📚 研究工具 全难度 📦 Anthropic

deep-research

多源综合深度研究，含引用追踪、交叉验证。

7.5 /10 ★★★★☆
#开源免费#CLI#搜索
📄 相关文章

📊 评分明细

📦 打包完整度
1.9 1.9 / 2.5
🎯 实用性
1.9 1.9 / 2.5
📖 文档清晰度
1.5 1.5 / 2
👥 社区影响力
1.1 1.1 / 1.5
🔗 集成度
1.1 1.1 / 1.5

🎯 适用场景

开源免费CLI搜索

deep-research 快速入门

让 AI 做调研时真的去查资料,而非凭模型记忆瞎编。

这是什么?解决什么问题?

AI 模型有一个著名问题:“幻觉”(hallucination)——它会一本正经地说出看起来正确、实际上是编造的内容。在做调研、写报告、写论文时,这是致命的:你可能引用了 AI 编造的论文、编造的统计数据、编造的公司。

deep-research Skill 解决这个痛点。它强制 AI 在做研究时:

  • 多源综合:不只查一个来源,而是同时查官方文档、学术论文、新闻报道、博客
  • 引用追踪:每个论断都必须附带可访问的 URL
  • 交叉验证:关键数据要至少 2 个独立来源支持,不一致时明确标注
  • 时效性优先:对于快速变化的话题(技术、市场行情),优先用最新来源

这个 Skill 来自 Anthropic 官方技能体系,通过 awesome-agent-skills 社区仓库分发。适合做行业调研、市场分析、学术综述、技术选型研究的人。

准备工作

  • 支持 Agent Skill 的 AI 客户端(Claude Code 最稳定)
  • 网络访问权限(查文献、看官网)
  • 至少能区分”权威来源”和”营销内容”
  • 一个具体的研究问题

3 步快速上手

第 1 步:克隆仓库

git clone https://github.com/JackyST0/awesome-agent-skills.git
cd awesome-agent-skills
ls skills/deep-research/

你会看到 SKILL.md、prompt-template.md、示例报告。

第 2 步:加载 Skill

claude --skill deep-research

第 3 步:提出研究问题

输入:

“我想了解 2026 年向量数据库的市场格局。请用 deep-research 流程调研,给出主要厂商、技术差异、市场份额、定价模式。”

AI 会按流程工作:

  1. 初步规划:列出要研究的子问题(10+ 个)

  2. 多源搜索:每个子问题查 3-5 个来源

  3. 交叉验证:对比不同来源的数据,标注不一致

  4. 报告生成:输出结构化报告,每个论断带引用

  5. 可信度评估:对每个章节给出可信度(高/中/低)

