mcpField
R
recursive-research

recursive-research

github.com/anjos2生产力5275 次安装27 周前更新
代码仓库

关于 recursive-research

一种用于跨领域深度研究的 Agent 技能，通过循环研究、来源分级和进度检查点逐步整理主题。它先收集研究主题、模式和来源偏好，并根据覆盖度与饱和度决定继续或结束。

主要功能

  1. 01开始前收集主题与研究偏好
  2. 02按可信度分级并筛选来源
  3. 03围绕多个主题线索迭代研究
  4. 04将周期进展保存到文件
  5. 05依据覆盖度和饱和度判断结束
  6. 06支持网页与本地资料研究

适用场景

  1. 01为技术文档或论文准备研究材料
  2. 02快速了解新领域以辅助决策
  3. 03梳理知识空白与不同观点
  4. 04从本地文件和网页汇总主题信息

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/anjos2/recursive-research --skill recursive-research

安装后在 Claude Code 中输入/recursive-research确认已加载。

详细介绍

技能：递归深度研究（v2.0）

自我调节式研究，围绕一个研究种子（根主题）不断迭代，直至达到 博士级水平。适用于任何领域：形式科学、自然科学、社会科学、人文学科、艺术、技术、商业。

适用场景

  • 想要深入研究某个主题，达到专家水平
  • 需要了解一个新领域，以便做出明智的决策
  • 正在准备技术文档、论文、提案或研究
  • 想要识别最新进展和知识空白

原则

  1. 先提问，再研究 — 技能会在开始前询问用户的研究种子、模式和来源
  2. 可靠来源，分级透明 — 自动拒绝不可靠的来源
  3. 在所有非简单的自主决策中使用 WDM + Munger 逆向思维
  4. 自我调节循环 — 不设固定迭代次数；以可衡量的标准决定何时结束
  5. 防御性检查点 — 每轮都保存到磁盘；应对上下文压缩 / 会话关闭
  6. 预防性暂停 — 检测是否接近上下文限制，并在强制关闭前建议暂停

完整流程

阶段 0 — 初始提问（技能提问）

调用 /recursive-research 时，技能会按顺序询问用户：

  1. 研究种子：“你想研究什么主题？”（自由文本）
  2. 模式：web / local / mixto
  3. 如果包含本地内容：“我应该研究哪些本地路径？”（以逗号分隔的路径列表）
  4. 优先来源（可选）：偏好的作者、域名、出版物
  5. 排除来源（可选）
  6. 循环硬上限（默认值：20；可配置）

技能会提供摘要，并等待确认后再开始。

阶段 1 — 准备工作区
  1. 为研究种子生成 slug（kebab-case，最多 40 个字符）
  2. 检查 / 在当前工作目录中创建 memoria/investigaciones/<slug>/
    • 如果 memoria/ 不存在，则创建它，并说明：“项目中不存在 memoria/ 文件夹。我会创建它，因为该技能需要在每轮将发现汇总并保存到磁盘 — 这样才能在新的会话中恢复研究。”
  3. 创建初始文件：
    • estado.md — 元数据、进度、指标
    • hilos.md — 种子线索及子线索树
    • fuentes-tier-1.md、fuentes-tier-2.md、fuentes-tier-3.md、fuentes-rechazadas.md
    • hallazgos.md — 汇总
阶段 2 — 确定种子线索

生成 3-5 条种子线索（从不同角度切入主题）。

将 WDM 应用于线索筛选：

标准权重评估内容
概念覆盖度4是否涵盖主题的不同维度？
视角多样性3是否包含不同的声音 / 学派？
来源可获取性3是否存在 Tier 1/2 来源来支持这条线索？
与用户的相关性4是否符合促使用户开展研究的目标？

评估 5-8 条候选线索，选出排名靠前的 3-5 条。

对选定线索进行芒格式逆向思考：

  • 我忽略了哪些重要线索？
  • 缺少哪种视角会让我的研究变得片面？
  • 哪个学派 / 异议者的声音没有出现？

如果逆向思考发现缺少关键线索，就将其补上并重新运行 WDM。

各领域示例（不只是代码）：

领域种子主题常见线索
科学癌症免疫疗法分子机制 / 临床试验 / 历史与演变 / 争议与局限 / 商业现状
艺术20 世纪音乐中的极简主义关键作曲家 / 技法 / 历史文化背景 / 批评与接受情况 / 代表作品
商业B2B SaaS 变现模式定价策略 / 财务指标 / 有据可查的案例 / 法律框架 / B2B 购买心理
人文现代斯多葛哲学的实践原始资料（爱比克泰德、塞涅卡、奥勒留） / 当代解读 / 实践应用 / 哲学批评 / 心理学实证证据
技术微服务中的六边形架构理论基础 / 按编程语言分类的实现 / 真实案例 / 权衡与批评 / 工具
阶段 3 — 检测可用工具

