Community研究与数据分析github.com

深度研究

对一个问题进行端到端的深度研究:将其分解为子问题,并行搜索多个来源,针对每个子问题进行深入挖掘,然后将所有内容整合成一份带引用的 Markdown 报告,并通过 Telegram 交付。当用户提出“深度研究”、“彻底研究 X”、“写一份关于 X 的报告”、“调查 X”、“进行文献/竞争分析”、使用西班牙语提出“investigación profunda”、“investiga a fondo”、“hazme un informe/reporte sobre”或“investiga X”,或者要求进行有充分来源的多来源分析而非快速回答时使用。

深度研究 是什么?

该“深度研究”技能为 AI 智能体(如 Claude Code、Cursor、Codex)提供了严谨的端到端研究流程。它首先将用户输入分解为具体的子问题,然后并行执行搜索,对结果进行深度分析,并最终生成一份带有编号引用的综合报告。报告包含摘要、发现、矛盾点和空白区域,确保透明度。该技能支持多种平台(如 Hermes、Claude),并通过 `delegate_task` 函数调用实现并行子问题研究。其核心优势在于严格的规则引擎:强制要求真实来源、严禁捏造数据、要求每个事实性声明都附带引用,从而保证报告的真实性和可靠性,适合需要多角度、有引用的深度分析场景。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/ramzacc/deep-research-skill/tree/HEAD/skills/deep-research

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

深度研究 是做什么的?

您将生成一份严谨的分析师会接受的带引用报告。工作在固定的工作目录 ${HERMES_SKILL_DIR}/scripts/research.py 中完成,并由委托的研究员提供帮助。

输出

  • ~/research/<slug>.md — 最终报告,包含编号链接的引用和参考文献,通过 MEDIA: 行作为文档交付给用户。
  • ~/research/.work/<slug>/ — 计划、来源、证据、发现、草稿(用于恢复状态)。

硬性规则(绝不能违反)

  1. 绝不要捏造 URL、来源、引用 ID、编号、日期或发现。仅引用 <WORK>/sources.json 中存在的 S# ID。
  2. 草稿中的每个事实性声明都必须附带引用:[S12]、[S3, S7] 或 [S3][S7]。
  3. 不要跳过步骤,也不要改变顺序。如果某个命令失败,请遵循失败处理。
  4. 不要将原始搜索转储粘贴到报告中。要综合提炼。
  5. 将下面的 <WORK> 替换为 init 打印的确切绝对路径。Shell 变量在终端调用之间无法保留——请始终使用完整路径。
  6. 健康、药物或法律风险话题:报告来源关于选项、可用性、价格、监控和风险的说法。不要提供关于配制、制造或采购兽医/非监管产品的逐步说明。在任何提及此类产品的地方添加风险警告。
  7. 专有名词(个人、团体、实验室、项目、奖学金、产品)只有在证据摘录或获取的页面中逐字出现时才能出现在报告中。否则应省略,或将其列在“未验证”部分。

步骤 0 — 范围界定(10 秒)

  • 如果请求缺少主题、范围或(对于比较性问题)比较集,请准确提出一个澄清性问题并停止。否则继续。
  • 如果请求是一次快速事实查询,一个搜索即可回答,请说明原因并直接回答,而不是运行此流程。
  • 如果用户要求对结果执行后续操作(更新任务、发送消息、写入文件),请记住其逐字意图,用于 plan.json 中的 post_actions。
  • 否则回复一行:开始对“<topic>”进行深度研究。 然后继续。

步骤 1 — 初始化

  1. 获取今天的日期:date +%F。
  2. 选择一个 slug:<YYYY-MM-DD>-<3-6 个小写单词,用连字符连接>;2-61 个字符,匹配 ^[a-z0-9][a-z0-9-]{1,60}$。示例:2026-11-15-eu-ai-act-enforcement。
  3. 运行并复制打印的 work dir: 路径 — 对于后续每个命令,它都是 <WORK>:
python3 ${HERMES_SKILL_DIR}/scripts/research.py init --slug <SLUG>

