deep-research

deep-research 技能概览

deep-research 做什么

deep-research 技能运行的是 Google Gemini 的 Deep Research 工作流，适合需要规划、网页阅读和综合分析的问题，而不是快速聊天式回答。它很适合用于获取带引用的报告，比如市场分析、竞品格局、技术研究、文献综述或尽职调查。

适合谁安装

如果你经常需要跨多个来源做研究，并且希望最后得到一个结论清晰、来源可追溯、结构化的结果，那么就适合安装 deep-research 技能。它不太适合一次性的头脑风暴、浅层事实查询，或者只需要从单个提示词里拿一个简短摘要的场景。

它为什么不同

deep-research 的核心价值在于工作流：它可以先规划调研路径，再迭代搜索、阅读来源，最后把结果综合成一份报告。对于那些变量多、说法冲突、或决策高度依赖资料的主题，它比普通提示词更合适。

如何使用 deep-research 技能

安装 deep-research

先使用仓库自带的技能安装器安装，再安装 Python 依赖，并设置 API key，然后再运行任何东西：

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 添加到 .env，或者在 shell 里导出这个环境变量。如果没有这个 key，技能就无法启动研究任务。

启动研究任务

deep-research 的核心使用方式是一次聚焦明确的查询：

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

想要更好的输出，最好把模糊需求改写成一份研究简报，明确范围、时间、地域和交付物形式。比如，与其只说“比较供应商”，不如直接要求“前 5 家厂商、基于来源的对比、风险和建议”。

给技能更好的输入

deep-research 的效果最好是在提示词里包含：

• 你要做的决策
• 报告的受众
• 地区、时间范围或行业等约束
• 你希望返回的格式

示例：

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."

如果你需要非常明确的结构，可以在生成前使用 --format 来控制报告形态。

先看这些文件

如果你在审查仓库或准备改造这个技能，建议先看 SKILL.md，然后再检查 README.md、requirements.txt 和 scripts/research.py。README.md 展示了预期工作流，而 scripts/research.py 会告诉你支持哪些参数，比如 --stream、--wait、--status 和 --json。

deep-research 技能常见问题

deep-research 和普通提示词一样吗？

不一样。普通提示词通常是让模型直接作答，而 deep-research 适合更深入的工作流，会跨来源搜索、阅读并综合信息，所以它更适合有证据要求的研究任务。

什么情况下不该用 deep-research？

不要把 deep-research 用在快速冷知识查询、简单改写，或者你已经知道答案、只是需要措辞帮助的问题上。若你无法提供足够上下文来界定研究目标，它也不太合适。

deep-research 对新手友好吗？

友好，但前提是你能把问题说清楚，并且接受更慢的响应速度。新手最常见的错误，是用一个没有范围的大题目直接开跑，结果只得到泛泛而谈的输出，而不是有用的报告。

安装 deep-research 会是什么体验？

你要预期的是一个基于 Python 的本地环境、一个 Gemini API key，以及命令行工作流。如果你更想要完整托管的 UI，或者不想处理 API 配置，那么这个 deep-research 技能可能会显得更偏操作型，而不是你想要的那种轻量体验。

如何改进 deep-research 技能

把研究问题写成“可决策”的问题

提升效果最大的方式，是把“研究 X”改成一份可直接用于决策的简报。不要只写主题名称，而要写清楚你需要选择、比较、解释或验证什么。输入越具体，跑偏越少，最后的综合结果也越好。

用约束条件减少噪音

如果第一次回答显得太宽泛，就在 deep-research 提示词里加一两个具体约束：地区、受众、公司规模、时间窗口或来源类型。比如，“2024 年美国 B2B SaaS”就比“市场分析”更可执行。

优化结构，不只是内容

如果报告已经接近目标，但还不够理想，优先调整输出格式要求，而不只是改主题措辞。根据你的使用方式，要求表格、排序建议、风险点或高管摘要，往往比单纯扩写内容更有效。

留意常见失败模式

最常见的问题是查询描述不够明确，导致报告范围过大、差异化很弱。第二个问题是一次塞进太多彼此无关的子主题。对于大型研究项目，最好拆成更窄的几轮分别处理，再把结果自己整合，或者在后续提示词里继续合并。