Deep Research

核心定位

Deep Research 是一种调查型研究技能，强调「彻底查清直至问题得解」。它区别于快速搜索（Search）、文档整合（Synthesize）和持续监控（Digest），专注于系统性探索与方法论留痕。

显著优点

1. 结构化流程：七步协议（Scope→Search→Evaluate→Deepen→Synthesize→Document→Deliver）确保研究不遗漏关键环节
2. 多源交叉验证：要求追踪引证、核对一手来源、主动寻找对立观点，显著降低信息偏见
3. 来源可信度评估：从权威性、时效性、证据支撑、偏见识别、多方印证五个维度加权
4. 迭代深化机制：允许根据初步发现调整方向，避免「一次性搜索」的局限
5. 透明度极高：强制记录搜索查询、来源权重理由、未找到的信息（gaps），支持学术审计
6. 灵活输出格式：支持执行摘要（BLUF）、学术规范、工作文档三种形态

潜在局限

• 时间成本高：标准级需30-60分钟/8-15源，深度研究可达数天
• 依赖执行者判断：「何时停止」的决策（diminishing returns）、来源权重分配存在主观性
• 未明确AI幻觉防控：虽然强调人工核实，但未针对大模型生成内容的可信度做专项设计
• 工具链依赖：提及 methodology.md、sources.md 等外部文件，独立运行时完整性受限

适用人群

• 需做出高 stakes 决策的分析师、政策研究者、投资人
• 学术写作前的文献综述阶段
• 调查记者、合规审查、尽职调查场景
• 对「快速答案」存疑、愿为可信度支付时间成本的用户

常规风险

| 风险类型 | 说明 | 缓释建议 |

|---------|------|---------|

| 确认偏误 | 筛选来源时无意识偏向预期结论 | 强制纳入对立观点、预设「证伪」查询 |

| 来源污染 | 低可信度来源被高可信度文献引用 | 追溯原始研究、识别「僵尸引用」|

| 过度研究 | 边际收益递减时未及时停止 | 预设时间/预算硬上限、记录停止理由 |

| 方法论形式主义 | 流程完备但实质质量参差 | 输出需经同行或专家抽样复核 |

Deep Research：打造系统化高质量研究的利器

在信息爆炸的时代，快速获取表面答案易如反掌，但进行严谨、深入、可追溯的调查却是一项稀缺能力。Deep Research 恰恰填补了这一空白，它并非一个简单的搜索工具，而是一套将学术研究思维注入到 AI Agent 工作流中的完整方法论。

核心用法：从问询到交付的七步研究协议

该 Skill 的核心是定义了一套严谨的七步研究协议（Scope → Search → Evaluate → Deepen → Synthesize → Document → Deliver）。它要求 Agent 在行动前首先界定研究范围和深度预期（速览、标准、深入或穷尽式），然后通过多向量搜索、追溯引文、交叉验证来收集信息。关键在于其内置的来源评估框架，要求 Agent 对每个信息来源的权威性、时效性、证据支持、偏见和可印证性进行打分，并以此为依据为最终结论赋予权重。研究过程是迭代的，Agent 会依据新发现持续深化调研，直至问题得到解答或资源耗尽，并记录停止的原因。最终交付时，不仅提供包含置信度和关键发现的答案，更附上了完整的研究轨迹、搜索词和未解空白，确保整个过程透明、可信。

显著优点：透明、严谨且可定制

• 高透明度与可信性：这是该 Skill 最突出的优点。强制要求记录并展示信息来源、评估逻辑和研究空白，让用户不仅能得到答案，更能理解答案的“质量”和局限，极大增强了研究结果的信服力。
• 系统性与深度：通过迭代深化机制，能有效避免浅尝辄止。对于模棱两可或存在争议的议题，其明确指出矛盾并尝试调和的做法，远比给出单一、片面的回答更有价值。
• 灵活可调节：提供了从 5-10 分钟的快速调查到持续数日的穷尽式研究共四种深度级别，用户可以根据决策的重要性分配合理的资源，避免浪费。
• 输出格式多样：支持面向高管、学术和工作文档等多种格式，使其可以灵活应对从日常办公到专业研究的多种场景。

潜在缺点与局限性

• 依赖 Agent 的执行能力：该 Skill 本质上是一套理论指导，其最终效果严重依赖于底层大语言模型（LLM）的搜索工具调用、信息筛选和逻辑整合能力。如果执行 Agent 不达标，再好的方法论也会落空。
• 耗时较长：高质量的“标准”和“深入”级研究需要 30 分钟到数小时，不适用于需要即时响应的场景。
• 纯理论指导：该 Skill 不提供任何现成的代码、API 接口或自动化脚本，完全依赖用户或 Agent 平台去实现文中的方法论，实施门槛较高。
• 来源权威性有限：工具来源于个人开发者（T3 可信度），且为纯文档，没有强大的机构或技术平台作为背景支持，其方法论本身的权威性可能受到质疑。

适合的目标群体

• 知识工作者和分析师：需要为重要决策提供扎实背景调查的商业分析师、政策研究员、产品经理等。
• 内容创作者和记者：追求事实准确、多源交叉印证，并需要保留研究轨迹的深度报道作者。
• 学生和科研人员：适合进行文献综述、初步课题调研，学习系统化研究方法的学术初学者。
• 高级 AI Agent 用户：熟悉并能充分利用 AI Agent 工具链，有能力将此方法论落地为具体工作流的深度用户。

使用风险与注意事项

虽然该 Skill 本身作为纯文档是极其安全的，但使用时仍存在常规风险：

• 性能风险：执行深入或穷尽式研究将消耗大量的计算 Token 和等待时间，成本高昂。
• 内容合规风险：方法论鼓励“寻找矛盾观点”，若 Agent 不加甄别，可能检索并引述到包含偏见、非法或不实信息的有害来源，需要用户最终把关。
• 无依赖风险：由于技能不含代码和依赖，因此没有依赖项被投毒或产生安全漏洞的技术风险。
• 方法论过时风险：作为一个静态文档，它无法自动更新，其推荐的搜索策略和评估标准可能随时间推移而不再是最佳实践。