不要手动创建目录。

步骤 2 — 规划

使用文件写入工具(而非 shell heredoc)编写 <WORK>/plan.json。格式精确如下:

{
  "topic": "一句话描述主题",
  "slug": "<SLUG>",
  "asks": ["用户提示中的每个明确请求,每个一项"],
  "user_context": "来自提示的用户档案/约束以及 Hermes 对用户的了解;允许为空字符串",
  "identify": ["提示所指的具体工件(如果有)"],
  "post_actions": ["用户要求对结果执行的后续操作,逐字意图"],
  "subquestions": [
    {
      "id": "q1",
      "question": "一个清晰的问题",
      "queries": ["搜索查询", "另一种措辞", "query 2026", "site:official-domain query"],
      "covers": [0]
    }
  ]
}

规则:

  • asks:用户提示中每个明确请求对应一项。不要发明 asks。至少一项。
  • user_context:来自提示的用户约束/目标,以及 Hermes 从记忆或对话中了解到的任何信息。保持事实性;当没有要添加的内容时,"" 是有效的。
  • identify:可选列表,提示通过引用提及的具体工件(指南、报告、帖子或页面)。当没有时,省略或使用 []。如果提示说“某人在论坛 X 上写的指南”,这是一个工件:主题是规范文档,而不是提及它的论坛帖子。
  • post_actions:可选列表,默认为 []。记录用户要求对结果执行的每个后续操作,逐字意图(例如“用结果更新任务 Y”或“将报告路径写入 ~/done.txt”)。post-actions 步骤在 finalize 之后运行它们;它们必须在后台研究者唤醒后仍然存在,因此稍后重新读取 plan.json(或运行 status)。
  • 如果 identify 非空,则 q1 必须恰好是:准确识别所指的 <工件>:其规范名称、当前 URL 和作者历史。对 q1 使用官方/主要查询,并优先选择规范的、维护中的文档,而不是提及它的论坛帖子。
  • covers:此子问题回答的 asks 的索引(从 0 开始)。每个 ask 必须至少由一个子问题覆盖;q1 可能覆盖识别 ask。仅对于纯识别子问题允许空列表。
  • 4-8 个子问题,ID 按顺序为 q1..q8,唯一。
  • 每个子问题覆盖不同的角度。使用此菜单:背景/定义;当前状态和时间线;关键参与者/公司/机构;数据和数字;证据和案例研究;批评、风险和反证;近期发展(过去 12 个月);展望和竞争性预测。
  • 如果请求是一个决策(选择、购买、申请、移动、开始、比较可操作的选项),则使最后一个子问题成为执行子问题:“对这位用户来说,采取最佳选项需要什么:步骤和文书工作、时间线、总成本、主要风险和备选方案?”它覆盖关于决策本身的 asks。对于纯信息性请求则跳过它。
  • 每个子问题 3-5 个查询。使其多样化:(a) 普通问题措辞,(b) 替代词汇/同义词措辞,(c) 一个带有当前年份的,(d) 一个针对主要来源的(报告 filetype:pdf、site:gov、site:edu、annual report、statistics、dataset),(e) 一个对抗性措辞(criticism、risks、limitations、failed)。切勿重复相同的查询两次。

填充后的示例(显示 3 个,共 4+ 个子问题):

