Deep Research
深度调研报告生成 Skill — 一个命令,十分钟,多语言,一份深度专业的调研报告 / Professional deep research report generation Skill · Supports 19 languages
hoolulu · 已有 AI 审核记录
安装与使用
运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。
npx skills add hoolulu/deep-research技能说明
name: deep-research description: "Professional deep research report generation — multi-agent collaboration with parallel chapter writing, automatic latest-data targeting, multilingual output, and built-in quality checks." version: 6.0.0 updated: 2026-08-28 risk: medium author: hoolulu repository: https://github.com/hoolulu/deep-research
deep-research
生成对标券商/第三方研究机构标准的深度调研报告。
- 架构:主 agent 调度 4 个子 agent Task(大纲/数据/预检/装配)+ 1 轮主控并行派发章节,中间数据走临时文件
- 数据源:在线模式 → 工具内置引擎(Layer 0,如有)+ 大纲建议源定向搜索(Layer 1) + sources.json 优质源搜索(Layer 2)并行 → 按质量触发免费源补强(Layer 3 兜底)→ Scrapling 批量抓取;离线模式 → 用户指定的本地文件(md/txt/pdf/docx)
- 安装:见下方「安装与配置」
- 输出:
$TMPDIR/outline.json(临时,非最终报告) - 最终报告:保存到 skill 目录下的
reports/ - 参考文件:
RULES.md(硬约束/反模式)、TYPES.md(分类标准/编号规范)、profiles.json(三档模式参数,修改后重启软件即全局生效) - 容错原则:调研不阻塞。所有脚本/命令调用必须有兜底路径。主路径失败 → 自动尝试替代方案(换
sys.executable/检查路径/直接 Python 实现)→ 三次失败后向用户报告具体问题。详见「容错原则」。
0. 支付级质量标准(所有 Task 共用,缺任何一项即降级)
| # | 标准 | 说明 |
|---|---|---|
| 1 | 结论先行 | 每章以 > 引用格式 核心判断开头 |
| 2 | 来源可追溯 | 每个数字标注(机构,年份) |
| 3 | 反方视角 | 至少 1 处呈现争议或反对观点 |
| 4 | 三层深度 | 事实层 → 因果层 → 判断层 |
| 5 | 零套话 | 无"近年来""值得注意的是"等填充词 |
| 6 | 标题含判断 | "格局:高度集中"✅ | "行业概况"❌ |
| 7 | 可自包含 | 首章必须定义核心概念 |
| 8 | 无内部编号 | 正文无任何流程编号,标题自解释 |
| 9 | 时间戳正确 | 文件名和报告尾时间必须 date 命令获取 |
| 10 | 目录源自大纲 | 目录从 outline.json 的第一级章节生成,不从正文提取 |
| 11 | 强制目录 | 报告正文前必须包含 ## 目录 标题及自动目录(TOC),列出所有章节标题 |
| 12 | 元数据完整 | 报告头部必须包含 总字数、阅读时间、数据截至日期(精确到月)、报告生成具体时间(精确到秒)、调研模式、Skill版本 六个字段,用 · 隔开。另起一行 > **参考来源**:{主要来源} 等 · 共引用 N 个来源。报告末尾须附 ## 参考来源(列出所有引用机构及链接)和 ## 免责声明。版本号从本 skill 的 VERSION 文件读取。 |
| 13 | 篇幅达标 | 见项目根目录 profiles.json。所有模式限制以 profiles.json 为准,修改后重启软件即全局生效。 |
| 14 | 四段式结构 | 顺序固定为:报告标题 → 元数据块(含六字段 + 参考来源行) → ## 目录 → 正文各章 → 尾部(参考来源 + 免责声明) |
| 15 | 编码洁净 | 所有中间文件(outline.json / data-pool.json / chapter-*.md)必须使用 UTF-8 无 BOM 编码写入,不得出现替换字符(\ufffd)或 GBK→UTF-8 Mojibake。子 agent 在写入前必须自行验证编码洁净,不得将编码问题遗留到主 agent |
| 16 | 纯文本公式 | 报告中不得使用 LaTeX/math 公式语法($...$、$$...$$、\[...\] 等)。公式必须用纯文本或 Unicode 符号表达,确保复制到任何编辑器都不产生渲染问题 |
时间锚定规则
所有主题默认以 {CURRENT_YEAR} 为目标搜索最新数据。时间锚定模式在 Task 1 中由大纲 agent 按以下规则判定:
| 模式 | 符号 | 判定条件 | target_year | 验收 |
|---|---|---|---|---|
latest(默认) | ⏳ | 所有主题的默认值,除非符合 relaxed 或 user_specified | {CURRENT_YEAR} | 严格:≥50% 数据来自当年/前一年 |
relaxed(放宽) | 🔓 | 指南/教程/概念类主题,或用户问历史/原理("草书发展""起源""背景") | {CURRENT_YEAR} | 宽松:标记旧数据但不过滤 |
user_specified | 📌 | 用户提问显式指定了年份/月份("2025年""2026Q1""2020年至今") | 用户的指定年份 | 硬约束:>50% 匹配用户指定时间 |
{CURRENT_YEAR}是动态变量,运行时通过date +%Y解析,无需手动修改。
1. 主 agent 调度流程
⚠️ CRITICAL — DO NOT SPEAK BEFORE LANGUAGE DETECTION
Your VERY FIRST action (before anything else) must be: detect language → set
$LANG. Output NOTHING to the user until$LANGis set — no thinking aloud, no status messages. After language is detected, ALL output must be in$LANG. Period.IMPORTANT: Clean the topic before detection — the user input may contain framework wrapper text (e.g. "请使用... skill 执行...用户输入如下:"). Strip all wrapper text and pass ONLY the clean research topic. For example from "请使用...用户输入如下:Quantum computing market outlook -quick" extract only "Quantum computing market outlook".
