Community研究与数据分析github.com

itsjwill/deep-dive

对任意主题进行真正深入的调查。使用 RECON 研究引擎发现并评分最佳的 YouTube 视频、学术论文、播客和 X/Twitter 帖子(外加一个强行加入的反对观点源),将其加载到 NotebookLM 笔记本中,进行质询,验证关键引用,然后给出带有明确观点和引用来源的判断及行动计划。在没有 RECON 时以精简模式运行(网络搜索 + 直接阅读)。

deep-dive 是什么?

Deep Dive 技能赋予 AI 智能体(如 Claude Code 或 Cursor)进行结构化、多步骤深度研究的能力,其目标是超越简单的网络搜索。它通过 RECON MCP 服务器(一个开源研究引擎)对来源进行筛选和评分,优先选择 Transcript 深度和可信度高的内容,构建一个 NotebookLM 笔记本作为知识库。核心流程包括根据主题类型和触发词(如 "deep dive"、"ultra think")选择研究深度和来源(如技术研究侧重 YouTube 和 X,科学主题则加入学术论文),然后使用 NotebookLM 进行质询,最后通过强制验证关键引用来确保事实准确性(约 5 个核心声明)。该技能会生成一个包含直接判断、具体数据、反对观点和可执行下一步行动的研究报告,并支持通过 `track_edge` 机制让 RECON 从结果中学习。如果 MCP 服务器未连接,它会自动回退到精简模式,通过直接网络搜索和读取页面来完成研究,确保在无法获取完整工具链时仍能运作。

兼容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/itsjwill/deep-dive/tree/HEAD/skills/deep-dive

Installed? Explore more 研究与数据分析 skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

Deep Dive

深度研究不是一次网络搜索。找到最好的来源,真正去阅读它们,从对立面攻击这个想法,检查引用,然后带着观点和计划回来。

引擎:RECON(MCP 服务器 auto-research)加 notebooklm-mcp。没有它们,则运行精简模式(步骤 3)。配置:references/setup.md。所有工具:references/tools.md。

规则零:先行动

当触发短语出现时,第一个动作是调研。不要先输出文本,不要问澄清问题。从上下文中提取主题。如果主题是用户自己的代码、机器人或业务,则研究该领域的外部策略和最佳实践,然后将其应用到他们的场景中,并以简报形式呈现。

步骤 1:检查库和工具

  • 如果 research 工具不在你的工具列表中,搜索它一次(例如 ToolSearch +auto-research research)。仍然缺失意味着服务器未连接:进入精简模式(步骤 3)并用一句话说明。
  • 如果主题听起来熟悉,运行 list_research_notebooks()。如果找到匹配的近期笔记本,则直接对其进行查询(步骤 4),而不是重建。

步骤 2:选择设置并运行 RECON

按触发词确定深度:

触发词num_sourcesNotebook 问题数额外操作
"research X"53
"deep dive X"65
"ultra think X"10(最大)6-8并行角度代理(步骤 4b)
"think the impossible X"106-8步骤 4b + suggest_research() 用于相邻想法

按领域确定来源(论文在快速变化的技术领域是噪声,在科学领域是黄金):

主题类型来源并行添加
技术、工具、AI、软件、营销策略["youtube"]X 搜索 + 网络搜索 + GitHub 搜索(时效性重要)
科学、健康、心理学、经济学["youtube", "papers"]
交易、投资、小众技艺["youtube", "podcasts"] 使用 mode="expert"X 搜索
商业策略、通识学习["youtube", "papers", "podcasts"]X 搜索用于创始人/运营者的观点

X 搜索(免费,无需账户): 使用 allowed_domains: ["x.com"] 进行网络搜索。运行两个查询:主题本身,以及“<主题> 不适用 / 被高估 / 错误”。结果通常来自正在构建该事物的人的帖子、X 文章和推文,常常比 YouTube 领先数周。科学和健康主题跳过 X(那里主要是噪声)。

模式: 对于交易、机器人、策略或任何实践者胜过影响者的领域(反转受欢迎度评分),使用 mode="expert"。其他情况使用 mode="general"。

主题字符串: 3-8 个可搜索的词。例如“清算级联交易策略”,而不是一个段落。

research(topic="<主题>", sources=[...], num_sources=N, mode="<模式>")

耗时 1-4 分钟:搜索,根据实质内容、可信度和 Transcript 深度对每个来源进行评分,用反对来源替换最弱的槽位,构建 NotebookLM 笔记本,更新知识图谱。读取 status、notebook_url、notebook_id、sources、connected_notebooks。

步骤 3:处理失败或运行精简模式

结果操作
success / partial步骤 4(注意失败的来源)
登录 / "已登出" / "新笔记本" 错误运行 notebooklm_login()。如果已登出,用一句话告知用户运行 notebooklm_login(interactive=true),然后进入精简模式。永远不要使用 notebooklm-mcp setup_auth(它检测不到 notebook.google.com)
无来源用更宽泛的主题字符串重试一次,然后进入精简模式

精简模式(无笔记本):如果 RECON 已连接,并行运行 search_videos / search_papers,加上 3-5 次网络搜索(以及当主题路由到 X 时的 2 次 X 搜索):主题本身、“<主题> 最佳实践 / 实践者如何做”、“<主题> 问题 / 批评 / 不适用”,以及“<主题> 数据 / 基准 / 结果”。直接获取并阅读前 5-8 个页面或 Transcript。至少保留一个反对来源。然后完全按照正常流程执行步骤 5-7。

