deep-research

# Deep Research 深度研究 基于 [dzhng/deep-research](https://github.com/dzhng/deep-research) 思路，用 Claude Code 原生能力实现。 ## 研究流程 收到研究请求后，按以下步骤执行： ### 1. 分解查询（广度） 根据主题生成 3-5 个不同角度的搜索查询： - 基础概念/定义 - 最新进展/动态 - 技术实现/原理 - 应用场景/案例 - 对比/竞品 ### 2. 迭代搜索（深度） 对每个查询： 1. `WebSearch` 获取搜索结果 2. `WebFetch` 抓取 2-3 个高质量页面详情 3. 提取关键信息，发现新问题 4. 对新问题继续搜索（迭代 1-2 轮） ### 2.5 NotebookLM 补充查询（可选） 如果用户的 NotebookLM 中有与主题相关的笔记本，可作为**私有知识源**补充公开搜索的盲区： ```bash # 搜索是否有相关笔记本 python ~/.claude/skills/notebooklm-skill/scripts/run.py notebook_manager.py search --query "关键词" # 查询笔记本获取有引用的回答 python ~/.claude/skills/notebooklm-skill/scripts/run.py ask_question.py --question "具体问题" --notebook-id ID ``` **使用时机**： - 话题涉及用户个人积累的领域知识（已上传到 NotebookLM） - 公开搜索结果不够深入，需要私有资料补充 - 用户主动要求"查一下我的 NotebookLM" **不要**每次调研都自动查 NotebookLM，只在相关时使用。 ### 3. 综合报告 整合所有信息，输出结构化报告： ```markdown # [主题] 深度研究报告 ## 摘要 [3-5 句核心发现] ## 背景与定义 ## 技术原理/核心机制 ## 最新进展 ## 应用场景 ## 竞品对比（如适用） ## 未来展望 ## 参考来源 ``` ## 使用示例 用户说： - "深度研究一下 AI Agent" - "调研 MCP 协议的最新进展" - "research Claude Code 的竞品" ## 输出位置 报告写入：`/tmp/research_report.md`