deep-research

deep-research 技能總覽

deep-research 的用途

deep-research 技能會執行 Google Gemini 的 Deep Research 工作流程，適合需要先規劃、上網閱讀與整合分析的問題，而不是只回一段快速聊天式答案。當你需要一份有引用來源的報告，主題包括市場分析、競品版圖、技術研究、文獻回顧或盡職調查時，它特別合適。

誰適合安裝

如果你經常需要多來源研究，而且希望最後有清楚結論、可追溯來源與結構化輸出，就很適合安裝 deep-research 技能。若只是臨時腦力激盪、快速查單一事實，或只想要一個提示詞下的短摘要，它的效益就比較有限。

為什麼它不一樣

deep-research 的核心價值在於工作流程：它可以先規劃調查方向、反覆搜尋、閱讀來源，再把結果整合成報告。對於變數多、說法互相競爭、又高度依賴來源的議題，它比一般提示更適合。

如何使用 deep-research 技能

安裝 deep-research

先用 repo 的技能安裝器安裝，再安裝 Python 相依套件，並在執行前設定 API key：

npx skills add sanjay3290/ai-skills --skill deep-research
cd skills/deep-research
pip install -r requirements.txt
cp .env.example .env

把 GEMINI_API_KEY 加到 .env，或直接在 shell 中 export。若沒有 key，這個技能就無法啟動研究任務。

開始研究任務

deep-research 的核心用法是一個明確聚焦的查詢：

python3 scripts/research.py --query "Research the competitive landscape of cloud providers in 2024"

想要更好的輸出，最好把模糊需求改寫成包含範圍、時間、地區與交付格式的研究簡報。比如，不要只寫「compare vendors」，而是明確要求「前 5 名廠商、以來源支持的比較、風險與建議」。

提供更好的輸入

當你的提示詞包含以下內容時，deep-research 的效果最好：

• 你要做的決策是什麼
• 報告要給誰看
• 地區、日期區間或產業等限制
• 你希望回傳的格式

範例：

python3 scripts/research.py --query "For a CTO choosing a frontend stack in 2025, compare React, Vue, and Angular for hiring availability, ecosystem maturity, and long-term maintenance. Return a concise recommendation with sources."

如果你想要非常明確的結構，可以用 --format 在生成前就先塑形報告。

先讀這些檔案

如果你在檢視 repo 或要改造這個技能，請先看 SKILL.md，接著檢查 README.md、requirements.txt 和 scripts/research.py。README.md 會說明預期工作流程，而 scripts/research.py 會揭露支援的旗標，例如 --stream、--wait、--status 和 --json。

deep-research 技能 FAQ

deep-research 和一般提示詞一樣嗎？

不一樣。一般提示詞通常是直接請模型回答；deep-research 則是更深一層的工作流程，會搜尋、閱讀並跨來源整合，因此特別適合需要證據的研究任務。

什麼情況下不該用 deep-research？

不要把 deep-research 用在冷知識、簡單改寫，或你其實已經知道答案、只需要措辭協助的問題上。若你無法提供足夠上下文來界定研究目標，它也不是好選擇。

deep-research 適合新手嗎？

可以，只要你能清楚描述問題，並接受比較慢的回應速度。新手最常犯的錯誤，是用一個過於寬泛、沒有範圍的主題，結果只得到泛泛而談的報告，而不是有用的分析。

安裝 deep-research 會是什麼體驗？

你應該預期的是一個以 Python 為基礎的本機設定、Gemini API key，以及命令列工作流程。如果你偏好完整託管的 UI，或不想處理 API 設定，這個 deep-research 技能可能會比你想要的更偏操作型。

如何改進 deep-research 技能

把研究問題寫成可決策的形式

最有效的品質提升，是把「研究 X」改成可以直接支援決策的簡報。除了主題名稱之外，也要寫清楚你要選什麼、比較什麼、說明什麼或驗證什麼。輸入越具體，越能減少發散，最後的整合也會更好。

用限制條件降低雜訊

如果第一版答案太寬泛，就用一到兩個具體限制來收斂 deep-research 提示詞：地區、受眾、公司規模、時間區間或來源類型。像「2024 年美國 B2B SaaS」就比「市場分析」更能直接導向可用結果。

調整結構，不只是內容

如果報告已經接近目標但還不理想，優先改的是輸出格式需求，而不只是主題措辭。當你在意結果如何被使用時，可以要求表格、排序建議、風險項目或高階摘要，這些都會影響最終可用性。

注意常見失敗模式

最常見的問題是查詢定義得不夠清楚，結果產出的是範圍很大、差異性很低的報告。第二個問題是一次塞進太多互不相關的子題。大型研究專案應拆成較窄的多次執行，再由你自行整合，或在後續提示中接續整理。