核心用法
deep-researcher 是一款 Meta-skill（元技能），专为需要超越单次搜索的迭代式深度研究设计。它通过协调四个上游技能（deepresearchwork、tavily-search、literature-search、perplexity-deep-search），构建了一套结构化的四轮研究链：
1. Round 0 规划：将宽泛主题分解为可验证的子问题与假设，定义可测量指标及所需信源类型；
2. Round 1 全景扫描：利用 Tavily 进行网络证据检索，收集机构报告、主流估算及关键 URL，支持深度模式与新闻时效过滤；
3. Round 2 学术验证：通过 literature-search（映射 Semantic Scholar）获取同行评审文献，构建引用清单，区分综述与单研究，标注发表年份与方法强度；
4. Round 3 矛盾仲裁：当检测到冲突数据时，调用 Perplexity 的 reason/research 模式，依据「更新、方法透明、可复现」原则进行仲裁，无法解决则保留分歧并下调置信度；
5. Round 4 综合输出：按科学 Markdown 格式生成报告，包含执行摘要、研究问题、方法、发现、矛盾与解决、置信度评估、局限、展望及完整脚注。
输入参数需明确：研究主题、目标时间范围（如 2030）、地域范围、必需章节、证据阈值、时效策略及输出模式（brief/standard/full）。
显著优点
- 方法论严谨：采用假设-验证框架，强制要求每主主张 ≥2 独立信源，至少 1 项学术来源，避免单点信源偏误；
- 矛盾显式处理：不强制合成虚假共识，未解决冲突将被标注并下调置信度，增强报告可信度；
- 信源多元分层：网络快讯、机构报告、学术文献三级交叉验证，兼顾时效性与深度；
- 结构化输出：预设科学级 Markdown 模板，脚注规范，便于追溯与二次引用；
- 质量门控机制：内置「Research Incomplete」中断机制，证据不足时明确列出缺失项，防止半成品交付。
潜在缺点与局限性
- 依赖付费 API：Tavily 与 Perplexity 需有效 API key，存在成本与速率限制风险；
- 非确定性执行：deepresearchwork 的 workflow.js 含 mock 逻辑，实际为方法论指导而非生产级引擎，需人工监督迭代；
- 学术访问限制：literature-search 虽映射 Semantic Scholar，但无法绕过付费墙或未经授权的抓取，可能产生文献缺口；
- 时效性约束：2030 等前瞻主题为预测性主张，工具仅能提供「基于现有模型的推断」，非观测事实，需用户自行区分；
- 映射混淆风险：用户若显式请求
/semantic-scholar，需明确告知实际调用的是 literature-search，避免预期落差。
适合人群
- 政策研究员、战略咨询顾问、产业分析师需撰写证据密集型的前瞻报告；
- 学术作者进行系统性综述或 meta-analysis 前的快速证据图谱构建；
- 投资与研究团队评估技术趋势（如 AI 劳动力市场影响）的高 stakes 决策支持。
常规风险
- API 泄露风险：TAVILY_API_KEY、PERPLEXITY_API_KEY 以环境变量形式存储，若共享环境未隔离，存在密钥泄露可能；
- 成本失控：Perplexity 的 research 模式按 token 计费，未设预算上限时可能产生意外高额费用；
- 幻觉传递：上游技能（尤其是 Perplexity）的生成式摘要若未经验证，可能将 AI 幻觉引入最终脚注，需人工复核关键引用；
- 过度自信：工具输出格式专业，易使读者误将「高置信度」等同于「高确定性」，需配合局限章节审慎阅读。