deep-research

deep-research skill 概览

deep-research skill 是一套结构化研究流程，适合需要调研某个主题、比对多方来源，并最终输出带引用的综合分析的 agent。它更适合那些不满足于“快速总结”的用户：比如分析师、写作者、创业者、学生，以及需要做 Web Research、且重视来源质量与观点覆盖面的运营或研究人员。

deep-research 实际上最适合做什么

当你的任务不是单纯“回答这个问题”，而是“把这个问题研究清楚”，就该用 deep-research。这个 skill 会推动 agent 去完成以下步骤：

• 澄清研究目标，
• 将主题拆解为多个子问题，
• 从不同视角收集信息，
• 评估来源的可信度与时效性，
• 不只是罗列链接，而是综合提炼结论，
• 最终输出带引用的分析结果。

因此，当你需要可追溯性、更均衡的覆盖，或者能直接支持决策的总结时，它通常比普通 prompt 更合适。

最适合的用户与任务类型

deep-research skill 特别适合以下场景：

• 市场与竞品扫描，
• 政策或监管概览，
• 技术格局研究，
• 类似 literature review 的主题综述，
• 创业者尽调与供应商评估，
• 任何重视引用依据的 Web Research 任务。

但如果只是简单事实查询、创意发散，或者你已经明确知道只需要总结哪一组固定来源，它的价值就没那么大。

deep-research 和通用 prompt 的核心区别

deep-research 最大的差异，在于它对研究过程有明确约束。不是简单让模型“研究一下 X”，而是提供一套可重复执行的顺序：先澄清范围，再定义研究维度，然后收集来源、评估质量，最后再综合输出。这样通常能提升：

• 来源多样性，
• 对不同观点的覆盖度，
• 引用质量，
• 以及答案结构的完整性。

实际使用时，用户真正关心的是 agent 能不能产出一份“值得信、还能复用”的报告。这个 skill 的设计，就是围绕这个结果展开的。

安装前你应该先确认什么

这个仓库路径非常轻量：核心逻辑集中在 SKILL.md，从目录预览来看，没有额外脚本、规则文件或参考资料。这对快速上手是好事，但也意味着你拿到的主要是 prompt 与工作流指导，而不是现成工具、来源包或自动化组件。

如果你想要的是开箱即用的 crawler、dataset pipeline，或者自定义 ranking system，那么单独使用 deep-research 可能会显得过于精简。

如何使用 deep-research skill

在支持 Skills 的环境中安装 deep-research

如果你的 agent runtime 支持 Skills，可以直接从仓库安装 deep-research：

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

安装后，在兼容的 agent 环境中挂载或调用这个 skill。根据仓库信息来看，它应该是一个单文件 skill，因此除了添加它，并为 agent 提供 web access 或可用资料外，基本不需要额外配置。

先看这个文件

优先阅读：

• awesome_agent_skills/deep-research/SKILL.md

由于这里没有展示出其他配套文件，SKILL.md 就是最核心的事实来源，里面会说明：

• 什么时候该用这个 skill，
• 具体研究流程，
• 输出预期，
• 以及它希望 agent 遵循的推理顺序。

先准备好 deep-research 最低需要的输入信息

如果你一开始就提供以下四项信息，deep-research usage 的效果会明显更好：

1. 研究问题是什么，
2. 研究目的是什么，
3. 希望做到多深，
4. 是否有优先关注的维度或约束条件。

较弱的输入：

• “Research AI chips.”

更强的输入：

• “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.”

第二种写法给了这个 skill 明确的研究范围、对比框架和决策背景。

把模糊目标整理成可执行的研究 brief

一个好用的 deep-research guide，往往从把模糊意图转成明确的研究维度开始。在运行 skill 之前，最好先说明：

• 主题或要支持的决策，
• 时间范围，
• 地理范围，
• 相关利益方视角，
• 必须覆盖的子主题，
• 希望输出的格式，
• 可接受的来源类型，
• 明确不纳入的角度。

你可以用一个紧凑模板来组织：

• Objective: 需要支持什么决策，或获得什么认知？
• Scope: 哪些内容算范围内，哪些不算？
• Time range: 来源需要新到什么程度？
• Perspectives: 需要比较哪些人的观点？
• Deliverable: 要 summary、memo、table，还是 recommendation？
• Citation expectation: 要 inline citations、source list，还是两者都要？

