Deep Research Pro

核心用法

Deep Research Pro 是一套结构化的自动化研究流程，用户提出研究主题后，系统会执行六步闭环：目标澄清 → 研究规划（拆解3-5个子问题）→ 多源搜索（Web+新闻，15-30个来源）→ 深度阅读（抓取3-5个核心网页全文）→ 综合撰写报告 → 保存交付。

显著优点

• 零成本运行：仅依赖 DuckDuckGo 搜索，无需 OpenAI、Google 等付费 API
• 结构化输出：强制包含执行摘要、主题分节、关键结论、完整来源列表及方法论说明
• 质量保障机制：每句断言必须标注来源；单一来源信息需标记为未验证；优先采用12个月内的新来源；主动承认信息缺口
• 可存档追溯：报告自动保存至 ~/clawd/research/[slug]/ 目录，便于后续引用

潜在局限

• 搜索依赖：DuckDuckGo 的索引深度与实时性不如 Google Scholar 或专业数据库，学术前沿或付费墙内容可能遗漏
• 网页解析粗糙：使用正则表达式剥离 HTML，复杂页面（动态加载、JavaScript 渲染）可能抓取失败或内容残缺
• 无智能去重：未内置来源权威性评分算法，需人工判断低质量站点
• 中文/多语言支持未明：DDG 脚本未标注语言参数，非英文主题可能返回结果偏差

适合人群

• 需要快速形成领域概览的分析师、产品经理、投资者
• 无 API 预算的个人研究者、学生、初创团队
• 追求「可验证结论」而非「AI 幻觉生成」的严谨用户

常规风险

• 来源偏见：DDG 结果排序算法不透明，可能系统性偏向特定媒体立场
• 时效性误判：抓取时间戳依赖网页 meta 信息，更新频繁的动态页面（如股价、政策）可能在抓取瞬间即过时
• 版权与合规：批量抓取网页可能触发站点反爬机制，需遵守目标网站的 robots.txt 与服务条款
• 长报告幻觉：尽管规则禁止，但大模型在综合多源时仍可能错误拼接信息，建议关键数据人工二次核实

核心用法

Deep Research Pro 是一款文档型研究指导 Skill，通过结构化工作流程帮助 Agent 完成深度网络调研。用户提出研究主题后，系统会：
1. 目标澄清：1-2个问题确认研究目的与深度需求
2. 问题拆解：将主题分解为3-5个子研究问题
3. 多源搜索：对每个子问题执行2-3组关键词变体搜索，混合网页+新闻源，目标15-30个独立来源
4. 深度阅读：用curl+Python提取3-5个关键来源的完整内容，而非仅依赖搜索摘要
5. 综合报告：生成包含执行摘要、主题分节、关键洞察、完整来源列表及方法论的标准化Markdown报告
6. 归档交付：保存至本地目录，短内容直接展示，长报告提供摘要+文件下载

显著优点

• 零成本门槛：无需Google Scholar API、SerpAPI等付费密钥，DuckDuckGo完全免费
• 方法论严谨：强制来源引用、交叉验证、时效性筛选（优先12个月内来源）、缺口坦诚披露，有效抑制幻觉
• 输出规范：结构化报告模板适合学术引用、商业决策、内容创作等多场景
• 子代理友好：提供完整的sessions_spawn调用示例，便于集成到复杂Agent工作流
• 透明可审计：纯Markdown实现，无黑箱逻辑，每一步操作用户可见

潜在缺点与局限

• 来源质量参差：DuckDuckGo结果不如学术数据库或付费API可控，可能混入低质量博客、过时论坛帖
• 深度受限：curl提取网页内容依赖目标站点的HTML结构，动态渲染页面（SPA、重度JS）可能获取失败
• 无自动化验证：交叉验证依赖Agent自行判断，无自动一致性检查或来源权威性评分机制
• 中文/小语种支持弱：DuckDuckGo对非英语内容的覆盖与排序质量波动较大
• T3来源风险：个人开发者维护，无商业SLA，长期更新与漏洞响应存在不确定性

适合人群

• 创业者/PM：快速验证市场假设、竞品调研、技术选型预研
• 内容创作者：需要带引用来源的初稿素材，降低事实核查起点
• 学生/研究者：文献综述前的广度扫描，发现研究方向与关键争议点
• 咨询分析师：紧急响应客户需求的桌面研究（desktop research）加速工具

常规风险

1. 信息过时/错误：网络来源未经同行评审，关键决策前需人工复核原始来源
2. 依赖项传递风险：核心功能依赖外部ddg-search Skill，若后者被篡改将直接影响研究输出
3. curl管道执行：文档示例中的curl | python3模式虽为正常功能所需，但若Agent实现不当可能引入命令注入风险（需确保URL参数经过净化）
4. 数据留存：研究报告默认保存至~/clawd/research/，多用户环境需注意访问权限隔离