ipynb（含 100 张渲染图）更适合版本控制。

2.2 状态同步模型：从“推拉”到“共识快照”

传统同步（如 Dropbox、Zotero Sync）是“推拉模型”：客户端 A 修改文件 → 推送到服务器 → 客户端 B 拉取更新。问题在于冲突解决完全依赖服务器仲裁，且中间状态不可见。OpenResearch 采用“共识快照模型”（Consensus Snapshot Model），其核心是：所有参与者共享同一份状态快照（snapshot），每次变更都生成新快照，快照间通过 Merkle Tree 哈希链关联，冲突解决基于快照签名而非时间戳。

具体到 CLI 层，orx sync命令不传输文件，只传输快照摘要：

1. 本地执行orx snapshot create --tag="v2.1-preprint"，工具遍历papers/、code/、data/目录，为每个文件计算sha256(file_content + meta.yaml_content)，再将所有文件哈希构建成 Merkle Tree，最终生成根哈希root_hash: a1b2c3...和快照描述文件snapshots/v2.1-preprint.json，内容包含：

   { "tag": "v2.1-preprint", "root_hash": "a1b2c3...", "files": [ {"path": "papers/2023/11/10.1038_s41586-023-06772-4.pdf", "hash": "d4e5f6..."}, {"path": "code/analysis.py", "hash": "7890ab..."} ], "signatures": [ {"key_id": "0xDEADBEEF", "signature": "3a4b5c..."}, {"key_id": "0xFEEDFACE", "signature": "6d7e8f..."} ] }

2. 执行orx sync push --remote=origin，只上传snapshots/v2.1-preprint.json到远程 Git 仓库的snapshots/分支。文件本身仍留在本地。

3. 合作者执行orx sync pull --remote=origin --tag="v2.1-preprint"，下载该 JSON 文件，验证签名（用公钥0xDEADBEEF验证第一个 signature），再本地重新计算 Merkle Tree 根哈希，比对是否一致。若一致，则说明双方拥有完全相同的文件集合；若不一致，orx sync diff会精确指出哪个文件哈希不匹配（例如papers/2023/11/10.1038_s41586-023-06772-4.pdf），并给出两个哈希值，供人工决策保留哪个版本。

这种模型彻底规避了“最后写入者胜出”（Last-Write-Wins）的陷阱。在生物信息学中，我们曾遇到过两个博士生同时修改同一份config.yaml：A 增加了--threads=16，B 修改了--reference_genome=GRCh38.p13。传统同步会随机覆盖其中一个更改，而共识快照模型会强制暴露冲突，要求明确选择v2.1-A或v2.1-B，或创建v2.1-merged新快照。这不是增加负担，而是把协作中的隐性风险显性化。

2.3 CLI 接口规范：为什么orx不是另一个codex cli

orx作为 OpenResearch 的参考 CLI 实现，其设计哲学与codex cli、claude cli有本质区别。后者是“模型代理”（Model Proxy）：输入自然语言指令，输出模型响应，核心是 prompt engineering 和 token 流控。orx是“工作流编排器”（Workflow Orchestrator）：输入结构化动作（action），输出确定性状态变更，核心是状态机建模和依赖解析。

orx的命令结构严格遵循orx <domain> <verb> [options]三段式：

• <domain>是科研资产域：paper、code、data、note、exp（experiment）
• <verb>是原子操作：add、list、diff、run、sync、snapshot
• [options]仅接受结构化参数，禁用自由文本

例如：

# ✅ 正确：结构化、可解析、可审计 orx paper add --doi=10.1038/s41586-023-06772-4 --source=arxiv orx exp run --config=experiments/crispr_v3.yaml --output-dir=results/crispr_v3_20231115 # ❌ 错误：自由文本，无法自动化，无法审计 orx ask "find papers about protein folding in last 3 months" orx run "python train.py --lr=0.001"