常见踩坑

  1. 来源质量参差不齐:AI 可能引用维基百科、营销博客、甚至 ChatGPT 生成的 SEO 内容。要明确告诉 AI 优先权威来源。

  2. 忽略时间衰减:2023 年的数据和 2026 年的数据差异巨大。Skill 默认优先新数据,但你要明确时间范围。

  3. 非英文覆盖弱:中文、日文、韩文资料可能覆盖不全。要明确”如果来源是中文也接受”。

  4. 付费墙内容:很多学术论文在付费墙后,AI 只能看摘要,无法深读。要标注哪些内容是”基于摘要”。

  5. 官方 vs 第三方:技术数据官方最准(比如 GitHub stars),市场份额要靠第三方报告(比如 Gartner)。Skill 会分类处理。

  6. 历史 vs 当前:Skill 默认查当前信息,但你要研究历史变迁时,要明确说”需要 5 年数据”。

初级用法

  • 竞品分析:调研竞争对手的产品、定价、技术栈,生成对比报告。

  • 技术选型:为新项目调研”用 PostgreSQL 还是 MongoDB”,Skill 会给出客观对比。

  • 学术综述:写论文/报告时,自动生成文献综述草稿(再人工精修)。

高级玩法

  • 多轮迭代研究:第一轮问”什么是 RAG”,第二轮问”RAG 的局限”,第三轮问”如何解决”。Skill 支持迭代。

  • 对比研究:“对比 Redis vs Memcached”,Skill 会从多个维度(性能、持久化、内存、集群)对比。

  • 预测研究:“未来 3 年向量数据库趋势”,Skill 会基于现有趋势 + 行业访谈给出预测,标注”这是推测”。

小技巧

  • 研究问题要明确:不要问”AI 怎么样”,要问”2026 年企业级 AI 应用的 TOP 3 用例是哪些,各自的市场规模”。

  • 看到 AI 给的报告,自己抽查 3-5 个引用,确认 URL 真的能打开、内容真的支持论断。

  • 对”市场预测”类内容保持警惕:即使是 Skill 也无法预测未来,只能基于现有趋势推断。

  • 中文研究允许中文来源,但要明确”接受中文资料”,否则 AI 可能偏向英文。

  • 把研究报告归档到团队 wiki,长期积累就形成了团队的知识资产。

  • 配合 playwright MCP 可以验证报告里的链接是否真的可访问。

常见问题 FAQ

Q1: 这个 Skill 跟 deep-research 有什么关系?必须装吗?

A: Skill 是给 AI Agent 用的”技能包”,能告诉 Agent 怎么按特定规范工作。不是必须装——如果你的项目规模小、要求不高,不装也能用。但装上能让 Agent 输出的质量更高、更符合最佳实践,推荐装。

Q2: 这个 Skill 适合哪些 AI Agent?Cursor?Claude Code?其他?

A: deep-research 来自 Anthropic,主要面向支持 Skill 机制的 Agent。常见兼容 Agent 包括 Claude Code、Cursor、OpenCode、Windsurf 等。具体兼容性请查 Skill 官方文档。

Q3: 装了这个 Skill 后,会拖慢 Agent 响应吗?

A: 会的——Skill 通常会增加 prompt 长度,导致响应变慢、token 消耗增加。但质量提升明显。建议:1) 只装项目必需的 Skill;2) 用 Skill 启动/加载/卸载机制按需加载;3) 定期清理不用的 Skill。

Q4: 怎么验证 Skill 装对了?

A: 在 Agent 中输入”列出已加载的 Skill”或类似命令。如果 Skill 出现在列表里,说明装对了。然后用 Skill 跑一个相关任务,看输出是否符合 Skill 规范。

Q5: 这个 Skill 有许可证吗?能商用吗?

A: JackyST0/awesome-agent-skills 仓库使用 CC0-1.0 许可证(公共领域 dedication),可自由商用。引用的 Anthropic 官方 skills 仓库部分内容为 Apache-2.0。商用前请查仓库 LICENSE 文件确认。

参考链接

基本信息

项目详情
来源仓库feiskyer/claude-code-settings
作者feiskyer
Stars1,600+
协议MIT
触发词”深度调研” “deep research” “wide research” “multi-agent research”

安装

# 方式一：插件市场
/plugin marketplace add feiskyer/claude-code-settings
/plugin install deep-research

# 方式二：手动
git clone https://github.com/feiskyer/claude-code-settings.git
cp -r claude-code-settings/skills/deep-research ~/.claude/skills/

使用场景

启动多个并行 Agent 进行系统化调研，自动从多源收集信息、交叉验证，输出结构化报告。适合竞品分析、技术调研、市场研究等需要全面覆盖的场景。

核心特性

  • 多 Agent 并行搜索，从微观到宏观全覆盖
  • 多源交叉验证，提升信息准确率
  • 结构化输出：摘要 + 章节 + 引用
  • 支持深度追问与展开

常用提示词

/load deep-research
请调研 [主题]，从以下维度展开：
1. 市场规模与趋势
2. 主要参与者
3. 技术发展现状
4. 未来预测
要求输出结构化报告，包含数据来源引用。

