核心用法
DeepthinkLite 是一个受 OpenAI Deep Research 启发的本地优先深度研究工作流工具。用户通过命令行执行 deepthinklite query "研究问题" --out ./目录 即可启动一次结构化研究会话。每次运行会生成三个持久化文件：：questions.md（研究问题地图）、response.md（最终答案）、meta.json（元数据）。支持两种源材料模式——默认的 raw 模式允许原始片段引用，以及更严格的 summary-only 模式仅输出摘要，除非用户明确授权。
显著优点
本地优先与可复现性是最大亮点。所有产出均为纯 Markdown 文件，可直接纳入版本控制、进行 diff 对比或长期存档，彻底解决了聊天会话内容丢失的问题。设计上强调安全性意识，内置提示注入防护规则，要求代理在访问网络或非明显本地路径前必须获得用户明确许可，并将所有外部来源内容标记为不可信数据。时间预算机制（默认10-60分钟）防止浅层回答，确保研究深度。零第三方依赖、仅使用 Python 标准库，极大降低了供应链攻击面。
潜在缺点与局限性
该工具本质是工作流框架而非自动化代理，实际的信息检索、网页浏览、代码分析仍需依赖外部代理或人工完成，本身不内置任何搜索或浏览能力。对于期望"一键出报告"的用户，需要理解这只是一个结构化脚手架。此外，严格的权限询问机制在频繁操作时可能增加交互负担。目前生态较新，与 RAGLite 等配套工具的集成深度有待验证。
适合的目标群体
主要面向需要可审计、可复现研究流程的知识工作者：软件架构师进行技术选型调研、学术研究者整理文献综述、产品经理分析竞品、以及任何希望将深度思考过程结构化留存的开发者。特别适合对数据主权敏感、偏好本地文件而非云端服务的用户。
使用风险
性能方面，由于依赖外部代理执行实际研究，整体耗时受代理能力制约。依赖项风险极低（零第三方包），但需注意输出目录的磁盘空间管理。常规风险包括：若用户误指定系统关键目录为 --out 参数，可能创建意外文件夹（虽无覆盖风险）；以及 slugify 函数在极端输入下可能产生非预期目录名。建议始终指定受控的工作目录。