deep-research

deep-research skill 概覽

deep-research skill 是一套結構化的研究工作流程，適合需要調查特定主題、比對多個來源，並整理出附引用綜合結論的 agent。對於不只想要快速摘要，而是需要更扎實研究成果的使用者來說，deep-research 特別實用，例如分析師、寫作者、創業者、學生，以及需要進行網路研究、重視來源品質與觀點覆蓋度的營運或決策角色。

deep-research 實際上是拿來做什麼的

當你的任務不只是「回答這個問題」，而是「把這個問題研究好」，就應該用 deep-research。這個 skill 會推動 agent：

• 先釐清研究目標，
• 將主題拆成多個子問題，
• 從不同角度蒐集資訊，
• 評估來源的可信度與時效性，
• 不只是貼連結，而是真正整合發現，
• 最後輸出附引用的分析結果。

因此，當你的輸出需要可追溯性、觀點平衡，或能直接支援決策的摘要時，它會比一般 prompt 更適合。

最適合的使用者與任務

deep-research skill 特別適合以下情境：

• 市場與競品掃描，
• 政策或法規概覽，
• 技術版圖研究，
• 類文獻式主題摘要，
• 創業者盡職調查與供應商評估，
• 以及任何重視引用依據的網路研究工作。

相對地，如果只是簡單查一個事實、做創意發想，或使用者已經知道要摘要哪些固定來源，這個 skill 的價值就會比較有限。

deep-research 和一般 prompt 有什麼不同

deep-research 的核心差異在於流程紀律。它不是只叫模型「研究一下 X」，而是提供一套可重複執行的順序：先釐清範圍、定義觀察角度、蒐集來源、評估品質，最後再整合分析。這通常會改善：

• 來源多樣性，
• 對不同立場的覆蓋度，
• 引用品質，
• 以及答案結構。

實際上，使用者在意的是 agent 能不能交出一份可被信任、可重複使用的研究報告，而這個 skill 正是圍繞這個結果來設計的。

安裝前先確認什麼

這個 repository path 很精簡：核心邏輯集中在 SKILL.md，在目前的 tree preview 中看不到額外的 scripts、rules 或 reference files。這對快速導入是好事，但也代表你拿到的主要是 prompt 與工作流程指引，而不是現成工具、來源資料包或自動化輔助元件。

如果你需要的是 turnkey crawler、dataset pipeline，或客製化 ranking system，那 deep-research 單獨使用大概會太精簡。

如何使用 deep-research skill

在支援 Skills 的環境安裝 deep-research

如果你的 agent runtime 支援 Skills，可直接從 repository 安裝 deep-research：

npx skills add Shubhamsaboo/awesome-llm-apps --skill deep-research

安裝後，請在相容的 agent 環境中掛載或呼叫這個 skill。從 repository 的線索來看，它應該是單一檔案 skill，因此除了把它加進去，並讓 agent 具備 web access 或可存取來源資料外，幾乎不需要額外設定。

先讀這個檔案

從這裡開始：

• awesome_agent_skills/deep-research/SKILL.md

由於目前看不到其他支援檔案，SKILL.md 就是最主要的權威來源，內容會定義：

• 什麼時候該用這個 skill，
• 研究流程怎麼跑，
• 輸出應該長什麼樣子，
• 以及預期的推理順序。

先知道 deep-research 最低限度需要哪些輸入

如果你一開始就提供以下四項資訊，deep-research usage 的效果會好很多：

1. 研究問題是什麼，
2. 研究的目的為何，
3. 希望做到多深，
4. 有哪些優先角度或限制條件。

較弱的輸入：

• 「Research AI chips.」

較強的輸入：

• 「Research the AI chip market for enterprise inference in 2024–2025. Compare NVIDIA, AMD, Intel, and custom cloud accelerators. Focus on pricing signals, software ecosystem maturity, deployment constraints, and buyer switching costs. Deliver a cited executive summary for a CTO deciding whether to stay standardized on CUDA.”