参考资料

  1. feiskyer/claude-code-settings GitHub
  2. Claude Code Skills 官方文档
  3. Anthropic 多 Agent 协作模式

deep-research Skill 多维度简评

类别：工程方法 来源：anthropics/skills 定位：深度研究工作流——多轮搜索、跨源验证、综合报告。

一、核心定位与价值

deep-research 是 Anthropic 官方 Skills 仓库（anthropics/skills）中的一员。该仓库是 Claude Code 的官方技能参考实现，拥有超过 150,000 个 GitHub Star，包含了文档处理、创意设计、技术开发和企沟通等多个类别的 Skill。

核心价值：为 AI 代理提供结构化的深度研究方法论——通过多轮搜索、跨源交叉验证和结构化报告输出，模拟人类研究员的信息收集与分析过程。

二、核心能力清单

能力说明
多源搜索从多个来源（官方文档、学术论文、技术博客等）并行搜索信息
交叉验证对来自不同来源的信息进行比对，识别矛盾和不一致之处
引用管理自动追踪信息来源，生成规范的引用格式
结构化报告将研究结果整理为逻辑清晰、层次分明的综合报告
研究计划制定在开始研究前制定搜索策略和问题分解方案

三、工作原理

渐进式加载机制

根据 Agent Skills 开放规范，Skill 通过三层渐进式加载工作：

  1. 元数据层（始终加载）：name 和 description 字段，约 100 词描述
  2. 指令层（触发时加载）：SKILL.md 正文，定义具体研究步骤和工作流
  3. 资源层（按需加载）：scripts/、references/ 等辅助文件

典型研究流程

1. 问题分解 → 将研究主题拆解为可独立探索的子问题
2. 多源搜索 → 对每个子问题执行多源并行搜索
3. 交叉验证 → 比对不同来源的信息，标注可信度
4. 综合分析 → 整合所有发现，识别关键洞察和知识空白
5. 报告输出 → 生成包含完整引用的结构化研究报告

四、安装与配置

# 方式 1：通过 Claude Code 插件市场
/plugin marketplace add anthropics/skills
/plugin install example-skills@anthropic-agent-skills

# 方式 2：通过 npx
npx skills add anthropics/skills --skill deep-research

该 Skill 在 Claude Code 中通过 description 字段自动触发——当用户提出需要深度研究的任务时，Claude Code 会自动匹配合适的 Skill。

五、适用场景

  • 市场调研：分析行业趋势、竞品功能、市场规模
  • 学术综述：整理某一领域的研究现状和前沿进展
  • 技术选型：评估不同技术方案的优缺点和适用性
  • 竞品分析：系统性地收集和比较竞争对手的产品信息

六、注意事项

  • 该 Skill 依赖网络搜索功能，需要相应的 API 密钥或工具权限
  • 研究质量取决于可访问的信息源质量，无法替代专业领域知识
  • 本文基于官方文档和公开资料整理，未经过 MagicNetWorld 实测

参考资料

📊 评分与标签

评分说明

总分 7.5/10 · S_入选

📊 可观测社区指标（数据核验日期：2026-07-07）

  • GitHub: JackyST0/awesome-agent-skills ★583, 🔱84, 104 Commits, 0 Issues, 4 PRs
    • 页面访问核验：仓库页面 Star 583 / Fork 84 / 104 Commits，最新提交 2 days ago（chore: update star counts [skip ci]，由 github-actions[bot] 每小时自动更新竞品 Star 计数）
  • 官方参考: anthropics/skills — Anthropic 官方 Skills 仓库，deep-research 方法论上游来源
  • 仓库定位: ”🤖 精选的 AI Agent Skills 列表，适用于 Cursor、Claude Code、GitHub Copilot 等 AI 编程工具”（中英双语 README）
  • 许可: CC0-1.0（公共领域 dedication），无任何商用限制