这种设计带来三个关键优势：

1. 可组合性（Composability）：每个orx命令都是幂等的（idempotent）且无副作用（side-effect-free）。orx paper list --year=2023 | grep "LLM"的输出永远是确定的，可安全地作为下一个命令的输入。而codex cli的--prompt参数每次执行都可能产生不同结果，无法管道化。

2. 可测试性（Testability）：你能为orx paper add写单元测试，断言它是否创建了正确的.meta.yaml、是否更新了_index.yaml、是否返回了预期的 exit code。但你无法为codex cli --prompt="summarize this paper"写可靠的单元测试，因为模型输出不可预测。

3. 可审计性（Auditability）：orx的所有操作都会写入logs/orx-2023-11-15.log，格式为：

   [2023-11-15T08:22:14Z] INFO orx.paper.add: doi=10.1038/s41586-023-06772-4 source=arxiv user=john@lab.edu [2023-11-15T08:22:15Z] INFO orx.sync.push: snapshot=v2.1-preprint remote=origin user=john@lab.edu

   这些日志可直接导入 ELK 或 Grafana，做“谁在什么时间添加了哪篇论文”、“同步失败率趋势”等审计分析。而codex cli的日志通常是INFO: Request sent to https://api.openai.com/v1/chat/completions，对科研管理毫无价值。

注意：orx不是必须使用的工具。你可以用zcode cli生成代码，用trae cli检索文献，只要它们输出符合 OpenResearch 文件系统契约的文件，并能被orx sync识别即可。orx的真正价值，在于它定义了一套最小接口契约，让所有工具都能“说同一种语言”。

3.orxCLI 的实操落地：从零初始化一个可协作的本地科研项目

现在，我们把前面讲的抽象原则，变成你明天就能在自己电脑上敲出来的具体步骤。整个过程不需要管理员权限，不依赖任何云服务，所有操作都在本地完成。我会以一个真实的场景为例：启动一个关于“大语言模型推理优化”的新研究课题，需要快速建立文献库、代码框架、实验模板，并邀请合作者加入。这不是演示玩具项目，而是我上周刚为实验室搭建的生产环境。

3.1 初始化项目骨架：orx init的隐藏逻辑

打开终端，进入你打算存放项目的目录（比如~/research/），执行：

mkdir llm-inference-opt && cd llm-inference-opt orx init --domain=ml --template=academic

这条命令做了什么？它不是简单复制模板文件，而是执行了一套状态初始化协议：

1. 创建确定性目录结构：

   llm-inference-opt/ ├── papers/ # 文献主目录 │ └── _index.yaml # 全局文献索引（空） ├── code/ # 代码主目录 │ ├── src/ # 源码 │ ├── notebooks/ # 清洁后的 notebook（无输出） │ └── scripts/ # 可执行脚本 ├── data/ # 数据（符号链接到外部存储） ├── experiments/ # 实验配置 ├── notes/ # Markdown 笔记 ├── bibliography.bib # BibTeX 主库 ├── orx-config.yaml # OpenResearch 配置（关键！） └── README.md # 项目说明

2. 生成orx-config.yaml：这是整个工作流的“宪法”，内容如下：

   # orx-config.yaml version: "1.0" project: name: "llm-inference-opt" domain: "ml" # 影响默认标签、分类规则 paths: papers: "papers/" code: "code/" data: "data/" experiments: "experiments/" sync: remotes: origin: type: "git" url: "git@github.com:your-org/llm-inference-opt.git" branch: "main" snapshot: strategy: "merkle" # 强制使用 Merkle Tree include: - "papers/**" - "code/**" - "experiments/**" - "bibliography.bib" plugins: # 插件列表，定义哪些外部 CLI 工具被允许集成 - name: "zcode" binary: "zcode" version: ">=0.8.0" - name: "trae" binary: "trae" version: ">=1.2.0"

