diff --git a/.claude/agents/database-ingestor.md b/.claude/agents/database-ingestor.md
index dde35af..da054a4 100644
--- a/.claude/agents/database-ingestor.md
+++ b/.claude/agents/database-ingestor.md
@@ -10,7 +10,6 @@ description: |
     输入参数：{"workspace": ".trending-workspace/..."}
 model: inherit
 color: green
-tools: Read, Write, Bash
 ---
 
 # 批量入库器 Agent
diff --git a/.claude/agents/deduplicator.md b/.claude/agents/deduplicator.md
index 86d88c7..6460cd5 100644
--- a/.claude/agents/deduplicator.md
+++ b/.claude/agents/deduplicator.md
@@ -10,7 +10,6 @@ description: |
     输入参数：{"workspace": ".trending-workspace/..."}
 model: inherit
 color: purple
-tools: Read, Write, Bash
 ---
 
 # 统一去重器 Agent
diff --git a/.claude/agents/project-analyzer.md b/.claude/agents/project-analyzer.md
index 62de664..48cdb29 100644
--- a/.claude/agents/project-analyzer.md
+++ b/.claude/agents/project-analyzer.md
@@ -10,7 +10,6 @@ description: |
     输入参数：{"workspace": ".trending-workspace/..."}
 model: inherit
 color: blue
-tools: Read, Write, Bash
 ---
 
 # 项目分析器 Agent
@@ -29,21 +28,39 @@ tools: Read, Write, Bash
 
 ```json
 {
-  "workspace": ".trending-workspace/..."
+  "workspace": ".trending-workspace/...",
+  "taskId": 5
 }
 ```
 
+**参数说明**:
+- `workspace`: 工作区路径
+- `taskId`: 要处理的单个任务 ID（对应 task-queue.json 中的任务编号）
+
 ## 执行步骤
 
 ### Step 1: 读取任务队列
 
-从工作区读取 `task-queue.json`，获取所有 `status: "pending"` 的任务。
+从工作区读取 `task-queue.json`，获取所有任务数据。
 
-### Step 2: 处理每个项目
+### Step 2: 获取指定任务
 
-对每个待处理项目：
+根据 `taskId` 参数从任务队列中找到对应的任务。
 
-#### 2.1 访问项目页面
+**验证**:
+- 确认任务存在
+- 确认任务状态为 `pending`（避免重复处理）
+- 如果任务状态不是 `pending`，直接退出并返回当前状态
+
+### Step 3: 更新任务状态为 processing
+
+将任务状态从 `pending` 更新为 `processing`（防止其他实例重复处理）。
+
+### Step 4: 处理单个项目
+
+对指定的项目执行以下操作：
+
+#### 4.1 访问项目页面
 
 使用 chrome-devtools-mcp 访问项目 URL：
 
@@ -51,7 +68,7 @@ tools: Read, Write, Bash
 - **Hugging Face 模型**: 访问 Hugging Face 模型页面
 - **Papers with Code**: 访问项目/论文页面
 
-#### 2.2 提取详细信息
+#### 4.2 提取详细信息
 
 从页面提取以下信息：
 
@@ -77,7 +94,7 @@ tools: Read, Write, Bash
 - 任务类别
 - 引用数
 
-#### 2.3 理解项目价值（核心）
+#### 4.3 理解项目价值（核心）
 
 **项目用途**：项目能做什么？
 - 核心功能是什么？
@@ -95,7 +112,7 @@ tools: Read, Write, Bash
 
 从页面内容中提炼这些信息，用用户友好的语言描述。
 
-#### 2.4 生成中英双语内容
+#### 4.4 生成中英双语内容
 
 **name / nameEn**: 项目名称翻译
 - 通常保持英文名称不变
@@ -113,7 +130,7 @@ tools: Read, Write, Bash
 - **技术特点**: 技术亮点
 - **使用指南**: 快速开始或使用示例
 
-#### 2.5 提取结构化标签（1-10 个）
+#### 4.5 提取结构化标签（1-10 个）
 
 从以下来源提取标签：
 - GitHub Topics
@@ -133,7 +150,7 @@ tools: Read, Write, Bash
 }
 ```
 
-#### 2.6 构造外部链接数组（1-10 个）
+#### 4.6 构造外部链接数组（1-10 个）
 
 收集项目相关链接：
 
@@ -159,7 +176,7 @@ tools: Read, Write, Bash
 }
 ```
 