步骤 4:质询

4a. 笔记本问题

使用 notebooklm-mcp ask_question(question, notebook_url=<url>),在同一会话中一个接一个地提问。获取实质内容,而非摘要:

  1. 机制: “使其工作的核心机制是什么?请逐步说明,并给出具体细节。”
  2. 实践者手册: “获得真实结果的人做了什么不同的事?具体的策略、数字、设置、阈值。”
  3. 反对观点: “这在哪些方面会失败?来源中提到的最大风险、批评和错误。”
  4. 数字: “来源中的每一个具体数字、基准、成本或结果,每个都要附上其来源、一个简短的确切引用。”
  5. 应用: “鉴于<用一句话描述用户的情况>,他们应该先做什么,又应该避免什么?”

更深度的触发词额外添加:“来源之间在哪里有分歧,哪一方的证据更好?”、“大多数人所忽视的非显而易见洞察是什么?”、“10 倍版本会是什么样子?”

含糊的答案 = 一次追问,明确指出你需要的确切内容。

4b. 并行角度代理(ultra think / think the impossible)

同时生成 3 个子代理,每个都有狭窄的任务和自己独立的搜索:

  • 实践者: 拥有真实结果的人做了什么,附带数字。拥有 X 搜索。
  • 证据: 研究、基准、数据、官方文档。
  • 反对观点: 失败、批评、谁认为这行不通以及为什么。

每个代理返回 声明 | 来源 URL | 精确支持引用 格式的声明。你负责合并。不要让子代理编写最终简报。

步骤 5:写作前验证

引用使薄弱的主张看起来经过检查。研究表明深度研究工具会制造 3-13% 的 URL,且只有 40-80% 的引用实际支持其声明。因此:

  1. 挑选判断所依赖的 5 个最关键声明。
  2. 对每个声明,确认来源确实说过:获取页面,或询问笔记本“请引用确切表明 <声明> 的段落”。
  3. 得到支持 = 保留。未找到 = 删除或标记为 (未验证)。被反驳 = 将其移至反对观点部分。
  4. 只引用本次会话中某个工具返回的 URL。永远不要凭记忆写出 URL。

步骤 6:交付简报

观点优先。给出判断,而非文献综述。

## Deep Dive:<主题>

**核心结论:** <2-3 句话:什么是真的,该做什么,置信度高/中/低及原因>

### 什么真正有效
- <发现> [来源]

### 数字
| 指标 | 数值 | 来源 |

### 在哪里会失败(反对观点)
- <风险 / 失败模式> [来源]

### 来源之间的分歧
<谁说了什么,哪一方的证据更好>(如无则跳过)

### 这对你意味着什么
<应用到用户的实际情况:第一步行动,应跳过什么,应测试什么>

### 来源
| # | 标题 | 类型 | 评分 | 入选原因 |
(标记反对来源;标记已验证声明的来源)

笔记本:<notebook_url>  |  已验证:<n>/5 个关键声明

标记缺乏证据的炒作。如果证据薄弱,明确说明置信度低。不要填充内容。

步骤 7:提供后续行动(每行一个,只提供合适的)

  • 继续查询笔记本(它会保持活跃)。
  • suggest_research() 用于填补知识空白;knowledge_map() 用于与过去研究建立联系。
  • 在用户根据结果行动后:track_edge(notebook_id, "edge" | "no_edge" | "negative_edge", notes)。RECON 会学习哪些来源有价值;edge_report() 会显示投资回报率。

常见陷阱

  • 每个视频的 key_concepts 为空 = Transcript 提取失败(RECON < 1.0.1 配合 youtube-transcript-api >= 1.0)。此时评分仅依据标题和频道。更新 RECON。
  • NotebookLM 已迁移到 notebook.google.com。 登录状态约在闲置 12 天后失效,Google 可能要求“验证你的身份”。通过 notebooklm_login(interactive=true) 修复。
  • “配置文件已在另一个进程中打开” = notebooklm-mcp 查询持有 Chrome 配置文件。等待一分钟后重试。
  • 论文偏离主题(例如编码问题出现金融论文):OpenAlex 对新型工具支持较弱。放弃论文,改用网络 + GitHub。
  • 工具调用次数多不代表更准确。 随着研究范围扩大,事实核查准确性会下降。五篇精读的来源胜过三十篇略读的来源。
  • X 帖文是线索,不是证据。 常见的诱饵帖和看似正确但错误的观点很普遍。只有当帖子展示了真实数据或来自做过该事情的人(构建者、团队成员、运营者)时,才引用它;否则,从别处核实。
  • Reddit 免费无法访问。 Reddit 屏蔽了 Claude 的网络搜索,关闭了自助服务 API 密钥(2025 年 11 月),并对脚本返回 403 错误。不要试图绕过。如果 Chrome 扩展中的 Claude 已连接且用户想要 Reddit,请在一个新标签页中打开 reddit.com 搜索,像人类一样阅读前 2-3 个帖子。
  • 一个反对来源不等于平衡。 对于有争议的话题,主动陈述最有力的对立案例。

相关技能