核心用法
DeepthinkLite 是一种本地优先的深度研究工作流，模拟 OpenAI Deep Research 的系统性方法，将研究过程固化为可复现的本地文件结构。用户通过 CLI 触发研究任务，系统生成两个核心产物：questions.md（调查路线图，包含分层问题、预期来源、执行计划）和 response.md（结构化最终答案，含直接结论、推理摘要、建议、风险提示及引用）。
关键执行约束包括：
- 时间预算机制：默认 10-60 分钟区间，强制避免浅层回答
- 四阶段确定性流程：问题框架化 → 生成调查文档 → 证据收集 → 输出最终报告
- 来源模式选择：
raw保留原始片段 /summary-only强制摘要（需用户明确授权） - 权限前置原则：任何网络浏览或非显式本地路径访问前必须获得用户明确许可
显著优点
1. 可复现性与审计性：文件化产出支持版本对比、团队协作与长期归档
2. 认知卸载：将「研究什么」与「如何研究」分离，减少决策疲劳
3. 本地优先架构：敏感数据不出境，符合隐私合规场景
4. 结构化输出：强制包含「未知/风险」章节，抑制过度自信
5. 开源生态：与 RAGLite 等工具可组合，扩展检索增强能力
潜在局限
- 依赖 Agent 工具调用质量：研究深度受限于底层浏览/代码分析工具能力
- 时间预算刚性：复杂议题可能在 60 分钟内被迫截断，需用户主动扩展
- 人机协作摩擦：权限询问可能打断研究流，批量任务效率受限
- 无内置多模态：当前设计针对文本代码场景，未明确支持图像/视频分析
- 冷启动成本：简单问题使用该框架可能显得过重
适合人群
- 技术决策者需系统性评估方案（选型、迁移、架构评审）
- 开发者调研开源库/框架的深层机制与维护风险
- 合规敏感组织需本地化、可审计的研究留痕
- 学术与工程写作需结构化文献综述与引用管理
常规风险
| 风险类别 | 描述 | 缓解机制 |
|---------|------|---------|
| 信息泄露 | 研究过程中可能意外暴露本地敏感路径或环境变量 | 权限前置询问 + `--source-mode summary-only` |
| 时间失控 | Agent 可能低估复杂度导致预算内质量不足 | 硬编码 min/max 边界 + 用户可覆盖 |
| 来源偏见 | 工具调用偏好可能过度依赖特定信源 | 强制标记「primary sources」要求 |
| 幻觉引用 | 生成的 `references` 可能包含无效路径/链接 | 用户需人工核验关键引用 |
| 覆盖误操作 | 重运行可能意外覆盖历史研究 | 设计为「Safe to rerun: no overwrite」|