-#### 2.7 计算质量评分
+#### 4.7 计算质量评分
 
 总分 100 分，>= 40 分通过：
 
@@ -192,68 +209,69 @@ function calculateQualityScore(project): number {
 }
 ```
 
-#### 2.8 更新任务状态
+#### 4.8 更新任务状态
 
 将任务状态从 `pending` 更新为 `completed` 或 `failed`（质量不足）。
 
-### Step 3: 输出分析结果
+### Step 5: 更新任务状态为最终状态
 
-输出 `analyzed-projects.json`：
+将任务状态从 `processing` 更新为：
+- `completed` - 质量评分 >= 40
+- `failed` - 质量评分 < 40 或处理出错
 
+### Step 6: 输出分析结果
+
+输出 `analyzed-project-{taskId}.json`（避免多实例文件冲突）：
+
+**成功情况**：
 ```json
 {
-  "metadata": {
-    "totalTasks": 35,
-    "processed": 35,
-    "passed": 32,
-    "failed": 3,
-    "failureReasons": {
-      "lowQuality": 3
-    }
-  },
-  "projects": [
-    {
-      "source": "github",
-      "name": "LangChain",
-      "nameEn": "LangChain",
-      "description": "通过组合性构建大型语言模型应用程序的框架，支持链式调用、代理、工具集成等核心功能。",
-      "descriptionEn": "Building applications with LLMs through composability",
-      "content": "README 的完整 Markdown 内容...",
-      "contentEn": "README content...",
-      "status": "ACTIVE",
-      "source": "GITHUB_TRENDING",
-      "tags": [
-        { "name": "LLM", "nameEn": "Large Language Model" },
-        { "name": "Python", "nameEn": "Python" },
-        { "name": "框架", "nameEn": "Framework" }
-      ],
-      "links": [
-        {
-          "type": "GITHUB",
-          "url": "https://github.com/langchain-ai/langchain",
-          "title": "GitHub 仓库"
-        },
-        {
-          "type": "WEBSITE",
-          "url": "https://python.langchain.com",
-          "title": "官方文档"
-        }
-      ],
-      "qualityScore": 85
-    }
-  ]
+  "taskId": 5,
+  "success": true,
+  "project": {
+    "source": "github",
+    "name": "LangChain",
+    "nameEn": "LangChain",
+    "description": "通过组合性构建大型语言模型应用程序的框架，支持链式调用、代理、工具集成等核心功能。",
+    "descriptionEn": "Building applications with LLMs through composability",
+    "content": "README 的完整 Markdown 内容...",
+    "contentEn": "README content...",
+    "status": "ACTIVE",
+    "source": "GITHUB_TRENDING",
+    "tags": [
+      { "name": "LLM", "nameEn": "Large Language Model" },
+      { "name": "Python", "nameEn": "Python" },
+      { "name": "框架", "nameEn": "Framework" }
+    ],
+    "links": [
+      {
+        "type": "GITHUB",
+        "url": "https://github.com/langchain-ai/langchain",
+        "title": "GitHub 仓库"
+      },
+      {
+        "type": "WEBSITE",
+        "url": "https://python.langchain.com",
+        "title": "官方文档"
+      }
+    ],
+    "qualityScore": 85
+  }
 }
 ```
 
-## 并行处理策略
-
-支持多个 Project Analyzer 实例同时运行：
-
-1. 每个实例读取 `task-queue.json`
-2. 获取 `status: "pending"` 的第一个任务
-3. 将任务状态更新为 `processing`（防止其他实例重复处理）
-4. 处理任务
-5. 将任务状态更新为 `completed` 或 `failed`
+**失败情况**：
+```json
+{
+  "taskId": 5,
+  "success": false,
+  "error": "质量评分不足",
+  "errorDetails": {
+    "qualityScore": 25,
+    "threshold": 40
+  }
+}
+```
 
 ## 错误处理
 
@@ -266,7 +284,7 @@ function calculateQualityScore(project): number {
 ## 输出
 
 成功后，返回：
-- 处理任务数量
-- 通过质量评分的项目数量
-- 失败项目数量及原因
-- analyzed-projects.json 路径
+- taskId（处理的任务 ID）
+- success（是否成功）
+- 项目数据（成功时）或错误信息（失败时）
+- analyzed-project-{taskId}.json 路径