{
  "topic": "2025 年欧盟 AI 法案的执行情况",
  "slug": "2026-11-15-eu-ai-act-enforcement",
  "asks": [
    "解释 2025 年适用的义务",
    "解释谁执行该法案及其已采取的行动",
    "总结合规成本和批评意见"
  ],
  "user_context": "政策分析师;需要简要简报,而非法律建议。",
  "identify": [],
  "post_actions": [],
  "subquestions": [
    {"id": "q1", "question": "欧盟 AI 法案规定了哪些义务,哪些在 2025 年适用?",
     "queries": ["EU AI Act obligations timeline 2025", "AI Act prohibited practices February 2025",
                 "European Commission AI Act guidelines 2025", "EU AI Act regulation text official journal"],
     "covers": [0]},
    {"id": "q2", "question": "谁执行该法案及其已采取的行动?",
     "queries": ["EU AI Office enforcement 2025", "national competent authorities AI Act list",
                 "AI Act enforcement actions fines 2025", "site:digital-strategy.ec.europa.eu AI Act enforcement"],
     "covers": [1]},
    {"id": "q3", "question": "公司和批评者如何评价合规成本和差距?",
     "queries": ["AI Act compliance cost criticism", "industry reaction EU AI Act 2025",
                 "AI Act loopholes civil society report", "AI Act GPAI obligations criticism 2025"],
     "covers": [2]}
  ]
}
  1. 在搜索之前进行验证(离线,无 API 调用):
python3 ${HERMES_SKILL_DIR}/scripts/research.py search --work <WORK> --dry-run

期望输出 plan ok: N subquestions, M queries。任何 error: 行 → 修复 plan.json 并重复。

干运行还会检查每个 ask 是否被覆盖,每个 covers 索引是否有效,以及 identify/q1 规则是否满足;如果失败,会指出需要修复的确切字段。

步骤 3 — 广度搜索

python3 ${HERMES_SKILL_DIR}/scripts/research.py search --work <WORK>

这会并行运行每个查询,去重 URL,分配稳定的 S# ID,写入 <WORK>/sources.json,并为每个子问题写入 <WORK>/evidence/<qid>.md。

检查打印的摘要:

  • queries: X ok, Y failed — 注意失败的查询;它们被跳过,不是致命的。
  • unique sources: — 如果少于 15 个,向来源最少的子问题添加 1-2 个新查询(使用写入工具编辑 plan.json),重新运行相同的命令。ID 保持稳定。
  • 任何来源为 0 的子问题:重写其查询(放宽措辞,去掉行话),重新运行。如果两次尝试后仍为 0,则继续——稍后在报告中说明差距。

步骤 4 — 深度研究(委托的研究员)

一次 delegate_task 调用,其中每个子问题对应一个任务——切勿每个子问题调用一次:

delegate_task(tasks=[<q1 的任务>, <q2 的任务>, ...])

为每个子问题填写下面的每个任务模板:替换 <WORK>、<QID>、<QUESTION>、<TOPIC>、<N>(子问题总数)。路径已经是绝对的,因为此技能在加载时已展开(如果 ${HERMES_SKILL_DIR} 仍然是字面量,请在委托前替换为技能目录)。不要让研究员进一步委托。

goal: |
  研究子问题 <QID>: <QUESTION>
  属于关于以下内容的更大报告的一部分: <TOPIC>
  用户背景: <USER_CONTEXT>
  此子问题覆盖的 asks: <ASK_INDICES: 每个索引对应的确切 ask 文本>
  今天: <TODAY, YYYY-MM-DD>

context: |
  您是 <N> 位研究员之一。完全在本地工作目录 <WORK> 中工作。
  不要提问;你无法进一步委派。

  步骤 1 — 读取 <WORK>/evidence/<QID>.md(包含稳定 S-ID 的候选来源摘要)。

  步骤 2 — 后续研究:最多 4 次搜索调用。总共获取至少 2 页,最多 4 页:
    python3 ${HERMES_SKILL_DIR}/scripts/research.py search --work <WORK> --subq <QID> --query "your query"
    (每次调用最多重复 --query 3 次)
    python3 ${HERMES_SKILL_DIR}/scripts/research.py fetch --work <WORK> --id S12 --max-chars 20000
  重新获取页面是免费的:获取的文本会缓存在 `<WORK>/pages/<S#>.md` 中。
  对于每个价格、截止日期、资格规则或其他决策关键数字,对其来源运行 fetch,并在完整文本中确认该值。使用获取的完整文本,而不是证据摘录。如果证据中已经出现了可以回答该问题的官方页面 URL,请直接获取它,而不是再次搜索。后续搜索是并发安全的;使用它们打印的新 S-ID。

