Deep Research

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