diff --git a/.claude/agents/scrapers/github-trending.md b/.claude/agents/scrapers/github-trending.md
index e8c5b7d..895556c 100644
--- a/.claude/agents/scrapers/github-trending.md
+++ b/.claude/agents/scrapers/github-trending.md
@@ -10,7 +10,6 @@ description: |
     输入参数：{"period": "daily", "limit": 25, "workspace": ".trending-workspace/..."}
 model: inherit
 color: black
-tools: Read, Write, Bash
 ---
 
 # GitHub Trending 爬虫
@@ -143,9 +142,35 @@ article.Box-row
 | 无 AI 相关项目 | 返回空项目列表，提示 "未找到 AI 相关项目" |
 | 数量不足 | 返回找到的所有项目，不报错 |
 
+## 输出文件
+
+将结果写入工作区：`scraped-github-projects.json`
+
+```json
+{
+  "source": "github",
+  "count": 25,
+  "projects": [
+    {
+      "source": "github",
+      "name": "langchain-ai/langchain",
+      "url": "https://github.com/langchain-ai/langchain",
+      "description": "Building applications with LLMs through composability",
+      "metadata": {
+        "stars": 85432,
+        "starsDelta": "+234 today",
+        "language": "Python",
+        "forks": 12543
+      }
+    }
+  ]
+}
+```
+
 ## 输出
 
 成功后，返回：
+- 输出文件路径：`{workspace}/scraped-github-projects.json`
 - 爬取的项目数量
 - 过滤后的项目数量
 - 项目列表
diff --git a/.claude/agents/scrapers/huggingface-trending.md b/.claude/agents/scrapers/huggingface-trending.md
index 2a5cf91..ca87e29 100644
--- a/.claude/agents/scrapers/huggingface-trending.md
+++ b/.claude/agents/scrapers/huggingface-trending.md
@@ -10,7 +10,6 @@ description: |
     输入参数：{"period": "daily", "limit": 25, "workspace": ".trending-workspace/..."}
 model: inherit
 color: yellow
-tools: Read, Write, Bash
 ---
 
 # Hugging Face Trending 爬虫
@@ -135,8 +134,34 @@ Hugging Face 页面结构可能动态变化，需要根据实际情况调整选
 | 页面解析失败 | 返回空项目列表，记录错误 |
 | 无模型数据 | 返回空项目列表 |
 
+## 输出文件
+
+将结果写入工作区：`scraped-huggingface-projects.json`
+
+```json
+{
+  "source": "huggingface",
+  "count": 25,
+  "projects": [
+    {
+      "source": "huggingface",
+      "name": "meta-llama/Llama-2-7b",
+      "url": "https://huggingface.co/meta-llama/Llama-2-7b",
+      "description": "Llama 2 is a collection of pretrained and fine-tuned generative text models...",
+      "metadata": {
+        "likes": 15234,
+        "downloads": 5000000,
+        "pipeline": "text-generation",
+        "task": "Text Generation"
+      }
+    }
+  ]
+}
+```
+
 ## 输出
 
 成功后，返回：
+- 输出文件路径：`{workspace}/scraped-huggingface-projects.json`
 - 爬取的模型数量
 - 模型列表（按点赞数/下载量排序）
diff --git a/.claude/agents/scrapers/papers-with-code.md b/.claude/agents/scrapers/papers-with-code.md
index 454fa76..5984fe0 100644
--- a/.claude/agents/scrapers/papers-with-code.md
+++ b/.claude/agents/scrapers/papers-with-code.md
@@ -10,7 +10,6 @@ description: |
     输入参数：{"period": "daily", "limit": 25, "workspace": ".trending-workspace/..."}
 model: inherit
 color: cyan
-tools: Read, Write, Bash
 ---
 
 # Papers with Code 爬虫
@@ -133,8 +132,34 @@ Papers with Code 页面结构可能动态变化，需要根据实际情况调整
 | 页面解析失败 | 返回空项目列表，记录错误 |
 | 无符合条件的论文 | 返回空项目列表 |
 
+## 输出文件
+
+将结果写入工作区：`scraped-paperswithcode-projects.json`
+
+```json
+{
+  "source": "paperswithcode",
+  "count": 25,
+  "projects": [
+    {
+      "source": "paperswithcode",
+      "name": "YOLOv7: Trainable bag-of-freebies sets new state-of-the-art",
