deep-research
多源综合深度研究，含引用追踪、交叉验证。
评分明细
适用场景
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 官方仓库,是它对”AI 辅助研究”这个场景的官方推荐实现。
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:
- 初步规划:列出要研究的子问题(10+ 个)
- 多源搜索:每个子问题查 3-5 个来源
- 交叉验证:对比不同来源的数据,标注不一致
- 报告生成:输出结构化报告,每个论断带引用
- 可信度评估:对每个章节给出可信度(高/中/低)
常见踩坑
- 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。
- 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。
- 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”。
- 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”。
- 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。
- 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
playwrightMCP 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: 取决于 deep-research 的许可证。常见许可证包括 MIT(完全自由)、Apache-2.0(自由但有专利条款)、源可用(可看不能用)、GPL(强开源)。商用前请查仓库 LICENSE 文件。
进阶学习建议
如果想进一步用好 deep-research,建议按以下路径学习:
第 1 周:熟练使用
- 完成 3 步快速上手,跑通第一个任务
- 试 2-3 个不同场景的真实任务
- 记录”哪些 prompt 有效、哪些没用”——形成自己的 prompt 笔记
第 2 周:理解机制
- 阅读 Skill 的官方文档(README、SKILL.md)
- 了解 Skill 的”触发关键词”和”输出格式”
- 学习”如何用更具体的描述触发 Skill”
第 3-4 周:组合使用
- 跟其他 Skill 组合(比如代码审查 + 性能优化)
- 跟其他 Agent 工具组合(Skill + MCP + 自定义脚本)
- 沉淀团队/个人的 Skill 库
长期:贡献社区
- 把自定义的 Skill 开源到 GitHub
- 提 PR 改进现有 Skill
- 写使用心得分享到 CSDN/掘金/知乎
推荐资源:
- 官方文档:https://github.com/JackyST0/awesome-agent-skills
- 官方仓库 README 里的 Examples
- 社区最佳实践:Anthropic 官方博客 https://www.anthropic.com/blog
- 国内社区:CSDN AI 板块、掘金 AI 板块
避免的坑:
- 不要装太多 Skill(超过 10 个会拖慢 Agent)
- 不要把 Skill 装在不兼容的 Agent 上
- 不要直接复制 Skill 默认 prompt——要根据项目调整
- 定期 review Skill 库的实用性,清理不用的
参考链接
- Skill 仓库:https://github.com/JackyST0/awesome-agent-skills
- Anthropic 深度研究功能:https://www.anthropic.com/news/built-in-research
- Perplexity(参考的 AI 搜索产品):https://www.perplexity.ai/
- 学术搜索 Google Scholar:https://scholar.google.com/
- 技术调研方法论:https://www.nngroup.com/articles/ux-research/
本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。如有错误或过时信息，请通过 contact@magicnetworld.com 反馈。
基本信息
| 项目 | 详情 |
|---|---|
| 来源仓库 | feiskyer/claude-code-settings |
| 作者 | feiskyer |
| Stars | 1,600+ |
| 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
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：
- 元数据层（始终加载）：name 和 description 字段，约 100 词描述
- 指令层（触发时加载）：SKILL.md 正文，定义具体研究步骤和工作流
- 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
- anthropics/skills 官方仓库 — GitHub 仓库
- Anthropic 17 个官方 Skills 完全指南 — ClaudeWorld 技术文章
- Agent Skills 开放规范 — 官方规范网站
- Claude Code Skills 安装与使用指南 — AllThings.How 教程
- Anthropic Skills 官方文档 — Claude Code 文档
快速安装
git clone https://github.com/JackyST0/awesome-agent-skills.git
cd awesome-agent-skills
ls skills/deep-research/