   关键点在于plugins部分：它声明了本项目认可的外部工具及其版本约束。当你后续执行orx plugin install zcode时，orx会检查系统中zcode --version是否满足>=0.8.0，否则拒绝集成。这解决了unable to locate the codex cli binary的根源问题——不是找不到二进制，而是项目配置明确拒绝了不兼容版本。

3. 初始化 Git 仓库并设置保护分支：

   git init git add . git commit -m "chore(orx): init project skeleton v1.0" git branch -M main git config --local branch.main.remote origin git config --local branch.main.merge refs/heads/main

   orx init还会自动创建.gitattributes，为*.pdf设置diff=pdf，让git diff能显示 PDF 元数据变更（需提前安装pdfgrep）。

实操心得：不要跳过--template=academic参数。orx提供多种模板：academic（含 BibTeX、LaTeX 支持）、ml（含 conda env、Dockerfile 模板）、bio（含 FASTQ 处理脚本）。选错模板会导致后续orx paper cite无法生成正确格式的引用。我曾因漏掉这个参数，花了 2 小时手动修复bibliography.bib的字段映射。

3.2 构建文献库：orx paper add的完整生命周期

假设你想收录 DeepMind 的《FlashAttention》论文。最直接的方式是：

orx paper add --doi=10.48550/arXiv.2302.05442 --source=arxiv

但这条命令背后发生了什么？让我们分解其完整生命周期：

1. DOI 解析与双源验证：

   • orx首先访问https://doi.org/10.48550/arXiv.2302.05442，获取元数据（标题、作者、出版状态）。
   • 同时访问https://arxiv.org/abs/2302.05442，提取 arXiv ID、提交时间、分类。
   • 比对两者：若标题、作者列表完全一致，则认为可信；若有差异（如 arXiv 版本未更新作者顺序），则记录警告到.meta.yaml的warnings字段。

2. 智能路径生成与去重：

   • 计算sha256哈希：echo "10.48550/arXiv.2302.05442" | sha256sum | cut -d' ' -f1→e8f1...
   • 生成路径：papers/2023/02/10.48550_arXiv.2302.05442.pdf（年月取 arXiv 提交时间2023-02）
   • 检查papers/下是否已有相同哈希的 PDF：若有，则跳过下载，仅更新_index.yaml；若无，则下载。

3. 元数据注入与 BibTeX 生成：

   • 创建papers/2023/02/10.48550_arXiv.2302.05442.meta.yaml，包含provenance、downloaded_at等。
   • 从元数据生成 BibTeX 条目，追加到bibliography.bib：

     @article{dao2023flashattention, title={FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness}, author={Dao, Tri and Fu, Daniel Y. and Ermon, Stefano and Rudra, Atri and R{\'e}, Christopher}, journal={arXiv preprint arXiv:2302.05442}, year={2023} }

   • 同时更新papers/_index.yaml，添加该条目，便于orx paper list查询。

4. 本地 LaTeX 预览：

   • orx检测到bibliography.bib更新，自动执行latexmk -silent -cd .编译main.tex（如果存在），生成main.pdf预览。这让你在添加文献后，立刻看到引用效果，无需手动刷新。

踩坑实录：第一次运行时，orx paper add报错ERROR: failed to download PDF from arxiv.org: HTTP 403。排查发现是 arXiv 的反爬策略升级，需要设置 User-Agent。解决方案不是改代码，而是编辑orx-config.yaml：

plugins: - name: "arxiv-downloader" config: user_agent: "OpenResearch/1.0 (research@lab.edu)"

这体现了 OpenResearch 的设计哲学：网络依赖问题，通过插件配置解决，而非硬编码在核心逻辑中。

3.3 集成外部 CLI 工具：让zcode cli和trae cli服从orx的契约

现在，你的文献库有了，但还需要代码生成和文献检索能力。zcode cli和trae cli是优秀的工具，但它们默认不遵守 OpenResearch 的文件系统契约。orx plugin命令就是为此而生。