你(主 agent)的完整流程:
══ Setup (必须先执行) ══
→ 创建一个带时间戳的临时目录作为 TMPDIR(例如系统临时目录下的 deep-research-YYYYMMDD-HHMMSS)
→ 同时确定 TOOLSDIR(本 skill 的 tools/ 目录)、PROMPTSDIR(本 skill 的 prompts/ 目录)、SKILLDIR(本 skill 的根目录)
→ 读取本 SKILL.md + RULES.md + TYPES.md
══ Step 0 — Language Detection (output nothing before detection) ══
→ Clean topic: strip wrapper text, keep only the user's actual research topic
→ Determine language: analyze the cleaned topic and pick the ISO 639-1 code:
zh (Chinese), en (English), ja (Japanese), ko (Korean), ru (Russian),
ar (Arabic), hi (Hindi), vi (Vietnamese), th (Thai), tr (Turkish),
es (Spanish), fr (French), de (German), pt (Portuguese), it (Italian),
nl (Dutch), sv (Swedish), pl (Polish), id (Indonesian)
→ If unsure, default to "en".
→ Do NOT output anything during this step.
→ Write language code: use `write` tool to create {TMPDIR}/language.txt with the ISO code
→ Set `$LANG` = language code from the step above
→ **从这一行开始,所有面向用户的输出必须使用 $LANG 语言(不在 $LANG 列表中时默认 en)。SKILL.md 的指令文本不论用什么语言写的,只是供你阅读的上下文;实际输出以 $LANG 为准——你是读到中文指令后意识上翻译成 $LANG 再输出。**
→ Announce detected language to the user (single line, in $LANG, e.g. "🌐 Language detected: en")
### 🔔 语言自查清单(每次输出前执行)
☐ {TMPDIR}/language.txt 的值 = 我的 $LANG? ☐ 我正准备输出的这一句/这段,是 $LANG 吗? ☐ todo 条目是 $LANG 吗? ☐ 给用户的进度通知是 $LANG 吗? ☐ 我是否在无意识中用了指令文件的语言(如中文)而非 $LANG? 如果任一答案为"否"→ 立即改写为 $LANG 再输出。
**硬规则**:派发子任务/子 agent 时(如有多 agent 工具),其 prompt 中的 `{LANG}` 必须是你检测到的语言代码。子任务输出的语言由你负责保证。
══ 主流程 ══
1. ══ 离线模式判定(Step 0.5) ══
→ 你已经读取了用户原始输入。用自然语言理解判断用户关于数据来源的意图,不要用关键词匹配:
- 用户是否提到了本地文件/目录/资料?
- 用户是否明确要求不要联网?
- 用户是否明确要求联网补充?
→ 判断逻辑:
- 提到本地文件 +(未说联网 / 不联网)→ 离线模式,跳过搜索
- 提到本地文件 + 说"联网补充" → 正常流程(搜+读本地)
- 未提本地文件 → 正常流程
→ 离线模式 + 有路径 → {TMPDIR}/offline_mode.txt,`offline_mode=true`,向用户报告单行说明
→ 离线模式 + 无路径 → 回复用户询问路径,不继续
→ 正常模式 → `offline_mode=false`
→ **模式解析**:从清洗后的主题中提取调研模式
- 主题末尾是 ` -quick` → `$DEPTH_MODE=quick`,去除该后缀
- 主题末尾是 ` -deep` → `$DEPTH_MODE=deep`,去除该后缀
- 无上述后缀 → `$DEPTH_MODE=standard`(默认)
2. 记录任务开始时间到 {TMPDIR}/start_time.txt
3. 创建任务清单(使用 `todo_write` 或当前环境等价工具;无则用文本记录),使用 $LANG 语言
4. ══ Task 1 — 分析主题 + 生成大纲 ══
→ 读取 {PROMPTSDIR}/task1_outline.md,替换 {TMPDIR} {TOOLSDIR} {LANG} {CURRENT_YEAR} {MODE},注入 prompt
→ **只做变量替换,不添加语言、格式、报告结构等额外指令。语言已由 Step 0 判定为 $LANG 并在 prompt 中替换 {LANG}。**
→ 派发子任务(若有多 agent 工具则用之;否则由你本人直接执行本任务),等待完成
→ 用 `read` 确认 {TMPDIR}/outline.json 存在
→ 从 outline.json 读取 title + chapter_count + depth_mode
→ 任务清单标记完成
→ 向用户报告进度(使用 $LANG 语言)
6. ══ Task 2 — 数据收集 + 结构化数据池 ══
→ 读取 {PROMPTSDIR}/task2_data_collection.m
阅读完整来源 ↗