Skip to content
项目

wshuyi/deep-research has 355 GitHub stars and 22 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-19 20:27 UTC. Last push 2026-02-25.

这些数字如何统计

可以做什么

  • Source Tiering - L1-L4 hierarchy ensures conclusion traceability
  • Time-sensitivity - Auto-detects fast-moving fields (AI, crypto, etc.)
  • Fact Cards - Every claim has source, confidence level, applicability
  • Independent Verification - Separate Agent validates facts & logic before final report

实测星标增长

24小时
0
7天
正在收集历史
15天
正在收集历史
1个月
正在收集历史

各周期内的星标净变化,周期相互重叠,并非每日新增。缺失的测量保持空白。星标代表关注度,不代表软件质量。

关于

Deep Research Methodology (8-step) - Transform vague topics into high-quality research reports with systematic fact extraction and verifiable conclusions

开发工具

README_CN.md

原文

Deep Research(深度调研)

English

一个 Claude Code 技能,通过系统化的 8 步方法论,将模糊主题转化为高质量、可交付的调研报告,并内置独立校验机制。

痛点

在调研复杂主题时,你经常面临:

  • 信息过载:来源太多,难以区分质量
  • 结论模糊:「我感觉像 X」而非基于证据的推理
  • 无法追溯:不知道结论从何而来
  • 时效盲区:在 AI 等快速变化领域使用过时信息
  • 缺乏验证:结论发布前无人独立核查

传统调研耗时长,结论往往不可靠。

解决方案

Deep Research 提供系统化的 8 步方法论:

  • 资料分层评估:L1(官方文档)> L2(博客)> L3(媒体)> L4(社区)
  • 带出处的事实卡片:每条论断都可追溯到来源
  • 时效敏感性评估:自动处理快速变化的领域
  • 独立 Agent 校验:独立 Agent 在出报告前验证事实和逻辑(Step 6.5)
  • 可验证的结论:「事实 → 对照 → 结论」显式推导链
  • 可交付的输出:老板能读、能转述、能追溯的报告

环境要求

  • Claude Code CLI
  • 网络搜索工具(WebSearch、Tavily MCP 或 Exa MCP)

安装方式

方式 1:Git Clone(最简单)

git clone https://github.com/wshuyi/deep-research.git
cp -r deep-research/skills/deep-research ~/.claude/skills/

方式 2:插件市场

/plugin marketplace add wshuyi/deep-research
/plugin install deep-research@wshuyi/deep-research

方式 3:第三方市场

仓库获得 2+ stars 后会被 SkillsMP 自动收录,可直接搜索「deep-research」安装。

使用方法

自然语言触发:

  • 「深度调研 [主题]」
  • 「帮我调研 [主题]」
  • 「对比分析 X 和 Y」
  • 「写调研报告」

工作流程(8 步法)

Step 0:   问题类型判断
Step 0.5: 时效敏感性评估(AI/技术类主题必须执行)
Step 1:   问题拆解与边界界定
Step 2:   资料分层与权威锁定
Step 3:   事实抽取与证据卡片
Step 4:   建立对比/分析框架
Step 5:   参照物基准对齐
Step 6:   从事实到结论的推导链
Step 6.5: 独立 Agent 校验(BLOCKING)← v2.1 新增
Step 7:   用例验证(Sanity Check)
Step 8:   可交付化处理

输出结构

~/Downloads/research/<topic>/
├── 00_问题拆解.md          # 问题类型、子问题列表
├── 01_资料来源.md          # 所有资料链接和摘要
├── 02_事实卡片.md          # 抽取的事实及出处
├── 03_对比框架.md          # 选定的框架和填充
├── 04_推导过程.md          # 事实→结论的推导
├── 05.5_校验记录.md        # 独立 Agent 校验记录(新增)
├── 05_验证记录.md          # 用例验证和回查
└── FINAL_调研报告.md       # 最终交付报告

示例

用户:深度调研 REST API 和 GraphQL 的区别

Claude:[执行 8 步方法论]
- 判断类型:概念对比型
- 从官方规范创建事实卡片
- 使用 8 维度对比框架
- 用实际场景验证
- 输出带引用的结构化报告

核心特性

特性 说明
资料分层 L1-L4 层级确保结论可追溯
时效敏感 自动检测快速变化领域(AI、加密货币等)
事实卡片 每条事实都有来源、置信度、适用范围
独立校验 独立 Agent 在出报告前验证事实准确性和推导逻辑
显式推导 不说「我感觉像」,只有机制对比得出的结论
质量检查清单 边界守恒、范围蔓延防控、风险层级区分
可交付输出 一句话总结 + 结构化章节 + 引用来源

常见问题

Q: 这和直接让 Claude 调研有什么区别?

A: 本技能强制执行系统化方法论,有中间产物、来源验证、独立 Agent 校验(Step 6.5)、显式推理链。结果可追溯、可验证。

Q: 非技术类主题也能用吗?

A: 可以,方法论适用于任何调研主题。5 种问题类型(概念对比、决策支持、趋势分析、问题诊断、知识梳理)覆盖大多数场景。

Q: 如何处理过时信息?

A: Step 0.5 评估时效敏感性。对于高敏感领域(AI、区块链),强制执行 6 个月时间窗口,要求标注版本号。

Q: 独立 Agent 校验(Step 6.5)是什么?

A: 在写最终报告前,启动独立 Agent 对事实卡片和推导逻辑进行独立验证。可发现数据不准确、逻辑跳跃、遗漏维度等问题,确保结论可靠。

许可证

MIT License - 详见 LICENSE

作者


使用 Claude Code 生成