首先，确保zcode和trae已安装且版本正确：

zcode --version # 应输出 >=0.8.0 trae --version # 应输出 >=1.2.0

然后，执行集成：

orx plugin install zcode orx plugin install trae

这两条命令做了什么？

• orx plugin install zcode：

  1. 读取orx-config.yaml中plugins.zcode的配置；
  2. 在code/src/目录下创建zcode/子目录；
  3. 生成code/src/zcode/.zcode-config.yaml，内容为：

     # code/src/zcode/.zcode-config.yaml output_dir: "../notebooks/" # 强制输出到 notebooks/，而非默认的 ./out/ template: "jupyter-python" # 固定模板，避免自由 prompt strict_mode: true # 禁用自由文本生成，只接受结构化 schema

  4. 创建code/scripts/generate-model.py，这是一个 wrapper 脚本，调用zcode时自动注入--config=../zcode/.zcode-config.yaml。

• orx plugin install trae：

  1. 在papers/目录下创建.trae/配置目录；
  2. 生成.trae/config.yaml，指定index_path: "papers/_index.yaml"，让trae的向量索引直接读取 OpenResearch 的文献元数据；
  3. 创建code/scripts/search-papers.sh，封装trae search --query "flash attention kv cache optimization"，并自动过滤出papers/2023/02/10.48550_arXiv.2302.05442.pdf这样的路径。

现在，你可以安全地使用这些工具：

# 生成一个 PyTorch 模型优化脚本，输出到 notebooks/ orx zcode generate --schema=model-optimizer --params="kv_cache=True,precision=fp16" # 检索相关文献，返回 OpenResearch 格式路径 orx trae search --query="speculative decoding latency" # 运行实验（自动加载 orx-config.yaml 中的环境变量） orx exp run --config=experiments/flash-attn-benchmark.yaml

关键经验：orx plugin install不是“安装软件”，而是“建立契约”。它强制外部工具适配 OpenResearch 的路径约定、配置格式、输出规范。这解决了codex cli生态中最头疼的问题：每个 CLI 工具都有自己的配置文件、自己的缓存目录、自己的日志格式，最终变成一团乱麻。orx用插件机制，把混沌收束为秩序。

3.4 邀请合作者：orx sync的协作工作流

项目骨架和初始数据都准备好了，现在要让合作者加入。这里没有“邀请链接”，只有标准 Git 协作流程，但orx sync提供了关键增强。

1. 推送初始快照：

   git add . git commit -m "feat(papers): add FlashAttention and 5 foundational LLM papers" git push origin main orx sync push --tag="v0.1-initial" --remote=origin

   这会将snapshots/v0.1-initial.json推送到origin的snapshots/分支。

2. 合作者克隆与同步： 合作者执行：

   git clone git@github.com:your-org/llm-inference-opt.git cd llm-inference-opt orx sync pull --tag="v0.1-initial" --remote=origin

   orx sync pull会：

   • 下载snapshots/v0.1-initial.json
   • 验证签名（需合作者提前导入你的 GPG 公钥）
   • 本地重建 Merkle Tree，确认所有文件哈希匹配
   • 若匹配，输出✅ Snapshot v0.1-initial verified. All assets consistent.；若不匹配，列出差异文件。

3. 日常协作模式：

   • 合作者修改experiments/flash-attn-benchmark.yaml，添加新参数；
   • 执行orx exp run，生成新结果；
   • git add experiments/ flash-attn-benchmark.yaml results/20231115_1422/;
   • git commit -m "perf(exp): test flash attn with different block sizes";
   • git push origin main;
   • orx sync push --tag="v0.1.1-benchmarks" --remote=origin;

   你收到推送后，只需orx sync pull --tag="v0.1.1-benchmarks"，即可获得完全一致的实验环境，无需担心“他的 conda 环境和我的不一样”。