+      "url": "https://github.com/WongKinYiu/yolov7",
+      "paperUrl": "https://paperswithcode.com/paper/yolov7-trainable-bag-of-freebies-sets-new",
+      "description": "YOLOv7 implements bag-of-freebies and bag-of-specials...",
+      "metadata": {
+        "stars": 8000,
+        "tasks": ["Object Detection", "Computer Vision"],
+        "framework": "PyTorch"
+      }
+    }
+  ]
+}
+```
+
 ## 输出
 
 成功后，返回：
+- 输出文件路径：`{workspace}/scraped-paperswithcode-projects.json`
 - 爬取的论文/项目数量
 - 项目列表（按 Stars 数量排序）
diff --git a/.claude/agents/task-dispatcher.md b/.claude/agents/task-dispatcher.md
deleted file mode 100644
index d793e24..0000000
--- a/.claude/agents/task-dispatcher.md
+++ /dev/null
@@ -1,162 +0,0 @@
----
-name: task-dispatcher
-description: |
-    作为数据获取流程的核心协调者。解析执行参数，创建工作区，并行调度所有数据源爬虫，汇总原始数据。使用此 agent 当需要从 GitHub Trending、Hugging Face、Papers with Code 等数据源获取 AI 项目时。
-
-    示例场景：
-    - 定期获取最新的 AI 项目趋势
-    - 从多个数据源收集项目数据
-
-    输入参数：{"source": "all", "period": "daily", "limit": 25, "workspace": ".trending-workspace/..."}
-model: inherit
-color: orange
-tools: Read, Write, Bash
----
-
-# 任务派发器 Agent
-
-## 职责
-
-作为数据获取流程的核心协调者，负责：
-1. 解析执行参数
-2. 创建工作区
-3. 并行调度所有数据源爬虫
-4. 汇总原始数据
-
-## 输入参数
-
-```json
-{
-  "source": "all",
-  "period": "daily",
-  "limit": 25,
-  "workspace": ".trending-workspace/..."
-}
-```
-
-**参数说明**:
-- `source`: 数据源筛选，`all`（默认）/ `github` / `huggingface` / `paperswithcode`
-
-## 执行步骤
-
-### Step 1: 初始化工作区
-
-1. 生成时间戳目录名：`{YYYYMMDD-HHMMSS}`
-2. 创建完整工作区路径：`.trending-workspace/{timestamp}/`
-3. 初始化 `progress.json`：
-
-```json
-{
-  "startTime": "2025-01-04T12:00:00Z",
-  "currentStage": "initializing",
-  "stages": {
-    "dispatch": "pending",
-    "scraping": "pending",
-    "aggregating": "pending"
-  }
-}
-```
-
-### Step 2: 根据 source 参数确定要调用的爬虫
-
-**所有可用数据源**：
-
-| 源名称 | 爬虫文件 | URL |
-|--------|----------|-----|
-| github | `.claude/agents/scrapers/github-trending.md` | https://github.com/trending |
-| huggingface | `.claude/agents/scrapers/huggingface-trending.md` | https://huggingface.co/models |
-| paperswithcode | `.claude/agents/scrapers/papers-with-code.md` | https://paperswithcode.com/ |
-
-**根据 source 参数筛选**:
-- `source=all`: 调用上述所有爬虫
-- `source=github`: 仅调用 GitHub Trending 爬虫
-- `source=huggingface`: 仅调用 Hugging Face 爬虫
-- `source=paperswithcode`: 仅调用 Papers with Code 爬虫
-
-### Step 3: 并行调用筛选后的爬虫
-
-**重要**: 必须使用单个消息发送多个 Task 工具调用来实现并行执行。
-
-对筛选出的每个数据源爬虫：
-- 构造输入参数（period, limit, workspace）
-- 调用爬虫 Agent
-
-### Step 4: 汇总原始数据
-
-1. 等待所有爬虫完成
-2. 汇总所有爬虫返回的项目数据
-3. 输出 `raw-projects.json`：
-
-```json
-{
-  "metadata": {
-    "timestamp": "2025-01-04T12:00:00Z",
-    "period": "daily",
-    "limit": 25,
-    "sources": ["github", "huggingface"],
-    "sourceCounts": {
-      "github": 25,
-      "huggingface": 20
-    },
-    "totalRaw": 45
-  },
-  "projects": [
-    {
-      "source": "github",
-      "name": "langchain-ai/langchain",
-      "url": "https://github.com/langchain-ai/langchain",
-      "description": "Building applications with LLMs through composability",
-      "metadata": {
-        "stars": 85432,
-        "starsDelta": "+234",
