核心用法
deep-research-mode 是一套面向高难度科研问题的多智能体协作框架。用户通过触发语句（如"启动深度研究模式"）激活系统后，AI 将自动调度 10-50 个具备不同专业背景的智能体，模拟真实科研团队的协作流程。核心操作包括：指定研究问题、配置智能体数量（10-50个）、设定工作时长（4-72小时）、选择模型等级，最终输出结构完整的学术论文级研究报告。
该技能采用七阶段工作流：问题定义 → 文献调研 → 方案设计 → 批判性质疑 → 集体决策 → 执行研究 → 报告撰写。每个阶段由特定角色主导，如首席科学家统筹全局、文献专家负责综述、方法论专家设计研究路径、审稿人进行批判性审查等。系统内置"全体大会""分组讨论""辩论会"三种会议机制，确保多视角充分碰撞。
显著优点
专业化分工极致细化：相比单智能体回答，该系统模拟真实科研团队的组织形态，覆盖从文献检索到论文写作的全链条，角色定义清晰（首席科学家、数据分析师、伦理审查员等），大幅降低单一模型幻觉风险。
批判性思维内置化：专门的"审稿人"角色和"批判性质疑"阶段强制引入对抗性验证，通过智能体间的互相质疑识别方案漏洞，显著提升研究结论的可靠性，这是普通对话模式难以实现的机制设计。
输出质量接近学术标准：最终报告结构严谨（摘要、文献综述、研究方法、结果分析等完整章节），字数达 1.5-2.5 万字，可直接作为科研项目申报材料或论文初稿使用，极大节省学者的时间成本。
灵活的可配置性：支持按难度分级配置资源（10-50个智能体、4-72小时、不同模型等级），既能处理一般科研问题，也能应对跨学科重大难题，适应不同预算和时间约束。
潜在缺点与局限性
资源消耗高昂：多智能体长时间协作将产生大量 Token 消耗，使用成本可能远超普通问答模式。文档明确提示"建议仅在必要时使用"，对于预算敏感用户存在门槛。
时间成本刚性：最短 4 小时、最长 72 小时的固定流程无法压缩，完全不适用于紧急需求。研究问题的响应延迟可能错过时效性窗口。
模型幻觉的系统性风险：尽管有多轮审查，但底层依赖的 qwen3.5-max 等模型仍可能生成虚假文献、错误统计方法或虚构实验数据。多智能体"集体决策"可能放大共识幻觉而非消除它，用户需人工核验关键论据。
实际执行依赖外部实现：SKILL.md 中描述的协调器（deep_research_orchestrator.py）和智能体定义（deep_research_agent.py）在纯文档型 Skill 中并无实际代码，功能完整度取决于具体平台的实现质量，存在"文档承诺"与"实际能力"的落差风险。
适合的目标群体
高校科研人员与研究生：面临开题报告、基金申请、跨学科课题设计等场景，需要系统性文献综述和研究方案框架的用户。
企业研发战略部门：需评估前沿技术可行性、制定长期技术路线图，但缺乏足够内部专家资源的团队。
科研机构政策分析师：处理复杂政策问题需要多维度论证（技术、伦理、产业、政策），重视决策透明度和过程可追溯性的场景。
不适合：简单问答需求、时效性强的紧急任务、已有明确结论的验证性工作，以及对成本极度敏感的个人用户。
使用风险
性能风险：长流程运行中可能出现智能体协调失败、上下文窗口溢出或中间结果丢失，导致输出不完整。建议分阶段保存关键输出。
依赖项风险：实际功能依赖平台的 Agent 框架实现，若平台未完整支持多智能体调度机制，技能将降级为单轮角色扮演，失去核心价值。
认知安全风险：系统输出的"详细研究报告"具有高度说服力，用户可能过度信任而忽略事实核查，建议建立关键数据的人工复核机制。