在第一个周期开始前，检测可用的 MCP，并按优先级排序：

优先级（从速度 / 效果高到低）：

  1. 针对 AI 优化的抓取 MCP：Firecrawl（firecrawl_scrape、firecrawl_crawl、firecrawl_search、firecrawl_extract）——文本结构化，速度快
  2. 官方文档 MCP：Context7（query-docs）——来源为库 / 框架时使用
  3. 原生工具：WebSearch、WebFetch——通用备用方案
  4. 真实浏览 MCP（Chrome DevTools）：优先级较低——仅当内容明确要求执行 JS 时使用（无 SSR 的 SPA、需要通过身份验证才能访问的内容）

原因：AI 抓取工具比真实浏览器快 10-50 倍，并能提供已结构化的文本。

阶段 4 — 建议的种子来源

该技能会向用户展示一份按领域预加载的种子来源列表，供用户确认、添加或拒绝：

综合科学 / 论文：

医学 / 生物学：

人文 / 社会科学：

代码 / 技术：

数据 / 统计：

艺术 / 文化 / 人文：

综合来源：

  • Wikipedia — 作为起点。始终跳转到参考资料部分，查找 Tier 1/2 来源
  • Wikidata — 结构化数据

本地来源（如果用户提供了路径）：

  • 列出文件夹结构
  • 优先处理 .md、.pdf、.txt、.doc/.docx、.html、.epub
  • 使用 Agent 的读取工具（Read、Grep、Glob）
阶段 5 — 研究循环（自我调节 LOOP）

每个循环执行以下子步骤。

5.1. 选择覆盖率最低的线索

计算每条线索当前的覆盖率（已记录发现 / 预期发现代理值）。选择百分比最低的一条。

5.2. 对本轮将使用的来源应用 WDM + Munger

针对每个候选来源进行 WDM 评估：

标准权重评分尺度
权威性（Tier）5Tier 1 = 5 · Tier 2 = 3 · Tier 3 = 2 · 拒绝 = 0
与当前线索的相关性5根据语义匹配度评分，1-5
可访问性35 = 全文开放 · 3 = 摘要 + 付费墙 · 1 = 被屏蔽
与领域相符的新近程度2代码：新近 > 陈旧 · 经典哲学：陈旧 = 相关
无利益冲突35 = 独立 · 1 = 由利益相关方资助

选择排名前 3-5 的来源。

对选定来源进行 Munger 逆向思考：

  • 我没有使用哪些本应使用的来源？（持不同意见者、批判性学派、被压制的声音）
  • 所有选定来源有哪些共同偏见？（只来自英语国家、只来自某个时代、只来自某个学派）
  • 是否有记录在案的相反观点？→ 如果存在，至少添加 1 个相互矛盾的来源
5.3. 执行搜索 / 阅读
  • 按阶段 3 中识别出的优先顺序使用 MCP
  • 提取：具体事实、数值数据、注明出处的直接引文、新人物 / 作品 / 概念的名称
  • 记录在本轮工作笔记中
5.4. 为每个查询来源应用分级

Tier 1 — 最高可信度：

  • 在索引期刊中发表的同行评审论文（Scopus、Web of Science、PubMed、ACM、IEEE）
  • 学术出版社出版的书籍（MIT Press、Oxford UP、Cambridge UP、Springer）
  • 标准官方文档（W3C、IETF/RFC、ISO、IEEE、WHO、FDA、BIS）
  • 可核实的一手档案（国家博物馆、大学图书馆、国家档案馆）
  • 官方统计机构的原始数据

Tier 2 — 高可信度：

  • 活跃且知名项目的官方代码库
  • 可引用作者（研究人员、具有可核实资历的专业人士）的博客／出版物
  • 知名会议上的演讲（附视频和论文）
  • 带有 Tier 1/2 参考资料的 Wikipedia（将其视为参考资料聚合平台）
  • 发布了方法论的智库／咨询公司报告（Pew、Gartner、McKinsey Institute）