-        "language": "Python",
-        "forks": 12543
-      }
-    },
-    {
-      "source": "huggingface",
-      "name": "meta-llama/Llama-2-7b",
-      "url": "https://huggingface.co/meta-llama/Llama-2-7b",
-      "description": "Llama 2 7B parameter model",
-      "metadata": {
-        "likes": 15234,
-        "downloads": 500000,
-        "pipeline": "text-generation"
-      }
-    }
-  ]
-}
-```
-
-### Step 5: 更新进度
-
-更新 `progress.json`：
-
-```json
-{
-  "startTime": "2025-01-04T12:00:00Z",
-  "currentStage": "completed",
-  "stages": {
-    "dispatch": "completed",
-    "scraping": "completed",
-    "aggregating": "completed"
-  },
-  "endTime": "2025-01-04T12:05:00Z",
-  "duration": "5m"
-}
-```
-
-## 错误处理
-
-| 场景 | 处理方式 |
-|------|---------|
-| 某个爬虫失败 | 记录失败源到 `errors.json`，其他爬虫继续 |
-| 所有爬虫失败 | 错误提示 "所有数据源均失败" |
-| 工作区创建失败 | 错误提示并终止 |
-
-## 输出
-
-成功后，返回：
-- 工作区路径
-- 汇总的原始项目数量
-- 各数据源的项目数量
diff --git a/.claude/commands/add-trending.md b/.claude/commands/add-trending.md
index 203c05d..fd53d39 100644
--- a/.claude/commands/add-trending.md
+++ b/.claude/commands/add-trending.md
@@ -17,7 +17,7 @@ $ARGUMENTS
 - **使用 Task 工具调用各个 Agent**，让 Agent 自主完成其职责
 - **主窗口仅负责协调 Agent 调用**，不直接处理业务逻辑
 
-本命令通过任务派发器架构，从多个数据源并行爬取 AI 相关项目，经过去重、分析、质量评分后批量入库。
+本命令从多个数据源并行爬取 AI 相关项目，经过去重、分析、质量评分后批量入库。
 
 **命令格式**: `/add-trending [source] [period] [limit]`
 
@@ -32,11 +32,17 @@ $ARGUMENTS
 - `/add-trending huggingface daily 10` - 仅 Hugging Face，日榜10个
 - `/add-trending all weekly` - 所有数据源，周榜
 
+## 数据源配置
+
+| 源名称 | Agent 名称 | URL |
+|--------|-----------|-----|
+| github | github-trending | https://github.com/trending |
+| huggingface | huggingface-trending | https://huggingface.co/models |
+| paperswithcode | papers-with-code | https://paperswithcode.com/ |
+
 ## 执行流程
 
-**重要**: 本命令使用专用的 Agent 架构处理工作流，由 Agent 之间相互调用完成整个流程。
-
-### Stage 1: 初始化与任务派发
+### Stage 1: 初始化工作区与并行爬取
 
 1. **解析参数**:
    - 从 `$ARGUMENTS` 解析 source、period 和 limit
@@ -44,13 +50,100 @@ $ARGUMENTS
 
 2. **创建工作区**:
    - 生成时间戳目录: `.trending-workspace/{YYYYMMDD-HHMMSS}/`
-   - 初始化 `progress.json` 文件
+   - 初始化 `progress.json` 文件:
+   ```json
+   {
+     "startTime": "2025-01-06T12:00:00Z",
+     "currentStage": "scraping",
+     "stages": {
+       "scraping": "pending",
+       "deduplicating": "pending",
+       "analyzing": "pending",
+       "ingesting": "pending"
+     },
+     "config": {
+       "source": "all",
+       "period": "daily",
+       "limit": 25
+     }
+   }
+   ```
 
-3. **执行任务派发器**:
-   - **使用 Task 工具调用** `task-dispatcher` agent
-   - 将 source/period/limit/workspace 参数传递给任务派发器
-   - 任务派发器并行调度对应的爬虫
-   - 输出 `raw-projects.json`
+3. **确定要调用的 scrapers**:
+   根据 source 参数筛选：
+
+   | source | 调用的 scrapers |
+   |--------|-----------------|
+   | all | github-trending, huggingface-trending, papers-with-code |
+   | github | github-trending |
+   | huggingface | huggingface-trending |
+   | paperswithcode | papers-with-code |
+
+4. **并行调用 scrapers**:
+   **关键**: 必须在单个消息中发送所有 Task 调用，以实现真正的并行执行。
+
+   示例（source=all）:
+   ```
+   Task(github-trending, {"period": "daily", "limit": 25, "workspace": ".trending-workspace/..."})