  步骤 3 — 回答子问题。仅使用证据文件或您获取的页面中存在的事实。使用这些输出中出现的 S-ID 进行引用。如果来源冲突,请记录冲突,而不是默默选择一方。如果证据缺失,请在差距中说明。
  对于每个日期,相对于今天设置 date_status:“open”(开放的)、“past”(过去的)或“unknown”(未知的)。切勿将过去的截止日期呈现为可操作的;如果来源显示下一个周期,请给出它。
  专有名词:仅在证据文件或获取的页面中逐字出现时,才包括个人/团体/实验室/项目/奖学金/产品。否则省略它或将其放在差距中。

  步骤 4 — 使用文件写入工具将有效的 JSON 写入 <WORK>/findings/<QID>.json:
  {"id": "<QID>",
   "question": "<QUESTION>",
   "answer_summary": "用 3-6 句话回答子问题,每个声明后跟其 S-ID 引用",
   "findings": [{"claim": "一个带有数字/日期/名称的可验证事实", "source_ids": ["S3"],
                 "confidence": "high", "verified": true, "date_status": "open"}],
   "contradictions": ["来源 A 说 X [S4] 而来源 B 说 Y [S9]"],
   "gaps": ["无法确定的内容及其原因"]}

  JSON 规则:3-8 个发现;source_ids 仅限 S-ID,绝不能是 URL;confidence 精确地为 "high"、"medium" 或 "low";只有在完整获取的文本中确认了声明时,verified 才为 true,否则为 false;date_status 在日期声明上是必需的,并且精确地为 "open"、"past" 或 "unknown"(对于非日期声明省略它);contradictions 和 gaps 是数组(可以为空)。使用以下命令验证它:
    python3 -m json.tool <WORK>/findings/<QID>.json > /dev/null && echo ok
  然后仅以该 JSON 对象回复,不带任何其他文字。

output_schema: {
  "type": "object",
  "required": ["id", "question", "answer_summary", "findings", "contradictions", "gaps"],
  "properties": {
    "id": {"type": "string"},
    "question": {"type": "string"},
    "answer_summary": {"type": "string"},
    "findings": {"type": "array", "items": {"type": "object",
      "required": ["claim", "source_ids", "confidence", "verified"],
      "properties": {"claim": {"type": "string"},
                     "source_ids": {"type": "array", "items": {"type": "string"}},
                     "confidence": {"type": "string", "enum": ["high", "medium", "low"]},
                     "verified": {"type": "boolean"},
                     "date_status": {"type": "string", "enum": ["open", "past", "unknown"]}}}},
    "contradictions": {"type": "array", "items": {"type": "string"}},
    "gaps": {"type": "array", "items": {"type": "string"}}
  }
}

调用后:如果结果已经包含研究员的结果,请立即继续执行 status。否则告诉用户 N 位研究员正在运行。 并结束你的回合;结果将以新消息的形式到达。不要轮询,不要休眠,不要在等待时自己完成工作。

当结果到达时(或当您恢复时):

  1. python3 ${HERMES_SKILL_DIR}/scripts/research.py status --work <WORK>(它打印 post_actions;重新读取 plan.json 以便它们能在唤醒后存活)。
  2. 对于 findings: 下列为缺失的每个子问题 → 您自己研究它,一次一个:读取其证据文件,可选择运行最多 4 次临时搜索并获取至少 2 页,最多 4 页,然后使用写入工具以相同的形状编写 <WORK>/findings/<qid>.json。
  3. 如果 delegate_task 不可用或出错:按顺序自己完成所有子问题,相同的形状,相同的文件。

步骤 5 — 综合

  1. 读取每个 <WORK>/findings/*.json。当发现需要更多细节时,读取 <WORK>/evidence/<qid>.md。不要读取所有 sources.json 文件。

…[已截断用于翻译]

相关技能