核心用法
学术深度研究（Academic Deep Research）是一个纯文档构成的研究方法论指导技能。它不调用外部 API，不包含可执行代码，而是通过约一千行详细的指引，将大型语言模型转变为严谨、透明的研究助手。技能的核心用法在于：当用户提出复杂主题、文献综述、竞争情报分析或需要多源验证的断言时，强制模型执行一套包含三个用户检查点的结构化流程——从初始需求澄清（Phase 1），到研究计划制定与审批（Phase 2），再到每个主题必须完成两轮研究循环（Phase 3），最终输出一份符合 APA 7 标准的叙事性研究报告（Phase 4）。该技能利用平台原生的 web_search、web_fetch 等工具，并支持通过 sessions_spawn 实现并行研究，确保研究过程的可追溯性与可复现性。
显著优点
该技能最大的优点在于其方法论透明度与学术严谨性。它不是任意的网页摘要，而是将所有证据获取、假设验证、矛盾记录与理解演进的过程外化，要求模型在每次工具调用后展示推理链路。这赋予了研究成果极高的可审查性。其次，强制的多源验证、证据层级（从系统综述到博客，置信度递减）和 APA 7 引用规范，让结论远超普通 AI 聊天机器人的回答，具备准学术论文的品质。第三，三阶段审查点让整个研究过程对用户高度透明、可控，避免了研究方向的偏离。此外，零外部依赖和纯文档的特性使其极度轻量且安全，没有任何供应链攻击或数据外泄风险。
潜在缺点或局限性
任何技能的优点往往也是其局限所在。最显著的潜在缺点就是资源消耗。强制性的多主题、多循环深度研究，尤其是使用 sessions_spawn 创建子 Agent 时，会产生巨大的 Token 消耗，可能导致一次研究任务成本高昂或超出上下文窗口限制。其次，对流程的高要求使技能输出缓慢，不适合需要快速、概览性回答的场景。再次，该技能本质上是一种提示词工程产物，其效果高度依赖底层模型遵循复杂指令的能力；当模型发生幻觉或推理能力不足时，精心设计的循环可能生产出内部一致但事实上不准确的“严谨”报告。另外，技能目前完全依赖网页来源，无法访问付费学术数据库，这在处理需要深度专业文献的课题时存在固有天花板。
适合的目标群体
该技能适合三类人群。第一类是学术研究者、研究生，他们需要进行快速的文献综述、竞品分析或领域初探，但又希望成果具有一定学术形式，便于后续扩展为正式论文。第二类是行业分析师、战略顾问，他们需要基于多元信息整合出有深度、有引用依据的市场或技术分析报告，并对报告的可追溯性有高要求。第三类是所有希望将通用大模型的回答质量从“聊天”水平提升至“准研究”水平的重度用户，特别是那些对信息的来源、偏见和不确定性高度敏感的人。
常规使用风险
使用该技能不涉及数据外泄、配置注入等安全风险。主要风险来自运维和使用层面。第一是性能风险：单次研究可能消耗数十万 Token，使用成本高，且子 Agent 并行时若不加限制可能导致资源耗尽。第二是依赖项风险：该技能完全依赖于 Agent 宿主平台对 web_search、web_fetch、memory_search 等原生工具的支持质量与稳定性。若所在平台这些工具受限、被限流或返回结果质量差，整个研究流程将严重受阻。第三是来源可信度风险：技能本身为 T3 级个人开发者作品，且上游 GitHub 仓库在当前环境不可验证。尽管安全报告为其分发了 A 级安全评级，并确认无恶意代码，但用户在使用前仍应意识到其社区来源属性，对其研究方法论的适用性保持理性判断。建议在关键研究中交叉验证其报告结论。