+   Task(huggingface-trending, {"period": "daily", "limit": 25, "workspace": ".trending-workspace/..."})
+   Task(papers-with-code, {"period": "daily", "limit": 25, "workspace": ".trending-workspace/..."})
+   ```
+
+5. **等待所有 scraper 完成并汇总**:
+   每个 scraper 输出到各自的文件：
+   - `scraped-github-projects.json`
+   - `scraped-huggingface-projects.json`
+   - `scraped-paperswithcode-projects.json`
+
+   读取所有输出文件，合并生成 `raw-projects.json`:
+   ```json
+   {
+     "metadata": {
+       "timestamp": "2025-01-06T12:00:00Z",
+       "period": "daily",
+       "limit": 25,
+       "sources": ["github", "huggingface"],
+       "sourceCounts": {
+         "github": 25,
+         "huggingface": 20
+       },
+       "totalRaw": 45
+     },
+     "projects": [
+       {
+         "source": "github",
+         "name": "langchain-ai/langchain",
+         "url": "https://github.com/langchain-ai/langchain",
+         "description": "Building applications with LLMs through composability",
+         "metadata": {
+           "stars": 85432,
+           "starsDelta": "+234",
+           "language": "Python",
+           "forks": 12543
+         }
+       }
+     ]
+   }
+   ```
+
+6. **更新进度**:
+   ```json
+   {
+     "startTime": "2025-01-06T12:00:00Z",
+     "currentStage": "scraping",
+     "stages": {
+       "scraping": "completed",
+       "deduplicating": "pending",
+       "analyzing": "pending",
+       "ingesting": "pending"
+     },
+     "config": {
+       "source": "all",
+       "period": "daily",
+       "limit": 25
+     }
+   }
+   ```
 
 ### Stage 2: 统一去重
 
@@ -61,16 +154,38 @@ $ARGUMENTS
    - 使用 **dbhub PostgreSQL MCP** 执行去重查询
    - 输出 `new-projects.json` 和 `task-queue.json`
 
-### Stage 3: 项目分析
+### Stage 3: 项目分析 (并行，固定 3 实例分批处理)
 
-1. **执行项目分析器**:
-   - **使用 Task 工具调用** `project-analyzer` agent
-   - 将 workspace 参数传递给分析器
-   - 分析器处理任务队列中的项目
-   - 使用 **chrome-devtools-mcp** 访问项目页面
-   - 生成中英双语内容
-   - 计算质量评分
-   - 输出 `analyzed-projects.json`
+1. **读取任务队列**:
+   - 读取 `task-queue.json`
+   - 提取所有 `status: "pending"` 的任务
+   - 记录任务数量 N
+
+2. **分批并行处理**:
+   - **固定并行度**: 3 个实例
+   - **每批处理**: 3 个任务（最后一批可能少于 3 个）
+   - **批次数**: `Math.ceil(N / 3)`
+   - **循环执行**以下步骤，直到所有任务完成：
+
+   **对每一批**:
+   - 选取 3 个 `status: "pending"` 的任务（记录其 taskId）
+   - **使用单个消息发送 3 个 Task 工具调用**（实现并行）：
+     ```
+     Task(project-analyzer, {"workspace": "...", "taskId": 1})
+     Task(project-analyzer, {"workspace": "...", "taskId": 2})
+     Task(project-analyzer, {"workspace": "...", "taskId": 3})
+     ```
+   - **等待这 3 个实例完成**
+   - **检查剩余任务**：重新读取 `task-queue.json`，确认是否还有 `pending` 任务
+   - **继续下一批**：如果有 pending 任务，重复上述步骤
+
+3. **等待所有批次完成**:
+   - 确认 `task-queue.json` 中没有 `status: "pending"` 或 `processing` 的任务
+
+4. **汇总结果**:
+   - 读取所有 `analyzed-project-{taskId}.json` 文件
+   - 合并生成 `analyzed-projects.json`
+   - 统计通过/失败的项目数量
 
 ### Stage 4: 批量入库
 
@@ -86,18 +201,14 @@ $ARGUMENTS
 2. **清理旧工作区**（删除 7 天前的）
 3. **输出最终报告**
 
-## 数据源爬虫
-
-当前支持的数据源（可扩展）:
-- GitHub Trending: `https://github.com/trending`
-- Hugging Face Models: `https://huggingface.co/models`
-- Papers with Code: `https://paperswithcode.com/`
-
 ## 工作区文件结构
 
