↑

深度调研 - 初步框架生成v1.0.0

deep-research-research4 KB

输入 `/research <topic>` 启动,先基于模型知识生成调研对象列表与字段框架,再经网络搜索补充最新 items 和推荐字段,最终输出 outline.yaml 与 fields.yaml 两份结构化文件。适用于学术调研、技术选型、竞品 benchmark 等需要先搭骨架再填内容的场景。

0 0 0 1 更新于 2026-10-28 14:13

免责声明:本站部分 Skill 来源于公开渠道,使用前请注意识别相关风险,内容版权归原作者所有,如 Skill 涉及版权问题,请在线反馈,核实后予以下架处理。

概述

本 Skill 面向需要快速搭建调研框架的场景,通过「内部知识预生成 + 网络搜索补全」的两段式流程,将零散话题转化为可执行的结构化调研方案。用户输入 /research <topic> 后,系统先基于模型已有知识产出该领域的核心研究对象列表与建议调研字段,经用户确认后再触发后台 web-search-agent,按指定时间范围检索最新进展、补充遗漏 items 与新增维度。最终合并所有信息,生成 outline.yaml(items + 并行执行配置)与 fields.yaml(字段定义及 detail_level 分层)两份文件,作为后续深度调研的基准骨架。

技能包含

  • SKILL.md(本文件):触发方式、五步执行流程、prompt 硬约束模板与输出约定
  • README.md:安装与使用说明
  • examples/:one-shot 示例(如 AI Coding 发展史调研的完整输入输出样例)

核心能力

  • 话题骨架预生成:基于模型内部知识自动梳理领域主要研究对象与推荐调研维度,无需用户从零构思
  • 人机确认循环:items 列表与字段框架均经 AskUserQuestion 交互确认,避免一次性输出偏差
  • 时效性补全:通过后台 web-search-agent 按用户指定时间范围检索,补充最新 items、字段及信息来源
  • 结构化交付:自动生成 outline.yaml(含 batch_size、items_per_agent 等执行参数)与 fields.yaml(含极简/简要/详细三级 detail_level),直接衔接 /research-deep 深度调研
  • 字段弹性设计:支持用户导入已有字段文件合并,uncertain 字段自动标记留待 deep 阶段填充

应用场景

用户怎么说本技能做什么
"帮我调研一下 AI Coding 工具的发展情况"生成 AI Coding 领域核心工具列表与对比字段框架,搜索 2024 年至今的新工具补充,输出 outline.yaml + fields.yaml
"我们要做向量数据库选型,先搭个调研框架"梳理主流向量数据库产品 items,定义性能、生态、部署成本等字段,经确认后生成可并行执行的调研骨架
"这个学术方向最近有什么新进展,帮我列个提纲"基于模型知识列出该方向关键研究问题与方法论,再按指定时间范围检索最新论文/项目补充,生成带来源标注的调研提纲
"我们已有字段定义,能直接复用吗"询问并读取用户已有字段文件,与新生成框架合并去重,统一输出到 fields.yaml