这一点很重要，因为这个 skill 的起点就是先澄清研究问题，并识别关键研究维度。

把 deep-research 用在 Web Research，而不只是做总结

deep-research for Web Research 最适合的场景，是 agent 能查看多个实时来源或用户提供的多份资料，而不是只改写一篇文章。这个 skill 的价值，来自跨来源、跨视角的综合分析。

一个实用工作流是：

1. 明确问题，
2. 收集候选来源，
3. 让 agent 评估可信度与时效性，
4. 归纳其中的模式、分歧与空白点，
5. 最后再输出带引用的报告。

如果你跳过来源收集与综合分析，它就会退化成一个普通的总结 prompt。

不仅要结论，也要让 deep-research 评估来源质量

deep-research 很有价值的一点，是它明确把可信度检查纳入流程。你在 prompt 中可以要求 agent 标注：

• 哪些来源是一手资料，哪些是二手资料，
• 它们是否足够新，
• 是否存在利益冲突，
• 哪些地方证据薄弱或仍有争议。

对于变化很快的话题、vendor 自述、健康信息、政策解读和市场规模判断，这一点尤其重要。

用明确的输出结构提升 deep-research 结果质量

如果想让 deep-research usage 更稳定，可以直接指定输出结构，例如：

1. 研究问题，
2. 范围与前提假设，
3. 关键发现，
4. 按子主题整理的来源支撑证据，
5. 一致观点与分歧点，
6. 置信度或证据质量说明，
7. 未解决问题，
8. 带引用的结论。

这类结构与该 skill 强调的综合分析流程是对齐的，也能降低它只给你一堆浅层链接的概率。

一个更容易正确触发 deep-research 的 prompt 模式

一个比较稳妥的调用方式是：

“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.”

这个写法之所以有效，是因为它强化了 skill 内部原本的执行顺序，而不是和它的流程对着来。

在运行 deep-research 之前，什么时候应该先缩小范围

实际使用中最大的阻碍，往往是范围过大。如果第一次请求就同时覆盖太多市场、年份或利益相关方，输出质量通常会明显下降。更好的做法是先缩小到：

• 一个地区，
• 一类 buyer persona，
• 一个时间窗口，
• 一个决策问题，
• 或一组明确的对比对象。

例如，不要问：

• “Research remote work software,”

而要问：

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

这个仓库没有提供给你的东西

这个 deep-research install 很简单，但不要预期它自带以下能力：

• 内建 retrieval scripts，
• 自定义 ranking 或 citation tooling，
• 来源资料库，
• 特定领域规则，
• 或除核心指导外的预写输出模板。

这意味着它很容易接入，但最终效果会非常依赖你自己的 prompt 质量，以及 runtime 本身具备的能力。

deep-research skill 常见问题

deep-research 比普通 research prompt 更好吗？

多数情况下是的，尤其当任务需要清晰结构、来源对比和引用时。普通 prompt 也许能更快给出答案，但 deep-research 更有可能做到：

• 拆分子主题，
• 覆盖多个视角，
• 检查来源质量，
• 并输出可复用的研究总结。

如果你的任务只是简单事实查询，这种额外结构可能就没必要。

deep-research 适合新手吗？

适合。这个 skill 可读性强、结构也很轻，核心工作流都在一个 SKILL.md 文件里。对于想要一套可重复研究方法、但又不想额外安装工具的新手来说，它比较容易上手。