 ```
 .trending-workspace/{timestamp}/
-├── raw-projects.json           # 所有数据源的原始数据
+├── scraped-github-projects.json        # GitHub 原始数据
+├── scraped-huggingface-projects.json   # Hugging Face 原始数据
+├── scraped-paperswithcode-projects.json # Papers with Code 原始数据
+├── raw-projects.json           # 所有数据源的汇总数据
 ├── new-projects.json           # 去重后的新项目
 ├── task-queue.json             # 分析任务队列
 ├── analyzed-projects.json      # 分析完成的项目
@@ -107,6 +218,7 @@ $ARGUMENTS
 
 ## 关键规则
 
+- **必须使用单个消息发送多个 Task 调用**：实现 scrapers 真正并行执行
 - **必须使用 Agent 工作流**：所有数据处理由专用 Agent 完成，不在主窗口执行
 - **必须使用 Task 工具**调用 Agent：让 Agent 自主完成其职责
 - **必须**先去重再分析，避免处理已存在的项目
@@ -132,7 +244,7 @@ $ARGUMENTS
 🚀 多源数据自动入库启动
 ⚙️  配置: source=github, period=daily, limit=25
 
-✅ Stage 1/4: 任务派发
+✅ Stage 1/4: 数据爬取
    🔍 数据源: GitHub Trending
    📊 GitHub: 25 个项目
    📦 汇总: 25 个原始项目
@@ -156,7 +268,7 @@ $ARGUMENTS
    - 入库成功: 16 个
    - 耗时: 约2分钟
 
