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 ${HERMES_SKILL_DIR}/scripts/research.py 中完成,并由委托的研究员提供帮助。
输出
~/research/<slug>.md— 最终报告,包含编号链接的引用和参考文献,通过MEDIA:行作为文档交付给用户。~/research/.work/<slug>/— 计划、来源、证据、发现、草稿(用于恢复状态)。
硬性规则(绝不能违反)
- 绝不要捏造 URL、来源、引用 ID、编号、日期或发现。仅引用
<WORK>/sources.json中存在的S#ID。 - 草稿中的每个事实性声明都必须附带引用:
[S12]、[S3, S7]或[S3][S7]。 - 不要跳过步骤,也不要改变顺序。如果某个命令失败,请遵循失败处理。
- 不要将原始搜索转储粘贴到报告中。要综合提炼。
- 将下面的
<WORK>替换为init打印的确切绝对路径。Shell 变量在终端调用之间无法保留——请始终使用完整路径。 - 健康、药物或法律风险话题:报告来源关于选项、可用性、价格、监控和风险的说法。不要提供关于配制、制造或采购兽医/非监管产品的逐步说明。在任何提及此类产品的地方添加风险警告。
- 专有名词(个人、团体、实验室、项目、奖学金、产品)只有在证据摘录或获取的页面中逐字出现时才能出现在报告中。否则应省略,或将其列在“未验证”部分。
步骤 0 — 范围界定(10 秒)
- 如果请求缺少主题、范围或(对于比较性问题)比较集,请准确提出一个澄清性问题并停止。否则继续。
- 如果请求是一次快速事实查询,一个搜索即可回答,请说明原因并直接回答,而不是运行此流程。
- 如果用户要求对结果执行后续操作(更新任务、发送消息、写入文件),请记住其逐字意图,用于
plan.json中的post_actions。 - 否则回复一行:
开始对“<topic>”进行深度研究。然后继续。
步骤 1 — 初始化
- 获取今天的日期:
date +%F。 - 选择一个 slug:
<YYYY-MM-DD>-<3-6 个小写单词,用连字符连接>;2-61 个字符,匹配^[a-z0-9][a-z0-9-]{1,60}$。示例:2026-11-15-eu-ai-act-enforcement。 - 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]}
]
}
- 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):
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)。- 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。 - 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
- 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]