mcpField
R
research

research

github.com/weizhena生产力2.4k754 次安装10 周前更新
代码仓库

关于 research

用于初步研究的 Skill，会拟定研究对象和字段框架，再通过网络搜索与用户输入补充内容。确认后保存大纲和字段定义，供后续研究流程使用。

主要功能

  1. 01拟定研究对象和字段框架
  2. 02请用户审核框架
  3. 03通过网络搜索补充信息
  4. 04合并现有字段定义
  5. 05写入 outline.yaml 和 fields.yaml

适用场景

  1. 01启动新主题的研究
  2. 02用近期信息补充初始框架
  3. 03准备深入研究所需输入

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/weizhena/deep-research-skills --skill research

安装后在 Claude Code 中输入/research确认已加载。

附带文件validate_json.py

详细介绍

研究技能 - 初步研究

触发方式

/research <topic>

工作流

第 1 步：根据模型知识生成初始框架

根据主题，利用模型已有的知识生成：

  • 该领域的主要研究对象／条目列表
  • 建议的研究领域框架

输出 {step1_output}，并使用 request_user_input 确认：

  • 是否需要添加／删除条目？
  • 领域框架是否符合要求？
第 2 步：通过网络搜索补充

使用 request_user_input 询问时间范围（例如：最近 6 个月、从 2024 年至今、不限时间）。

参数获取：

  • {topic}：用户输入的研究主题
  • {YYYY-MM-DD}：当前日期
  • {step1_output}：第 1 步的完整输出
  • {time_range}：用户指定的时间范围

硬性约束：必须严格复现以下提示词，只替换 {xxx} 中的变量，不得修改结构或措辞。

启动 1 个 web-search-agent（后台），提示词模板：

prompt = f"""## Task
Research topic: {topic}
Current date: {YYYY-MM-DD}

Based on the following initial framework, supplement latest items and recommended research fields.

## Existing Framework
{step1_output}

## Goals
1. Verify if existing items are missing important objects
2. Supplement items based on missing objects
3. Continue searching for {topic} related items within {time_range} and supplement
4. Supplement new fields

## Output Requirements
Return structured results directly (do not write files):

### Supplementary Items
- item_name: Brief explanation (why it should be added)
...

### Recommended Supplementary Fields
- field_name: Field description (why this dimension is needed)
...

### Sources
- [Source1](url1)
- [Source2](url2)
"""

一次性示例（假设研究 AI 编码历史）：

## Task
Research topic: AI Coding History
Current date: 2025-12-30

Based on the following initial framework, supplement latest items and recommended research fields.

## Existing Framework
### Items List
1. GitHub Copilot: Developed by Microsoft/GitHub, first mainstream AI coding assistant
2. Cursor: AI-first IDE, based on VSCode
...

### Field Framework
- Basic Info: name, release_date, company
- Technical Features: underlying_model, context_window
...

## Goals
1. Verify if existing items are missing important objects
2. Supplement items based on missing objects
3. Continue searching for AI Coding History related items within since 2024 and supplement
4. Supplement new fields

## Output Requirements
Return structured results directly (do not write files):

### Supplementary Items
- item_name: Brief explanation (why it should be added)
...

### Recommended Supplementary Fields
- field_name: Field description (why this dimension is needed)
...

### Sources
- [Source1](url1)
- [Source2](url2)
第 3 步：询问用户已有的领域

使用 request_user_input 询问用户是否有现有的领域定义文件；如果有，则读取并合并。

第 4 步：生成大纲（拆分为多个文件）

合并 {step1_output}、{step2_output} 和用户已有的领域，生成两个文件：

outline.yaml（条目 + 配置）：

  • topic：研究主题
  • items：研究对象列表
  • execution：
    • batch_size：并行 Agent 数量（通过 request_user_input 确认）
    • items_per_agent：每个 Agent 的条目数（通过 request_user_input 确认）
    • output_dir：结果输出目录（默认：./results）

fields.yaml（领域定义）：

  • 领域类别和定义
  • 每个领域的名称、描述、detail_level
  • detail_level 层级：brief -> moderate -> detailed
  • uncertain：不确定的领域列表（预留字段，在深度阶段自动填充）
第 5 步：输出并确认
  • 创建目录：./{topic_slug}/
  • 保存：outline.yaml 和 fields.yaml
  • 展示给用户确认

输出路径

{current_working_directory}/{topic_slug}/
  ├── outline.yaml    # items list + execution config
  └── fields.yaml     # field definitions

后续命令

  • /research-add-items - 补充条目
  • /research-add-fields - 补充领域
  • /research-deep - 开始深度研究

评论

支持 Markdown