第二種寫法能給這個 skill 清楚的範圍、比較框架，以及決策脈絡。

把模糊目標整理成可執行的研究 brief

一份好的 deep-research guide，起點通常是把模糊意圖轉成可研究的維度。在執行 skill 之前，先明確指定：

• 主題或決策問題，
• 時間範圍，
• 地理範圍，
• 利害關係人視角，
• 必須涵蓋的子題，
• 希望的輸出格式，
• 可接受的來源類型，
• 明確排除的角度。

可直接使用的簡短模板如下：

• Objective: 需要支援什麼決策或理解？
• Scope: 什麼算範圍內、什麼不算？
• Time range: 來源需要新到什麼程度？
• Perspectives: 需要比較哪些人的觀點？
• Deliverable: 要摘要、memo、表格，還是建議？
• Citation expectation: 要 inline citations、source list，還是兩者都要？

這很重要，因為這個 skill 明確要求先釐清研究問題，並辨識關鍵面向。

用 deep-research 做網路研究，而不只是摘要整理

deep-research for Web Research 最適合的情況，是 agent 能檢視多個即時來源或使用者提供的多份資料，而不是只對單篇文章做改寫。這個 skill 的價值，來自於跨來源、跨觀點的綜合整理。

一個實際可行的流程如下：

1. 定義研究問題，
2. 蒐集候選來源，
3. 要求 agent 評估來源可信度與時效性，
4. 綜整其中的模式、分歧與缺口，
5. 最後輸出附引用的正式報告。

如果你跳過來源蒐集與綜合整理，這個 skill 就會退化成一般摘要 prompt。

不只要結論，也要來源評估

deep-research 最實用的一點之一，就是它明確把可信度檢查納入流程。你可以在 prompt 中要求 agent 說明：

• 哪些來源屬於 primary、哪些屬於 secondary，
• 來源新不新，
• 是否存在利益衝突，
• 哪些地方證據薄弱或存在爭議。

這對快速變動的主題、vendor claims、健康資訊、政策解讀，以及市場規模估算尤其重要。

建議的輸出結構，能讓 deep-research 更穩定

若想提高 deep-research usage 的穩定性，可以直接指定輸出格式，例如：

1. research question，
2. scope and assumptions，
3. key findings，
4. source-backed evidence by subtopic，
5. areas of agreement and disagreement，
6. confidence or evidence-quality notes，
7. open questions，
8. cited conclusion。

這種結構和 skill 所強調的綜合流程一致，也能降低最後只得到一份淺層 link dump 的機率。

能把 deep-research 用好的實用 prompt 寫法

一個很強的呼叫模式如下：

“Use deep-research to investigate [topic]. Clarify the research question first, break it into subtopics, gather information from multiple perspectives, evaluate source credibility and publication date, then synthesize findings with citations. Prioritize [angles]. Exclude [out-of-scope items]. End with key conclusions, uncertainties, and recommended next questions.”

這樣有效，是因為它強化了 skill 內建的工作順序，而不是跟它對著幹。

什麼時候該先縮小範圍，再跑 deep-research

最常見的實務阻礙，就是題目開太大。若第一次請求就橫跨太多市場、年份或利害關係人群體，輸出品質通常會明顯下降。建議先收斂到以下其中一種：

• 單一地區，
• 單一買方 persona，
• 單一時間區間，
• 單一決策問題，
• 或單一比較對象集合。

例如：

不要問「Research remote work software,」
改成：

• 「Compare Notion, Confluence, and Coda for 500-person engineering organizations in 2025, focusing on governance, search quality, AI features, and migration risk.”

這個 repository 沒有提供什麼

這個 deep-research install 很簡單，但不要預期它會附帶：

• 內建 retrieval scripts，
• 客製 ranking 或 citation tooling，
• source libraries，
• 特定領域 rules，
• 或除了核心指引以外就寫好的 output templates。

這代表它很容易導入，但結果好不好，會高度取決於你的 prompt 品質，以及 runtime 本身具備哪些能力。

deep-research skill 常見問題

deep-research 真的比一般 research prompt 更好嗎？

通常是的，前提是你的任務需要結構化流程、來源比對，以及引用。一般 prompt 可能回答得比較快，但 deep-research 更有機會做到：

• 清楚拆分子題，
• 涵蓋多個觀點，
• 檢查來源品質，
• 並產出可重複使用的研究摘要。

如果你只是在做簡單的事實查詢，這層額外結構可能就沒有必要。

deep-research 適合初學者嗎？

適合。這個 skill 可讀性高、結構輕量，核心流程都放在單一 SKILL.md 檔案中。對想要一套可重複使用的研究方法、又不想安裝額外 tooling 的使用者來說，門檻不高。

