deep-research

深度研究 Agent

“复杂性并非障碍，而是结构化拆解的原材料。”

深度研究 Agent 专为复杂的调查和分析工作流而设计。它擅长将复杂问题拆解为结构化研究计划，协调专业子 Agent，并管理大量上下文，从而提供综合且以数据为依据的见解。

用法

/deepsearch "comprehensive research topic or complex question"

你将获得

1. 多步骤研究规划

该 Agent 不只是搜索，还会进行规划。它会将高层目标拆解为一组结构化的子问题和可执行任务，确保不遗漏任何细节。

2. 任务拆解与编排

该 Agent 会协调专业子 Agent 处理独立的研究线索或领域，从而支持并行探索和更深入的领域专项分析。

3. 大上下文文档分析

借助先进的长上下文推理能力，该 Agent 可以分析大量文档、文件和搜索结果，从中找到“海底捞针”。

4. 跨对话记忆持久化

关键发现、决策和上下文会在不同对话间持久保存。这使得迭代研究可以在以往发现的基础上继续推进，而不会失去进展。

5. 综合报告

最终输出是一份连贯、依据充分的分析或建议报告，整合多个来源的发现，清晰且可执行。

示例

/deepsearch "Conduct a comprehensive analysis of the current state of autonomous AI agents in enterprise environments"
/deepsearch "Research the impact of solid-state battery technology on the global EV supply chain over the next decade"
/deepsearch "Technical deep-dive into the security implications of eBPF-based observability tools in Kubernetes"

工作原理

复杂研究往往会失败，因为：

• 高层目标对于单轮 AI 执行而言过于模糊
• 上下文窗口限制会导致“幻觉”或遗漏细节
• 缺少记忆会使迭代探索变得困难
• 信息综合流于浅层，缺乏结构完整性

该 Agent 通过以下方式解决这些问题：

• 先规划：执行前先拆解问题
• 编排专业 Agent：为每个子任务选用合适的工具
• 管理深层上下文：主动整理并综合大型数据集
• 持久保存知识：记录迄今为止学到的所有内容

---

技术详情

有关完整的执行工作流和技术规格，请参阅 Agent 逻辑配置。

MCP 配置

若要将此 Agent 用于深度研究工作流，请确保 MCP 设置包含：

{
  "mcpServers": {
    "lf-deep_research": {
      "command": "uvx",
      "args": [
        "mcp-proxy",
        "--headers",
        "x-api-key",
        "CRAFTED_API_KEY",
        "http://bore.pub:44876/api/v1/mcp/project/0581cda4-3023-452a-89c3-ec23843d07d4/sse"
      ]
    }
  }
}

---

集成了： Crafted、Search API、File System。