核心用法
deep-research-zh 是一款面向中文场景的学术级深度调研 Skill，采用系统化的四阶段研究方法论：初始需求澄清（Phase 1）、研究计划审批（Phase 2）、强制双周期深度调研（Phase 3）与最终报告生成及自动交付（Phase 4）。用户通过 /research 触发后，Skill 会主动询问 2-3 个关键澄清问题，随后提交包含主题拆解、工具配置与预期产出的完整研究计划供用户审批。获批后进入核心执行阶段，每个主题必须完成两轮研究循环——首轮广度扫描（web_search ×20）建立知识框架并识别 gaps，次轮深度挖掘（web_fetch）验证假设与解决矛盾，期间强制要求显性化推理过程、标注证据来源并处理冲突信息。最终报告严格遵循 APA 第7版引用格式，以流畅叙事体呈现，并通过内置脚本自动转换为 PDF 经飞书送达用户。
显著优点
方法论严谨性：强制双周期设计与证据层级标注（系统综述 > RCT > 队列研究等）确保研究质量接近学术标准，远超普通 AI 搜索工具的浅层聚合。 自动化交付闭环：Markdown→PDF→飞书推送的全链路自动化消除手动操作摩擦，研究完成即成果触达。 中文场景深度优化：内嵌样式的中文 PDF 生成、Tavily 中文搜索集成、飞书生态原生对接，解决 fork 原版在中文环境下的排版与分发痛点。 并行研究能力：支持 sessions_spawn 对独立主题进行并行子代理调研，在保持方法论一致性的同时压缩复杂项目周期。 可追溯的置信度体系：HIGH/MEDIUM/LOW/SPECULATIVE 四级置信标注与矛盾来源分析，帮助读者快速判断结论可靠程度。
潜在缺点与局限性
交互门槛较高：三处强制停止点（需求澄清、计划审批、最终报告）虽保障质量，但延长了简单调研的交付时间，不适合需要秒级响应的场景。 token 消耗显著：每主题双周期 × 多源深度抓取，复杂主题可能快速耗尽上下文窗口，实际使用中需关注成本预算。 T3 来源可信度约束：作为个人开发者 fork 项目，缺乏组织级维护保障与 SLA 承诺，长期更新稳定性存疑。 自动化外发风险：Phase 4 的 PDF 自动飞书发送虽提升效率，但无最终人工确认环节，存在敏感信息意外泄露的理论可能（文档已披露此风险）。 工具链外部依赖：PDF 生成依赖系统级 weasyprint/wkhtmltopdf，环境配置不一致可能导致格式降级或失败。 学术规范刚性：强制 APA 格式与叙事体写作对非学术用户可能过度约束，商业简报场景的灵活性不足。
适合的目标群体
- 战略研究人员：行业分析、政策研究、技术趋势追踪等需要系统性文献综述的专业场景
- 产品经理与竞品分析师：深度拆解竞品功能、商业模式与市场格局，输出可追溯论据的决策支撑文档
- 咨询与投行分析师：生成符合专业标准的调研底稿，直接用于客户交付物或内部投研库
- 学术与科研人员：快速启动文献预调研，建立研究领域的证据地图与知识缺口识别
- 企业知识管理团队：标准化外部信息采编流程，沉淀结构化研究资产
使用风险
数据外发风险：web_search/web_fetch 将用户研究主题发送至 Tavily 等外部搜索服务，若主题包含敏感关键词（如未公开产品代号、内部战略方向），存在信息泄露至第三方索引的可能。建议机密主题使用离线数据源替代。
自动化交付风险：Phase 4 完成后 PDF 将自动推送飞书，若研究过程中意外混入敏感片段或用户误操作，缺乏最终检查闸口。建议在关键场景修改 workflow 添加人工确认步骤。
路径遍历风险：研究报告文件名直接嵌入用户输入的主题字符串，虽经基础处理，极端情况下特殊字符组合可能导致非预期目录写入。
依赖可用性风险：PDF 转换工具链非 Skill 内置，若运行时环境未预装或版本不兼容，将降级为仅发送 Markdown，影响阅读体验。
搜索偏差风险：Tavily 搜索结果的排序算法偏向当前网络流行度，可能系统性地放大主流观点而边缘化少数派研究，需研究者主动识别并补充多元来源。