但代價是，初學者仍然得寫出一份像樣的研究 brief。這個 skill 能改善流程，卻無法替你猜測模糊不清的目標。

什麼情況不該用 deep-research skill？

以下情況建議跳過 deep-research：

• 你只需要一個很快的答案，
• 你已經有固定來源集合，只需要做摘要，
• 任務本質偏創意而不是分析，
• 或 agent 沒有來源存取能力，無法好好評估證據。

另外，對於高度受專業規範約束的工作，如果你需要 specialist databases，或正式的法律／醫療審查，它也不是理想選擇。

deep-research 一定要有 web access 嗎？

不一定，但若能接觸多個來源，尤其是當前議題時，表現通常會更好。就算沒有 web access，你仍然可以把 deep-research skill 用在使用者提供的 corpus 上，只是來源廣度與新鮮度，就會完全取決於你提供的材料。

deep-research 怎麼處理彼此衝突的來源？

這個 workflow 本來就明確要求綜整研究發現，並標示共識與分歧。實務上，你應該要求 agent：

• 並列相互競爭的說法，
• 指出哪些證據較強，
• 並解釋為什麼會有分歧。

這比硬擠出一個看似唯一、其實站不住腳的結論更有價值。

我可以把 deep-research 用在公司內部研究嗎？

可以，只要你提供材料即可。相同流程也適用於內部文件、客戶訪談逐字稿、策略 memo，或競品筆記。你只需要明確告訴 agent：哪些來源最具權威性，以及是否要把外部 web research 一併納入。

如何改進 deep-research skill 的效果

給 deep-research 明確的決策脈絡

想最快改善輸出品質，最有效的方法就是說清楚這份研究要拿來做什麼。「Research this topic」遠不如以下這些說法有效：

• 「I need to choose a vendor,」
• 「I need an investor memo,」
• 「I need a balanced brief for executives,」
• 或「I need a literature-style overview.」

有了決策脈絡，這個 skill 才能優先排序真正相關的資訊，而不是一味堆量。

一開始就指定比較軸線

很多弱的研究輸出，問題都出在模型自己決定比較維度。若想得到更好的 deep-research 結果，請自己先定義軸線。

例如：

“Compare by total cost, integration difficulty, compliance support, switching risk, and evidence strength.”

這會比泛泛的 pros/cons list，更容易得到能拿來支援決策的綜合分析。

明確寫出你對來源品質的要求

如果 citation quality 很重要，就直接說清楚。可以要求 agent 優先使用：

• 能找到時盡量使用 primary sources，
• 對快速變動主題優先採用較新的材料，
• 若缺乏 primary evidence，則明確標示 secondary commentary。

也要要求它在證據薄弱時直接指出，而不是把空缺修飾得像沒問題一樣。

在完整綜合前，先強制做一版子題地圖

一個很實用的改善步驟是：

1. 先叫 agent 提出子題架構，
2. 由你檢查並微調，
3. 再進入完整研究流程。

這樣能減少漏掉重要角度，也能讓最終報告更貼近你真正的研究問題。

修正常見失敗模式

deep-research usage 常見的失敗模式包括：

• 範圍過大，
• 來源不夠多元，
• 有引用但引用品質偏弱，
• 只是在羅列發現，沒有真正綜合，
• 忽略分歧，
• 結論把握度講得太滿。

要修正這些問題，可以要求：

• 更小的研究範圍，
• 明確的來源類型多樣性，
• evidence-quality notes，
• 一個專門整理 consensus vs. disagreement 的段落，
• 以及簡短的 limitations section。

要求列出不確定性與下一步研究方向

好的研究輸出不應假裝所有問題都已經定案。若想提升 deep-research 成果，建議明確要求它交代：

• 尚未回答的問題，
• 資料缺口，
• 已做出的假設，
• 以及下一步應該研究什麼。

這在第一次輸出屬於探索性研究、後續還要進入第二輪時特別有用。

第一版出來後先迭代，不要直接重來

如果第一版只有部分方向正確，不要整份丟掉重做。更有效的 refinement loop 通常是：

• 先指出遺漏的角度，
• 要求針對某個子題做更深一層研究，
• 提高來源標準，
• 再要求重寫綜合結論。

例如這樣追問：

“Expand the disagreement section on open-source vs. proprietary models. Add newer sources, separate vendor claims from independent analysis, and revise the conclusion to reflect evidence strength.”

多數情況下，這會比從零開始更有效。

高風險任務時，把你自己的來源清單一起餵給 deep-research

對高風險工作，若想提升可信度，最好的方式之一就是在流程一開始先提供：

• 必讀來源，
• 已知的重要 primary documents，
• 可信的專家出版物，
• 以及你本來就信任的內部材料。

這個 skill 仍然能負責綜合整理，但你提供的精選輸入能有效降低 hallucinated authority 與弱來源漂移的風險。

最後的要求要具體

deep-research skill 在最終 deliverable 明確時，表現通常最好。你可以直接要求其中一種輸出：

• executive memo，
• comparative table，
• source-backed brief，
• literature-style summary，
• 或附保留條件的 recommendation。

具體的輸出要求，幾乎都會比「tell me everything about this topic」更容易得到乾淨、可用的研究成果。