Research

核心用法

Research Skill 是一款面向知识工作者的结构化研究管理工具，采用"文档即产物"的设计理念。它将对话视为临时过程，最终输出为可持久化的Markdown研究文档。

两种研究模式

1. 交互式研究（默认）
适合与用户协作探索的实时研究场景。系统会自动创建标准化文件夹结构（~/.openclaw/workspace/research/<topic-slug>/），包含prompt.md（研究问题）和research.md（动态更新的研究发现）。每次对话循环执行：搜索资料→更新文档→展示进度→引导下一步探索。

2. 深度研究（异步）
针对复杂课题的全面调查，通过parallel-research CLI调用Parallel AI API。支持多档处理器（lite至ultra8x），耗时从分钟到数小时不等，最终生成详细Markdown报告。

文档生命周期

研究文档包含六大标准模块：待解决问题、研究发现、方案对比、资源引用、下一步行动。支持合成检查点（每5-10轮对话）、状态标记（Active/Complete/Ongoing/Graduated）、以及向项目规格文档的晋升流转。

显著优点

• 研究过程资产化：将分散的对话转化为结构化知识库，避免重复劳动
• 双轨制灵活适配：轻量探索用交互式，复杂课题用深度模式
• 开放生态集成：预留parallel-research、export-pdf等CLI扩展接口
• 渐进式完善：支持从研究直接"毕业"为项目规格，无缝衔接开发

局限性与风险

• 外部工具依赖：深度研究需用户自行安装Parallel AI CLI并配置API密钥
• 无原生PDF渲染：依赖PyMuPDF，表格会退化为堆叠行显示
• 研究质量边界：工具本身不保证研究结论准确性，取决于底层搜索能力与用户判断
• 成本不透明：Parallel AI调用可能产生费用，但技能文档未明确计费说明

适合人群

产品经、技术负责人、学术研究者、独立开发者等需要系统性探索课题、对比方案、建立知识档案的专业人士。特别适合在立项前进行技术选型、市场分析、竞争格局研究等场景。

常规风险

• API密钥管理不当可能导致泄露
• 长期研究文档若缺乏版本控制可能丢失历史
• 深度研究任务的异步特性需要用户自行设计轮询或cron检查机制

核心功能概述

Research Skill 是一款面向 AI 辅助研究的文档型工具，采用「对话即草稿，文档即成果」的设计理念。它提供两种互补的研究模式：交互式研究（实时协作探索）与深度研究（异步并行分析），最终沉淀为结构化的 Markdown 知识库。

显著优势

架构安全性：纯 Markdown 实现，无可执行代码、无第三方依赖、无网络外发请求，通过六维安全雷达满分认证（S+ 级）。

双轨研究模式：

• 交互式适合快速验证、头脑风暴，实时同步发现到 research.md
• 深度研究调用 parallel-research CLI，利用多层级处理器（lite 至 ultra8x）处理复杂议题，耗时分钟至小时级

知识管理规范：强制目录结构（prompt.md 存原始问题，research.md 存发现），支持原子化发现、来源链接、置信度标注，并可在研究完成后「毕业」为项目规格书或归档为参考资料。

可观测性设计：内置合成检查点（每 5-10 轮对话）、PDF 导出、状态追踪等机制，确保研究过程可追溯。

局限与约束

• 无自动化执行：需用户手动触发 CLI 命令（如 parallel-research），工具本身不主动调用外部服务
• PDF 渲染限制：表格转为堆叠行显示（PyMuPDF 限制），复杂数据呈现受限
• 研究深度依赖处理器层级：免费/低层级处理器可能牺牲深度换取速度
• 无协作功能：单用户本地文件系统架构，不支持多人实时协作

适合人群

• 产品经理进行竞品分析、市场调研
• 开发者在技术选型前做深度预研
• 学术/行业研究人员整理文献综述
• 任何需要将「探索性对话」转化为「可复用知识资产」的知识工作者

常规风险

风险极低。主要需注意：
1. 深度研究任务可能产生较长等待时间，需合理设置期望值
2. 研究成果的准确性最终依赖所调用的外部 AI 服务（非本 Skill 本身）
3. 建议定期备份 ~/.openclaw/workspace/research/ 目录以防数据丢失