Deep Research

---
name: 深度研究
description: 深度网络调研。将研究问题拆解为子主题，多源搜索、阅读、筛选，最后生成带引用的结构化研究报告。基于 GPT Researcher 方法论，零额外依赖。
trigger_commands:
  - /deep-research
  - /research
  - 深度研究
  - 深度调研
  - 全面调研
  - 研究报告
  - deep research
---

# Deep Research — 深度调研 Skill

## 概述

模仿 GPT Researcher 的方法论进行深度网络调研。全程使用 `web_search` 和 `web_fetch` 工具，零额外依赖。

> ⚠️ 本 Skill 不安装任何 Python/Node 包，直接使用 LegalWork 自带的搜索和网页抓取能力。

## 工作流程

### 第一步：问题分析与规划

评估用户的研究问题，判断：
- 问题的范围和深度
- 需要的子主题数量（一般 3-6 个）
- 需要搜索的关键词方向

### 第二步：子主题分解

将研究问题拆解为以下结构（根据问题类型调整）：

| 类型 | 子主题结构 |
|------|-----------|
| 调研类 | 背景与现状 → 关键数据 → 主要参与者 → 挑战与趋势 → 未来展望 |
| 对比类 | A 方观点 → B 方观点 → 证据比较 → 结论 |
| 分析类 | 定义 → 成因 → 影响 → 对策 → 展望 |
| 技术类 | 原理 → 实现方案 → 对比评估 → 最佳实践 |

### 第三步：多源搜索（每个子主题）

对每个子主题：
1. 生成 2-3 个搜索查询（不同关键词/角度）
2. 对每个查询调用 `web_search` 
3. 阅读搜索结果的前 3-5 个链接（调用 `web_fetch`）
4. 提取关键信息、数据、引用来源

**搜索策略：**
- 使用不同的搜索词和角度覆盖子主题
- 优先读取正文内容而非只看标题
- 对关键数据或争议点交叉验证多个来源
- 记录每个来源的 URL 以便引用

### 第四步：来源筛选与标注

对每个读取的来源评估：
- ✅ **高价值** — 内容直接相关、信息丰富、来源可信
- ⚠️ **参考** — 部分相关或来源一般
- ❌ **低价值** — 不相关或内容过浅（跳过）

### 第五步：子报告生成

对每个子主题，基于已阅读的 3-6 个来源，生成子报告：

```
## [子主题标题]

[综合多个来源的有序论述，引用标注来源]

**关键发现：**
- 发现 1 [来源]
- 发现 2 [来源]

**参考文献：**
- [标题](URL)
- [标题](URL)
```

### 第六步：去重与整合

- 检查各子报告之间是否有重复内容
- 合并相近论点，消除冗余
- 确保整体逻辑流畅

### 第七步：生成最终报告

最终报告结构：

```
# [研究标题]

> **研究问题：** [原始问题]
> **调研范围：** [子主题列表]
> **来源数量：** 共检索 XX 个来源

## 1. 引言

[研究背景、问题重要性、报告结构]

## 2. [子主题 1]

[综合论述 + 引用]

## 3. [子主题 2]

[综合论述 + 引用]

## 4. [子主题 3]

[综合论述 + 引用]

...

## 结论

[主要发现总结、关键结论、意义展望]

## 参考文献

1. [标题](URL) — 来源说明
2. [标题](URL) — 来源说明
...
```

## 质量要求

- **引用规范**：每个主要观点至少标注 1 个来源
- **深度要求**：每个子主题至少阅读 3 个独立来源
- **总来源数**：最终报告引用不少于 8 个来源
- **客观平衡**：对争议话题呈现多方观点
- **时效优先**：优先使用近 1-2 年内的来源
- **交叉验证**：关键数据尽量多个来源验证
- **诚实标注**：不确定的信息标注"据某来源"，观点性内容标注"有观点认为"

## 使用方式

```
# 基本用法
/deep-research 中国人工智能芯片产业发展现状与趋势

# 或在对话中直接提出
帮我深度调研一下：全球碳关税政策的最新进展和影响

# 快速调研
/research 2024年中国新能源汽车出口数据
```

## 与其他工具的配合

- 完成调研后，可使用 `load_skill` 切换到 `document-writing` skill 将报告导出为 Word
- 调研结果可计入记忆（`memory_create`），便于后续复用