deep-research

deep-research

面向 Weizhena/Deep-Research-skills 中 Deep Research 工作流的路由优先入口——这是一种分为两个阶段、有人参与的研究方法（生成大纲，然后深入调查），现已整合为一个 jeo-skill，包含 4 个参考流程。每个流程都提供自己的提示词模板和输出约定；此技能会将请求归类到合适的阶段，加载对应流程，并严格按其要求执行。

一个主题 → 一个可扩展的大纲 → 并行调查各个条目并生成经过验证的 JSON → 一份完整的 Markdown 报告。每个阶段都有用户检查点，因此你可以在各个环节精准掌控流程，而不是把“研究 X”这样的黑盒提示词交给模型。

参考流程包含拆分并合并后的上游技能文本（已移除每条命令的 frontmatter、嵌套标题，并原样保留提示词模板）——不是改写，因此每个阶段在此处都是独立完整的。执行前请阅读对应的流程参考文档：

• references/outline-pipeline.md — /research · /research-add-items · /research-add-fields（阶段 1：生成并扩展大纲）
• references/deep-pipeline.md — /research-deep（阶段 2：并行调查各个条目 + validate_json.py 覆盖率检查）
• references/report-pipeline.md — /research-report（阶段 3：目录 + 按字段生成 Markdown 报告）
• references/web-search-pipeline.md — 网页搜索 Agent + 5 个路由式来源模块（github-debug · general-web · academic-papers · chinese-tech · stackoverflow）

插件安装

# This routing skill via jeo-skills (verified path)
npx skills add https://github.com/akillness/jeo-skills --skill deep-research

# Global install for one or more agents
npx skills add -g https://github.com/akillness/jeo-skills --skill deep-research -a claude-code -a codex -y

# Scripted install with knobs (Python dep + upstream slash-command skills)
WITH_DEPS=1 AGENTS="claude-code,codex" bash .agent-skills/deep-research/scripts/install.sh

深入阶段会调用 scripts/validate_json.py（需要 pip install pyyaml）。 上游仓库还为 Claude Code、OpenCode 和 Codex 提供现成的斜杠命令——运行 WITH_UPSTREAM=1 bash scripts/install.sh 可克隆并复制这些命令。

何时使用此技能

• 用户想要根据一致的字段研究一组可比较的对象（模型、论文、工具、公司、产品），而不是进行单次问答
• 任务是调研 / 基准评测综述 / 文献综述 / 竞品分析 / 尽职调查，适合先制定结构化大纲
• 用户希望并行开展有来源引用的调查，最终生成带目录、便于分享的 Markdown 报告

何时不使用此技能

• 一次性的事实问题或单一来源查询 → 直接使用网页搜索
• 需要经过引用检查和多轮审稿的完整学术研究到发表流程 → 使用 academic-research
• 代码的多 Agent 构建 / 验证编排 → 使用 oh-my-claudecode / oh-my-codex / oh-my-agent
• 在代码库中高效发现代码 → 使用 semble
• Karpathy 风格的自主 ML 实验搜索 → 使用 autoresearch

必需的初始信息

路由前，请确定：

1. 阶段——outline · deep · report（工作流所处阶段）
2. 主题——研究主题（将成为 {topic} 和工作目录 {topic_slug}/）
3. 工作目录——已有的 {topic_slug}/（包含 outline.yaml + fields.yaml），或新建目录
4. 时间范围——用于补充网页搜索的时间范围（例如最近 6 个月、自 2024 年以来、不限时间）
5. 输出目标——大纲文件、各条目的 JSON，或最终的 report.md

阶段路由表

用户的说法	阶段	流程
“研究 X”“调查 X”“给我一份关于 X 的研究大纲”“比较这些工具/模型”	大纲	/research → outline-pipeline.md
“再添加一些项目”“我漏掉了一些对象”“也把 X 和 Y 包括进来”	大纲	/research-add-items → outline-pipeline.md
“再添加一些字段”“也收集价格/延迟”“增加更多维度”	大纲	/research-add-fields → outline-pipeline.md
“现在深入研究”“逐一调查”“补充详细信息”“开展研究”	深入研究	/research-deep → deep-pipeline.md
“制作报告”“总结结果”“生成 report.md”“给我一份报告”	报告	/research-report → report-pipeline.md
“Agent 应该如何搜索”“使用哪些来源”“调试/学术/中文来源”	网络搜索	web-search-pipeline.md

说明

第 1 步：选择阶段

根据路由表对请求进行分类。在生成输出前，明确说明所选的阶段 → 命令（例如“outline → /research”）。如果工作目录中已存在 {topic_slug}/outline.yaml，则默认进入下一个尚未完成的阶段（大纲 → 深入研究 → 报告），除非用户要求扩展大纲。

第 2 步：加载流程

读取匹配的参考文件，并遵循其中的工作流程和提示词模板：

outline      → references/outline-pipeline.md
deep         → references/deep-pipeline.md
report       → references/report-pipeline.md
web-search   → references/web-search-pipeline.md

每项搜索和补充搜索都必须委派给网络搜索 Agent——调用 WebSearch 前，始终加载 web-search-pipeline.md 和相关来源模块。

第 3 步：严格遵循流程执行

• 提示词模板的硬性约束：大纲和深入研究流程中定义的提示词模板必须 原样复现——只能替换 {xxx} 变量；不得修改结构或措辞。
• 人机协同：在每个 AskUserQuestion 确认节点（项目、字段、时间范围、 批次大小、目录字段）都要先与用户确认，再继续。按批次开展深入研究， 每批之间都要征得用户同意。
• 证据优先：每个补充的项目/字段以及每份单项 JSON 都必须包含来源链接。 未知信息标记为 [uncertain]，并列入 uncertain 数组——绝不捏造数值。
• 完成前验证：深入研究阶段的项目只有在 validate_json.py 验证通过 （满足所有必需字段）后才算完成。

第 4 步：返回该阶段的输出包

阶段	输出
大纲	{topic_slug}/outline.yaml（项目 + 执行配置）和 {topic_slug}/fields.yaml（字段定义），供确认
深入研究	每个项目对应一个 {output_dir}/{item_slug}.json（已验证），并附完成摘要（已完成 / 失败 / 不确定的数量）
报告	{topic_slug}/generate_report.py 和 {topic_slug}/report.md（包含锚点链接目录 + 所选摘要字段，随后按字段类别展示详细内容）

结束时用一行 下一步 指向下一个阶段（大纲 → /research-deep；深入研究 → /research-report）。

完整性原则

• 不得捏造：每个项目、字段值和发现都必须有来源； 无法核实的值应标记为 [uncertain]，不得编造。
• 提示词原样保留：上游提示词模板是硬性约束——只能替换变量。
• 人工检查点：大纲内容、时间范围、批次大小和目录字段都要与用户确认， 不得自行假定。
• 覆盖率门槛：深入研究阶段的 JSON 必须通过 validate_json.py 验证， 项目才算完成。

路由至其他项目

如果用户需要……	转至
带引用检查点和审稿轮次的研究到发表流程	academic-research
自主式 ML 实验搜索（Karpathy 风格）	autoresearch
在代码仓库中进行令牌高效的代码搜索	semble
多 Agent 构建/验证编排	oh-my-claudecode / oh-my-codex / oh-my-agent
持续知识记录 / wiki	llm-wiki / okf / obsidian
将可编辑图表 / 图形作为产物	drawio / mermaid / slides-grab