-📁 工作区: .trending-workspace/20250104-120000/
+📁 工作区: .trending-workspace/20250106-120000/
 ```
 
 **单数据源测试示例**:
diff --git a/.claude/settings.json b/.claude/settings.json
index 09737af..ede3347 100644
--- a/.claude/settings.json
+++ b/.claude/settings.json
@@ -1,6 +1,6 @@
-{
-  "env": {
-    "HTTP_PROXY": "http://proxy3.bj.petrochina:8080",
-    "HTTPS_PROXY": "http://proxy3.bj.petrochina:8080"
-  }
-}
+// {
+//   "env": {
+//     "HTTP_PROXY": "http://proxy3.bj.petrochina:8080",
+//     "HTTPS_PROXY": "http://proxy3.bj.petrochina:8080"
+//   }
+// }
diff --git a/prisma/migrations/migration_lock.toml b/prisma/migrations/migration_lock.toml
new file mode 100644
index 0000000..044d57c
--- /dev/null
+++ b/prisma/migrations/migration_lock.toml
@@ -0,0 +1,3 @@
+# Please do not edit this file manually
+# It should be added in your version-control system (e.g., Git)
+provider = "postgresql"
diff --git a/scripts/scrape-huggingface.js b/scripts/scrape-huggingface.js
new file mode 100644
index 0000000..191cf17
--- /dev/null
+++ b/scripts/scrape-huggingface.js
@@ -0,0 +1,113 @@
+// Simple Hugging Face scraper
+const https = require('https');
+const { HttpsProxyAgent } = require('https-proxy-agent');
+
+async function scrapeHuggingFace() {
+  try {
+    console.log('Fetching Hugging Face models page...');
+
+    const proxyUrl = process.env.HTTPS_PROXY || process.env.HTTP_PROXY;
+    const agent = proxyUrl ? new HttpsProxyAgent(proxyUrl) : undefined;
+
+    const html = await new Promise((resolve, reject) => {
+      const options = {
+        headers: {
+          'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36',
+          'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
+          'Accept-Language': 'en-US,en;q=0.9',
+        }
+      };
+
+      if (agent) {
+        options.agent = agent;
+      }
+
+      const req = https.get('https://huggingface.co/models', options, (res) => {
+        let data = '';
+        res.on('data', chunk => data += chunk);
+        res.on('end', () => {
+          if (res.statusCode === 200) {
+            resolve(data);
+          } else {
+            reject(new Error(`HTTP ${res.statusCode}: ${res.statusMessage}`));
+          }
+        });
+      });
+
+      req.on('error', reject);
+      req.setTimeout(30000, () => {
+        req.destroy();
+        reject(new Error('Request timeout'));
+      });
+    });
+
+    console.log(`Page fetched successfully, size: ${html.length} bytes`);
+
+    // Extract model information
+    const models = [];
+    const modelLinkRegex = /<a\s+href="\/models\/([^"]+)"[^>]*>/gi;
+    const seenModels = new Set();
+
+    let match;
+    while ((match = modelLinkRegex.exec(html)) !== null) {
+      const modelId = decodeURIComponent(match[1]);
+
+      // Filter: must have org/model format
+      if (!modelId.includes('/')) continue;
+      if (modelId.includes('/discussions')) continue;
+      if (modelId.includes('/blob')) continue;
+      if (modelId.includes('/tree')) continue;
+      if (modelId.includes('/commit')) continue;
+      if (seenModels.has(modelId)) continue;
+
+      seenModels.add(modelId);
+
+      models.push({
+        source: 'huggingface',
+        name: modelId,
+        url: `https://huggingface.co/${modelId}`,
+        description: modelId,
+        metadata: {
+          likes: 0,
+          downloads: 0,
+          pipeline: ''
+        }
+      });
+
+      if (models.length >= 100) break;
+    }
+
+    console.log(`Extracted ${models.length} unique models`);
+
+    // Take first 25 (they should be roughly ordered by popularity on the page)
+    const topModels = models.slice(0, 25);
+
+    const fs = require('fs');
+    const outputPath = 'D:\\Code\\AI\\agent-park-v2\\.trending-workspace\\20260106-1226\\scraped-huggingface-projects.json';
+    fs.writeFileSync(outputPath, JSON.stringify(topModels, null, 2), 'utf8');
+    console.log(`\nData saved to: ${outputPath}`);
+
+    console.log('\nTop 25 Models:');
+    topModels.forEach((m, i) => {
+      console.log(`${i + 1}. ${m.name}`);
+    });
+
+  } catch (error) {
+    console.error('Error:', error.message);
+
+    // Output empty result on error
+    const fs = require('fs');
+    const outputPath = 'D:\\Code\\AI\\agent-park-v2\\.trending-workspace\\20260106-1226\\scraped-huggingface-projects.json';
+
+    const errorResult = {
+      error: error.message,
+      projects: [],
+      timestamp: new Date().toISOString()
+    };
+
+    fs.writeFileSync(outputPath, JSON.stringify(errorResult, null, 2), 'utf8');
+    console.log(`Error result saved to: ${outputPath}`);
+  }
+}
+
+scrapeHuggingFace();