Tier 3 — 有用，但需谨慎：

  • 引用 Tier 1/2 来源的博客
  • 高赞且附有引用资料的 Stack Overflow／论坛内容
  • 对身份明确的专家进行的录制采访
  • 作者信息清晰的行业出版物

自动拒绝：

  • 无法确定作者身份
  • 没有实证数据的营销内容
  • 垃圾信息／SEO 聚合平台
  • 未引用来源的教程
  • 缺乏可核实背景的社交媒体内容
  • 缺乏有据可查的人类监督的 AI 生成内容

每个查询来源都要记录在相应的 tier 文件中，包含：标题、URL、作者、日期、分配的 tier、理由。

5.5. 汇总到检查点

在周期结束时保存到：memoria/investigaciones/<slug>/ciclo-N.md，包含：

  • 已研究的主题线索
  • 查询过的来源（含 tier）
  • 新发现
  • 与先前主题线索的联系
  • 后续周期要探索的开放问题
5.6. 更新 estado.md
  • 增加周期计数
  • 重新计算各主题线索的覆盖率
  • 记录饱和度指标：saturacion = hallazgos_nuevos_ciclo / hallazgos_totales_acumulados
  • 更新工具调用次数和已消耗输出 token 的估算值
5.7. 评估结束条件 —“博士级”适应度函数

必须满足以下 5 项条件：

  1. 所有种子主题线索的覆盖率 ≥80%
  2. 每条主题线索至少有 3 个 Tier 1 来源（若该领域 Tier 1 来源较少，则可组合 Tier 1 和 Tier 2 来源）
  3. 连续 3 个周期的饱和度 ≤5%
  4. 将 Munger 逆向思维应用于知识状态：记录尚不清楚的内容、来源之间的矛盾，以及发现的偏见
  5. 跨主题线索综合分析：记录至少 3 条不同主题线索之间的明确联系

决策：

  • 全部满足 → 阶段 6（自然结束）
  • 达到周期上限 → 阶段 6（强制结束并发出提醒）
  • 否则 → 继续执行步骤 5.8
5.8. 预防性暂停（上下文检查）

阈值：

  • tool_calls_en_sesion ≥ 150
  • 或 tokens_output_aprox ≥ 80000

超过任一阈值时：

  1. 写入完整检查点（5.5 + 5.6）
  2. 发出消息：
[PAUSA PREVENTIVA RECOMENDADA]

Estado actual:
- Ciclos completados: N
- Tool calls en sesión: X (cerca del límite)
- Tokens de output aprox: Y

Razón: me aproximo al límite de contexto. Si continúo, podría perder coherencia
al compactarse la sesión.

La investigación está guardada en:
  memoria/investigaciones/<slug>/

Para reanudar en nueva sesión:
  /recursive-research --resume <slug>

¿Pausar aquí, o continuar 1-2 ciclos más? (continuar / pausar)
  1. 等待回复。如果回复为 continuar，则继续；如果为 pausar，则跳转到阶段 6（记录文档的部分结束）。

未超过阈值 → 返回 5.1，进入下一个周期。

阶段 6 — 收尾

无论是自然收尾（满足 5 项标准）、强制收尾（达到循环上限），还是部分收尾（手动暂停）：

  1. sintesis.md — 执行摘要：

    • 使用简单语言撰写的摘要（3-5 段）
    • 按主题线索整理的发现，并附交叉引用
    • 检测到的争议和矛盾
    • 知识空白（未调查的内容／仍未解决的问题）
    • 已跟进主题线索的地图（树状图）

  2. acciones.md — 按影响排序的可执行行动清单

  3. 对知识状态进行最终的 Munger 反向思考（记录在 gaps.md 中）：

    • 我仍然有哪些未知？
    • 哪些来源彼此矛盾，且尚未解决？
    • 我的来源集合存在哪些偏差？
    • 一个不了解情况的批判性审查者会提出什么我无法回答的问题？

  4. 询问用户：

[INVESTIGACIÓN COMPLETADA — estado: natural / forzado / pausado]

Semilla: <tema>
Ciclos ejecutados: N / <tope>
Fuentes consultadas: X total (T1: A · T2: B · T3: C · Rechazadas: D)
Estado PhD: alcanzado / NO alcanzado (razones: ...)

Gaps identificados:
  1. ...
  2. ...
  3. ...