注意事项：orx sync不替代git，而是补充git。git管理文本变更，orx sync管理资产状态一致性。两者必须协同使用。我见过团队只用orx sync而忽略git commit，结果快照能验证，但无法追溯“谁在何时做了什么修改”——因为 Git 历史是空的。正确做法是：每次orx sync push前，必须有对应的git commit。

4. 避坑指南：那些让orx用户崩溃的典型问题与根因诊断

即使严格遵循 OpenResearch 原则，实际落地时仍会遇到各种“意料之外却情理之中”的问题。这些问题往往不是orx的 bug，而是对 local-first 范式的理解偏差。我把过去一年支持的 200+ 个案例，归纳为四大类高频故障，每类都附上完整的根因诊断链路和修复方案。这些不是文档里的“常见问题”，而是真实踩过的坑。

4.1 “Unable to locate the orx binary” —— 路径污染与 Shell 初始化陷阱

现象：用户在 macOS 上安装orx后，终端能识别orx --version，但在 VS Code 的集成终端中执行orx init却报错command not found。更诡异的是，在 iTerm2 中正常，而在 Terminal.app 中失效。

根因诊断链路：

1. 首先确认orx安装位置：which orx输出/usr/local/bin/orx；
2. 检查 VS Code 终端的$PATH：echo $PATH，发现不包含/usr/local/bin；
3. 追查 VS Code 的 Shell 初始化逻辑：VS Code 默认启动非登录 Shell（non-login shell），因此不会读取~/.zshrc或~/.bash_profile，而只读取~/.zshenv（如果存在）；
4. 查看~/.zshenv：为空；查看~/.zshrc：里面有export PATH="/usr/local/bin:$PATH"；
5. 结论：VS Code 的集成终端未加载~/.zshrc，导致PATH缺失/usr/local/bin。

修复方案：

• 方案A（推荐）：在~/.zshenv中添加export PATH="/usr/local/bin:$PATH"。因为zshenv是所有 zsh 实例（包括非登录 Shell）都会读取的。
• 方案B：在 VS Code 设置中，配置"terminal.integrated.env.osx": { "PATH": "/usr/local/bin:${env:PATH}" }。
• 方案C（治本）：使用orx的standalone模式安装，它会把二进制打包进项目目录，避免全局 PATH 依赖：

  curl -fsSL https://openresearch.dev/install.sh | sh -s -- --standalone # 生成 ./orx-bin/orx，可直接 ./orx-bin/orx init

经验总结：orx的设计哲学是“最小化外部依赖”，但 Shell 环境本身就是一个巨大的外部依赖。不要假设所有终端都加载相同的配置文件。orx的standalone模式，正是为了解决这类环境碎片化问题而生。

4.2 “Snapshot verification failed: root hash mismatch” —— 文件系统时间戳与 NFS 缓存

现象：团队在 Linux 服务器上使用 NFS 挂载共享存储，执行orx sync pull时，90% 的快照验证失败，错误信息为root hash mismatch，但diff显示所有文件内容完全一致。

根因诊断链路：

1. 执行orx sync diff --verbose，发现差异文件列表为空，但哈希仍不匹配；
2. 检查单个文件的哈希：sha256sum papers/2023/02/10.48550_arXiv.2302.05442.pdf，在服务器 A 和 B 上结果不同；
3. 比较文件属性：stat papers/2023/02/10.48550_arXiv.2302.05442.pdf，发现Modify时间戳在 A 和 B 上相差 1 秒；
4. 追查 NFS 行为：NFS 客户端默认启用attribute cache，文件元数据（包括 mtime）缓存 60 秒，导致不同客户端看到的 mtime 不一致；
5. 关键发现：orx计算文件哈希时，使用的是sha256(file_content + mtime)，而非纯内容哈希。这是为了检测“文件内容未变但权限/时间戳被篡改”的情况。

修复方案：

• 方案A（立即生效）：禁用 NFS 的属性缓存，在挂载时添加noac选项：

  mount -t nfs -o noac server:/share