但代价是：新手仍然需要写出一份像样的 research brief。这个 skill 能改善流程，却不能替你猜清楚模糊目标。

什么情况下不该用 deep-research skill？

遇到以下情况，可以跳过 deep-research：

• 你只需要一个快速答案，
• 你已经有固定来源集合，只需要总结，
• 任务更偏创意而非分析，
• 或 agent 根本没有来源访问能力，无法有效评估证据。

另外，在高度受监管的领域里，如果你需要专业数据库或正式的法律 / 医疗审核，它也不是强项。

deep-research 一定需要 web access 吗？

不一定，但如果能访问多个来源，尤其是针对时效性强的话题，它的表现通常会更好。没有 web access 时，你仍然可以把 deep-research skill 用在用户提供的资料集上，只是来源广度和新鲜度会完全取决于你提供了什么。

deep-research 如何处理相互冲突的来源？

这个工作流本身就明确要求综合信息，并指出共识与分歧。实际使用时，你最好要求 agent：

• 展示彼此竞争的说法，
• 指出哪类证据更强，
• 并解释为什么会出现分歧。

这比硬凑出一个看似统一、实际上并不可靠的单一结论更有用。

我可以把 deep-research 用于公司内部研究吗？

可以，只要你把材料提供给它。相同流程同样适用于内部文档、客户访谈记录、战略 memo 或竞对笔记。你只需要明确告诉 agent：哪些来源最权威，以及是否要把外部 Web Research 也纳入进来。

如何改进 deep-research skill 的使用效果

给 deep-research 明确的决策语境

提升输出质量最快的方法，就是说明这份研究最终要拿来做什么。“Research this topic” 远不如以下表达清晰：

• “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.”

决策语境能帮助这个 skill 优先考虑“相关性”，而不是一味堆信息量。

提前指定比较维度

很多质量不高的研究输出，问题都出在模型自己决定了比较维度。想要更好的 deep-research 结果，最好由你来定义这些维度。

例如：

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

这会比泛泛的优缺点清单，更容易产出真正能支持决策的综合分析。

明确写出你对来源质量的要求

如果你很在意 citation quality，就直接说清楚。可以要求 agent 优先使用：

• 尽可能多的一手资料，
• 对快速变化主题使用较新的材料，
• 当拿不到一手证据时，明确标注的二手评论资料。

同时，也要求它在证据薄弱时直接指出来，而不是把空白硬抹平。

在完整综合之前，先强制生成子主题地图

一个很实用的优化步骤是：

1. 先让 agent 提出子主题结构，
2. 你审核并微调，
3. 再进入完整研究流程。

这样能减少漏掉关键角度的情况，也能让最终报告更贴合你真正关心的问题。

修正常见的 deep-research 失败模式

deep-research usage 常见的失败模式包括：

• 范围太大，
• 来源不够多样，
• 有引用但证据很弱，
• 只是罗列发现，没有真正综合，
• 忽略分歧，
• 结论把确定性说得过头。

针对这些问题，你可以明确要求：

• 更窄的研究范围，
• 显式覆盖不同类型的来源，
• 增加证据质量说明，
• 单独列出共识与分歧部分，
• 再加一个简短的限制说明部分。

要求 deep-research 输出不确定性与下一步研究方向

一份好的研究结果，不应该假装所有问题都已经有定论。要提升 deep-research 的实用性，可以明确要求它写出：

• 尚未回答的问题，
• 数据空白，
• 已采用的假设，
• 以及下一步应该继续研究什么。

尤其当第一轮只是探索性调研、还要为第二轮深入研究铺路时，这一点非常有用。

第一版结果出来后，优先迭代，而不是直接重来

如果第一次结果只是部分正确，不要马上全部推倒重做。更有效的 refinement loop 通常是：

• 找出缺失的角度，
• 让它针对某个子主题继续深挖，
• 提高来源标准，
• 然后要求重新综合。

例如这样的追问：

“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.”

这种方式通常比从头开始更高效。

在高风险场景中，把 deep-research 和你自己的来源清单配合使用

如果研究任务风险很高，想提升可信度，最好在流程开始前就提供一些基础材料，例如：

• 必读来源，
• 已知的一手文件，
• 可信专家出版物，
• 以及你已经信任的内部资料。

这个 skill 仍然会负责综合分析，但你提前筛过的输入，能减少“凭空权威感”或来源质量漂移的问题。

最终交付要求要尽量具体

deep-research skill 在最终交付形式明确时表现最好。你可以直接要求它输出以下某一种：

• executive memo，
• comparative table，
• source-backed brief，
• literature-style summary，
• 或带 caveats 的 recommendation。

比起“把这个主题的一切都告诉我”，具体的输出要求通常更容易得到更干净、更可用的研究结果。