核心用法
deep-researcher 是一个元技能（meta-skill），本身不直接执行搜索，而是协调四个上游技能完成迭代式深度研究。其标准工作流分为四轮：Round 0 规划阶段将研究主题分解为可验证的子问题与假设；Round 1 通过 Tavily 进行广域网络扫描，收集机构报告与主流观点；Round 2 调用 literature-search（映射 Semantic Scholar）获取学术文献证据；Round 3 使用 Perplexity 的 reason/research 模式仲裁矛盾信息；Round 4 综合输出符合科学规范的 Markdown 报告，包含完整的脚注引用体系。
用户需前置配置 TAVILY_API_KEY 和 PERPLEXITY_API_KEY，并通过 npx 安装四个上游技能。技能支持多种输出模式（brief/standard/full）和证据阈值设置，可针对 2030 等未来时间节点进行预测性研究。
显著优点
方法论严谨性：强制要求假设-验证结构，每轮搜索有明确目标，避免无目的的信息堆砌。矛盾仲裁机制确保不同来源的冲突观点被显式处理，而非简单平均或隐藏。
多源交叉验证：同时覆盖网络实时信息（Tavily）、学术文献（Semantic Scholar）、AI 深度推理（Perplexity）三类信源，降低单一来源偏差。
输出标准化：强制 10 章节科学报告结构，脚注系统完整可追溯，满足学术写作和决策文档的引用规范。
透明度设计：明确披露上游技能限制（如 deepresearchwork 含 mock 逻辑）、API 成本风险、以及 Semantic Scholar 的映射关系，避免用户误用。
潜在缺点与局限性
成本不可控：Tavily 和 Perplexity 均为付费 API，research 模式调用费用较高，迭代多轮研究可能产生意外账单。技能本身无预算上限或用量预警机制。
上游依赖风险：四个上游技能任一失效或版本不兼容将导致整条链路中断。deepresearchwork 被明确标注为"方法论指导而非确定性执行引擎"，其实际贡献有限。
时效性瓶颈：学术文献检索依赖 Semantic Scholar 索引，最新预印本或会议论文可能存在收录延迟；网络搜索的 recency 策略需手动配置，易遗漏突发信息。
中文支持未验证：所有示例均为英文研究主题，上游技能的非英语查询质量、文献覆盖率未在文档中说明。
适合的目标群体
- 政策研究人员：需要多源证据支撑的政策影响评估、技术趋势预测
- 咨询分析师：制作带引用规范的机构研报、行业深度分析
- 学术写作者：文献综述前期扫描、跨学科研究的问题框架设计
- 战略投资团队：技术成熟度、市场格局的长期追踪研究
不适合：需要实时数据监控（如股价、舆情）、纯创意发散、或预算严格受限的个人用户。
使用风险
性能风险：Perplexity research 模式响应时间可达分钟级，多轮迭代总耗时可能超过 30 分钟；大流量时段 API 限流会导致研究中断。
依赖项风险：node/curl/jq/npx 环境版本差异可能引发上游脚本执行失败；ClawHub 技能更新机制若滞后，版本锁定问题难以排查。
结果质量风险：AI 搜索可能返回过时或错误信息，脚注系统依赖上游技能正确提取元数据，存在引用链断裂可能；2030 等预测性主题本质不可证伪，需警惕过度自信表述。
合规风险：部分学术文献受付费墙保护，literature-search 明确声明"不授权抓取"，可能导致关键证据缺失但未被显式标注。