Opciones:
  1. Cerrar aquí
  2. Profundizar un gap específico (indica cuál)
  3. Añadir nuevo hilo y continuar
  4. Cambiar de modo (web → mixto, etc.)

¿Qué prefieres?

研究可以无限进行 — 只有用户决定后才会结束。

--resume 模式

调用：/recursive-research --resume <slug>

  1. 查找 memoria/investigaciones/<slug>/
  2. 如果不存在 → 明确报错，并建议使用常规的 /recursive-research
  3. 如果存在：
    • 读取 estado.md → 重建指标
    • 读取最后一个 ciclo-N.md → 获取近期上下文
    • 读取 hilos.md → 获取当前树状结构
    • 提示：“从第 N 个循环继续。下一步：[主题线索 X]。是否继续？”
  4. 从阶段 5 继续循环

--list 模式

调用：/recursive-research --list

列出当前项目在 memoria/investigaciones/ 中保存的所有调查：

  • Slug · 种子 · 已完成循环数 · 状态（开放／已关闭）· 上次修改时间

应主动拒绝的反模式

  1. 浅层搜索 — 只用同义词重复查询，却不深入研究实际结果
  2. 忽略 Munger — 只因来源令人安心就选择它们；反向思考是必做项
  3. 缺少检查点 — 连续进行 5 个循环，却不写入磁盘
  4. Tier 3 缺少引用 — 接受未明确引用 Tier 1/2 来源的博客
  5. PhD 自我认定 — 未衡量全部 5 项标准就宣称达到 PhD 水平；只要缺少一项，就不得结束
  6. 忽略空白 — 未记录未知内容就结束；知识空白是交付内容的一部分
  7. 居高临下 — 为了“让摘要更整洁”而隐瞒争议或矛盾；知识诚实本身就是成果
  8. 盲目信任内部知识 — Agent 的知识可能已经过时；务必对照来源核实

最终生成的文件结构

memoria/investigaciones/<slug>/
├── estado.md              ← progreso, métricas, metadata
├── hilos.md               ← árbol de hilos y sub-hilos con estado
├── fuentes-tier-1.md      ← fuentes más confiables consultadas
├── fuentes-tier-2.md      ← fuentes de alta confianza
├── fuentes-tier-3.md      ← fuentes con cautela
├── fuentes-rechazadas.md  ← fuentes evaluadas y descartadas (con razón)
├── hallazgos.md           ← consolidación de descubrimientos
├── ciclo-01.md            ← checkpoint del ciclo 1
├── ciclo-02.md
├── ciclo-N.md
├── sintesis.md            ← síntesis ejecutiva (Fase 6)
├── acciones.md            ← checklist de acciones aplicables
└── gaps.md                ← lo que NO se sabe, controversias, sesgos

调用示例

Usuario: /recursive-research

Skill: ¿Cuál es el tema que quieres investigar?
Usuario: Mecanismos de la memoria episódica en humanos

Skill: ¿Modo? (web / local / mixto)
Usuario: mixto

Skill: ¿Rutas locales?
Usuario: C:/Dropbox/papers-neurociencia

Skill: ¿Fuentes / autores priorizados? (opcional)
Usuario: Endel Tulving, Eleanor Maguire

Skill: ¿Fuentes excluidas? (opcional)
Usuario: -

Skill: ¿Tope de ciclos? (default 20)
Usuario: 25

Skill: Confirmado.
       Semilla: "memoria episódica en humanos"
       Modo: mixto · Local: [C:/Dropbox/papers-neurociencia]
       Priorizar: [Tulving, Maguire] · Tope: 25 ciclos

       Aplicando WDM + Munger para identificar hilos semilla...
       [muestra tabla]

       Hilos seleccionados:
       1. Bases neuroanatómicas (hipocampo, PFC)
       2. Fenomenología y taxonomía (Tulving et al.)
       3. Trastornos y disociaciones (amnesia, Alzheimer)
       4. Modelos computacionales
       5. Neurociencia cognitiva contemporánea

       La carpeta `memoria/` no existe. La creo — es necesaria para
       consolidar cada ciclo en disco.

       Ruta: memoria/investigaciones/memoria-episodica-humanos/

       Arrancando ciclo 1 (hilo con menor cobertura: 1)...

作者与许可证

欢迎贡献。如果你发现尚未涵盖的反模式、更好的启发式方法，或更可靠的 PhD 标准，请提交 PR。

评论

支持 Markdown