comprehensive-research-agent

全面研究 Agent 最佳实践

此技能旨在解决多步骤研究任务中常见的问题：未处理的工具错误、缺少验证、推理过程不透明以及过早得出结论。它提供了结构化的来源验证、错误恢复和思考透明度规范，可显著提升研究质量和可靠性。

何时启用

• 任务涉及使用搜索、read_url 或 fetch 操作进行网络研究
• 任务需要从多个来源收集信息
• 任务明确要求内容完整或经过验证
• 任务包含需要验证的文件操作（保存、写入、读取）
• 任何涉及 3 次或更多工具交互的研究或信息收集工作流

核心概念

• 验证检查点：在各阶段转换时执行明确的验证步骤，确认工具输出、来源相关性和信息完整性，然后再继续
• 错误恢复规范：必须确认并处理工具故障，采用备用策略，而不是默默继续
• 来源可追溯性：清晰记录实际检索到的来源与依据先前知识提及的来源，避免产生幻觉
• 实质性思考区块：详细记录每一步的见解、关联、缺口和决策依据
• 跨来源验证：通过多个来源核实关键主张，并明确指出共识、矛盾和信息缺口

应避免的模式

• 默默忽略工具故障：工具调用返回错误（404、超时、URL 无效），但 Agent 未作说明便继续，可能导致遗漏关键信息。务必记录故障，并尝试恢复或说明缺口。
• 含糊地宣称已完成：Agent 声称“我已掌握足够信息”或“研究已全面完成”，却未说明发现了什么、哪些来源支持这些主张，或仍存在哪些缺口。应改为具体概述覆盖范围。
• 未经验证就选择来源：Agent 未先评估相关性、可信度或时效性，便读取搜索结果中的 URL。这会浪费工具调用来处理低质量来源。务必先对来源排序并确定优先级，再深入阅读。
• 笼统的思考区块：思考内容只有下一步行动的描述（“现在我将搜索 X”），没有分析已获知的信息、这些信息与目标的关联，或仍待解答的问题。思考应当具体且有反思性。
• 验证方式错误：使用 list_directory 验证文件是否创建，可能因缓存而产生假阴性。务必使用 read_file 实际验证文件内容。
• 引用未检索的来源：在最终报告中引用从未成功获取或阅读的来源（URL、论文标题）。应明确跟踪来源，并禁止引用未检索内容。
• 重复调用工具：进行重叠搜索，或在未记录已获取内容的情况下阅读来源。应维护“已发现资源”跟踪记录，以避免重复。

推荐实践

• 实施阅读前的来源评估：阅读 URL 前，按相关性、可信度、时效性和权威性对搜索结果排序。在思考块中记录选择理由。

• 使用结构化思考块：每个思考块都必须包含：(a) 从来源或操作中了解到的内容；(b) 与研究目标的关联；(c) 发现的矛盾或缺口；(d) 做出的策略决策。避免使用泛泛的后续操作陈述。

• 强制确认错误：任何工具调用失败后，下一个思考块必须明确说明问题：注明失败类型，提出恢复策略（重试、使用替代来源或记录缺口），并解释所选方案。

• 创建完成前验证清单：宣布研究完成前，确认所有必需部分都有具体证据、所有来源均已成功获取、关键主张经过交叉验证，且缺口均已记录。

• 实施跨来源验证：从多个来源收集信息后，明确比较各项发现。注明来源在哪些方面一致、在哪些方面矛盾，以及哪些内容仍未得到验证。以此评估总体可信度。

• 维护来源跟踪表：在思考过程中创建简单表格，记录哪些 URL 已获取、哪些获取失败，以及哪些用于支持特定主张。绝不引用未成功获取的来源。

• 使用 Read_File 进行验证：确认文件写入成功时，使用 read_file 验证实际内容，而不是使用可能因缓存问题导致误报的 list_directory。

• 添加明确的验证阶段：阅读来源后，撰写简短的综合说明，确认来源是否有用、是否与研究目标相关，并指出进入下一阶段前仍存在的缺口。

指南

1. 每次工具调用后，明确检查响应中是否有错误，并在下一个思考块中说明失败情况及恢复策略。
2. 阅读 URL 前，按相关性和可信度对来源排序并记录选择理由——未经评估，绝不阅读搜索结果。
3. 思考块至少包含 3 至 5 句话，并涵盖：了解到的内容、与目标的关联、缺口或矛盾，以及后续步骤。
4. 创建完成前检查清单，确认已涵盖所有要求、已获取所有来源、已验证各项主张，并已记录缺口。
5. 跟踪来源——只引用已成功获取的 URL；禁止引用未成功获取的来源。
6. 撰写最终报告时，加入“限制与缺口”部分，记录尝试但失败的事项或仍未得到验证的内容。
7. 保存操作后，使用 read_file（而非 list_directory）验证文件内容。
8. 尽可能通过至少 2 个来源交叉验证关键主张；明确说明共识或矛盾。
9. 跟踪已收集的信息以避免重复搜索——为多阶段研究实施“已发现资源”跟踪器。
10. 用具体摘要替换含糊的“全面”表述，例如：“涵盖了 Y 主题的 X 个来源；缺少 Z 方面的内容”。

示例

• *之前（反模式）：‘我搜索了上下文工程，找到了一些结果。现在我会阅读一些 URL，然后撰写报告。我掌握的信息足以继续。’

之后（模式）：‘搜索返回了 15 条关于上下文工程的结果。正在评估相关性：Liu 等人（2024 年）的研究似乎是关于“中间遗失”现象的最权威资料；Anthropic 文档可能包含最新的上下文窗口规格；Patel（2023 年）的研究介绍了 RAG 最佳实践。将这三项列为优先事项。先阅读排名第一的结果。如果主要来源无法访问（URL 错误），则会再次搜索正确的文档 URL 作为备用，并在最终报告中说明这一缺漏。’

• *之前（反模式）：工具访问 Anthropic 上下文窗口 URL 时返回 404 错误。Agent 未作说明便继续执行。之后，在未展示来源的情况下引用“Claude 的上下文窗口为 200K”。最终报告引用了一篇从未获取的 Google Research 论文。

之后（模式）：工具访问 Anthropic URL 时返回 404。思考：‘主要来源访问失败。备选方案：搜索其他 Anthropic 文档 URL，或查找存档版本。如果找不到，则仅将二手来源中的上下文窗口数据作为参考，并添加有关验证状态的免责声明。’随后：‘已交叉验证 Claude 的上下文窗口：Anthropic 博客（已成功阅读）和两个开发者文档来源均显示为 200K。对此说法有信心。’来源跟踪表显示：Anthropic URL（失败，使用了备用来源）、博客（成功）、开发者文档（成功）。

---

分数预期

涉及多个工具（6 个以上）和多步推理链的复杂研究任务，通常得分在 65–75 分。这并非提示词的局限，而是因为：

• 工具输出存在固有差异，会影响推理路径
• 多种有效方法会导致不同的中间分数
• 长期 Agent 执行具有随机性

应关注相对提升和消除不良模式，而非绝对分数。通过优化提升 5–10% 对复杂任务而言意义重大。

---

技能元数据

生成时间：2026-01-11 来源：Reasoning Trace Optimizer 优化迭代次数：10 最佳得分：72/100（第 4 次迭代） 最终得分：70.0/100 分数提升：67.6 → 70.0（+3.6%）