📦 可安装性 2.0/2.5

  • 提供 install.sh（macOS/Linux）与 install.ps1（Windows）跨平台一键安装脚本，将 Skill 复制到 ~/.claude/skills/、~/.cursor/skills/ 等 Agent 目录
  • 也可 git clone 后手动拷贝 examples/ 目录，依赖极低（仅需 git + 目标 Agent 客户端）
  • 对比 anthropics/skills：官方仓库无一键脚本，需手动 clone 或走 Claude Code plugin marketplace，跨平台适配较差
  • 对比 addyosmani/agent-skills：addyosmani 内建 .claude-plugin/、.gemini/commands/ 目录约定，JackyST0 无原生插件目录、需手动拷贝

🎯 实用性 1.5/2.5

  • 仓库本质是 Awesome 列表合集：README 收录 50+ 个 Skill 项目链接与平台目录说明，为 Skill 生态导航入口，而非 deep-research Skill 本身的独立实现
  • examples/ 目录包含 5 个示例 Skill（code-review、debug-helper、git-commit、unit-test-generator、api-doc-generator），并未包含 deep-research 独立实现；deep-research 方法论仍需回上游 anthropics/skills 或 Anthropic 官方 Claude Skills 文档
  • 对比 anthropics/skills：官方仓库含 17 个完整 Skill 实现，功能覆盖更广、可直接消费
  • 对比 addyosmani/agent-skills：addyosmani 提供生产级工程 Skill + slash-command + agents，端到端可用度更高

📖 文档质量 1.5/2.0

  • README.md 提供 8 个平台的技能目录路径（Cursor / Claude Code / Copilot / Windsurf / Codex / OpenCode 等），并同步 README_ZH.md 中文版，覆盖国内外双语用户
  • CONTRIBUTING.md 描述社区收录门槛（Star 数阈值），文档基础结构完整
  • 对比 anthropics/skills：每个 Skill 独立 SKILL.md + 示例代码，深度更高，本仓库仅提供索引
  • 对比 addyosmani/agent-skills：SKILL.md 含完整 checklist、触发条件、反面清单，本仓库大量指向外链

👥 社区活跃 1.2/1.5

  • ★583 / 🔱84 / 104 Commits / 4 open PRs，仓库创建于 2026 年上半年，最近由 github-actions[bot] 每小时更新收录项 Star 计数，最新人肉提交约 3 周前（feat: add NotFair Claude Code skills）
  • 单人维护 + 自动化脚本更新为主，社区参与门槛较低但深度贡献不多
  • 对比 anthropics/skills：★≈158k、727 open PRs，社区体量约为 271 倍
  • 对比 addyosmani/agent-skills：★71.6k、88 open PRs，社区体量约为 123 倍

🔗 兼容性 1.3/1.5

  • README 明确列出 8 个平台的 Skill 目录路径与安装方式（Cursor / Claude Code / Copilot / Windsurf / Codex / OpenCode / OpenClaw / Gemini），跨 Agent 通用
  • LICENSE 为 CC0-1.0（公共领域），无署名义务、无传染性开源约束，商用/闭源二次分发均可
  • 对比 anthropics/skills：Apache-2.0 含专利授权与署名义务，JackyST0 CC0 更彻底自由
  • 对比 addyosmani/agent-skills：MIT 与 CC0 在实际商用中差异极小，JackyST0 免署名对二次分发略友好

评分依据可追溯至公开来源，每项分数均有明确理由和数据支撑。

🏷️ 标签说明

  • 开源免费: CC0-1.0 公共领域许可，比 MIT/Apache 更彻底自由，任何商用/闭源二次分发均无限制。来源：LICENSE
  • CLI: 通过 install.sh / install.ps1 脚本 + git clone 命令行安装，核心使用场景在终端与 AI CLI 客户端。来源：README
  • 搜索: deep-research Skill 的核心能力是多源检索、引用追踪与交叉验证，本质属于信息搜索/研究工具。来源：Anthropic Skills 官方页面

📋 来源与核验记录