web-search-strategy

name	web-search-strategy
description	當使用者要上網查資料、把模糊研究意圖拆成多輪搜尋查詢、限定網站或檔案類型、找官方來源，或改善 Google/Bing 搜尋品質時使用。將問題改寫成 2-5 組高辨識度查詢，結合 site、引號、排除詞、檔案類型、搜尋引擎切換、結果去重與二次搜尋，再整理可信來源、未解空缺與下一輪查詢方向。
version	2026.3.13
metadata	{"author":"Allan Yiin","language":"zh-TW","category":"research","short-description":"把研究問題轉成高品質搜尋策略，找到可信來源並收斂下一輪查詢"}

Web Search Strategy

Purpose

這個 skill 的工作不是直接把整句問題丟進搜尋框，而是先判斷使用者到底要找答案、找清單、找官方文件，還是找近期動態，再把模糊意圖改寫成高辨識度查詢與研究路徑。

它吸收 web_tools.py 中 better_keywords、better_search、quick_search、detail_search 的可重用策略，但會補上更嚴格的來源篩選與語法護欄：保留多組查詢、站點限制、去重、二次展開與多引擎交叉驗證，同時避免把未被官方穩定保證的語法硬寫成鐵律。

Scope

In scope

• 使用者要「幫我查」「幫我搜」「找官方來源」「限定某網站」「找 PDF / 年報 / 法規 / 規格」這類網路研究任務。
• 需要把模糊問題拆成 2-5 組查詢，而不是只用一條長句搜尋。
• 需要選擇適合的搜尋引擎、站點限制、檔案類型、排除詞、語言或地區線索。
• 需要先做第一輪搜尋，再依結果調整第二輪查詢。
• 需要區分官方來源、原始文件、二手整理、新聞轉述與 SEO 農場內容。

Out of scope

• 使用者已提供明確 URL、PDF 或長文件，只需要閱讀、切片或摘要。
• 任務核心是寫 spec、寫程式、做設計、改文案，而不是搜尋策略本身。
• 單純閒聊或純意見題，不需要網路查核。
• 需要深入閱讀單一大型 PDF、論文或超長規格時，不應由本 skill 獨自處理全文閱讀。

Primary use cases (2-3)

1. 把模糊研究意圖拆成可搜尋的查詢族

• Trigger examples: "幫我查這個主題，但不要只搜一條關鍵字。", "把這個需求轉成比較會找到資料的搜尋方式。"
• Expected result: 產出 2-5 組查詢，每組對應不同頁面類型或證據來源，並說明各自用途。

2. 優先找官方文件、法規、PDF 或指定網站內容

• Trigger examples: "請優先找官方文件，不要新聞轉述。", "幫我找年報 PDF 與 investor relations 頁面。"
• Expected result: 使用站點限制、檔案類型與精確短語，收斂到原始來源。

3. 多輪搜尋與來源交叉驗證

• Trigger examples: "第一輪結果很雜，幫我縮小範圍。", "我要最新資訊，請交叉比對不同來源。"
• Expected result: 先整理第一輪搜尋缺口，再提出第二輪查詢、替代引擎與待驗證事項。

Workflow overview

1. 先讀現有對話、檔案與已知來源，避免重搜已知資訊。
2. 判斷任務類型是 answer、gathering、news、full-list、profile、dataset 或混合型。
3. 用第一性原則推測答案最可能出現在什麼頁面類型，而不是先猜關鍵字。
4. 產出 2-5 組高辨識度查詢，每組只保留 2-3 個核心概念，必要時加站點、檔案或語言限制。
5. 根據目標選引擎與語法，執行第一輪搜尋並控制每組結果數量。
6. 去重、排除低品質來源，留下最值得打開的頁面。
7. 若證據不足，根據缺口做第二輪查詢，而不是盲目加長原查詢。
8. 最後回覆查詢策略、主要來源、未確定處與下一輪建議。

Communication notes

• User vocabulary: 搜關鍵字、幫我查、官網資料、限定網站、找 PDF、找法規、找最新消息、交叉比對、不要垃圾結果。
• Avoid jargon: 把 SERP 說成「搜尋結果頁」，把 query expansion 說成「查詢擴寫」，把 precision / recall 說成「找得準 / 找得全」。
• Least-surprise rule: 不要假裝任何 operator 都穩定有效；對未被官方穩定保證的語法要標成「經驗法則」或直接改用較穩的進階搜尋 / 日期篩選。
• Output rule: 回覆至少要有查詢策略、來源類型、主要發現、未解空缺與下一輪查詢，不要只丟一串關鍵字。

Routing boundaries

• Neighboring skills / workflows:
  • long-document-evidence-reader: 已經找到 PDF、法規全文或超長規格後，改由它做切片閱讀與證據整理。
  • spec-organizer: 研究完成後若要整理成開發 spec、驗收條件或分期計畫，交棒過去。
  • skill-creator-advanced: 使用者要把搜尋流程本身打包成 skill、做 eval 或發布時交棒。
• Negative triggers:
  • "幫我摘要這份 PDF"
  • "幫我直接修這段程式"
  • "幫我寫一份提案文"
  • "我只想讓你憑經驗回答，不用查網路"
• Handoff rule: 一旦來源已固定且任務重心從「找資料」變成「讀資料、寫規格、做設計或實作」，就應停止擴大搜尋，改交給更貼近主任務的 skill。

Language coverage

• Primary language(s): 繁體中文、英文。
• Mixed-language trigger phrases: official source、site search、PDF report、annual report、exact phrase、exclude terms、query refinement、search operator。
• Locale-specific wording risks:
  • 「最新」通常代表必須真的上網查，不能沿用舊知識。
  • 「官方」有時指政府，有時指公司官網、標準組織或原始專案文件，要先辨識來源層級。
  • 「資料很多」可能是要找得更全，也可能是結果太雜；先分清楚是要擴大 coverage 還是縮小 noise。

Success criteria

Quantitative

• Trigger accuracy: 至少 90% 的明顯搜尋策略 / 網路研究需求能觸發。
• Query packs: 每次至少產出 2 組、至多 5 組查詢；除非使用者明確要求 full-list 掃描。
• Tool calls: 一般案例維持 3-12 次；只有在需要第二輪搜尋或交叉驗證時才增加。
• Unsupported-operator claims: 0 次把未被官方穩定保證的語法說成必定有效規則。

Qualitative

• 不把整句問題原封不動塞進搜尋框。
• 能明確說明「這組查詢為什麼存在」以及「它預期打到哪類頁面」。
• 優先原始來源，必要時才退回新聞、部落格或二手整理。
• 能區分已驗證事實、搜尋引擎經驗法則與推論。

Instructions

先以 references/query-playbook.md 作為查詢設計基準；判斷來源可信度時，使用 references/source-triage.md；輸出時優先套用 references/output-template.md。

Global rules

• 任何任務先看現有上下文與已知檔案；若已經有精確 URL 或文件，不要重做廣泛搜尋。
• 使用者要的是研究結果，不是關鍵字拼盤；每一組查詢都要能對應到一個研究假設。
• 優先使用目前官方有文件或搜尋頁面支持的能力，例如 site:、精確短語、進階搜尋欄位、檔案類型與日期工具。
• 對 before:、after: 這類未穩定列在官方一般網頁搜尋說明中的語法，只能當成經驗性捷徑，不可當成保證；若時間是核心條件，優先改用搜尋工具或進階搜尋的日期限制。
• 如果使用者的前提錯了，例如把搜尋品質問題誤認為關鍵字不夠長，要直接糾正並解釋原因。

Step 0: Confirm research target and freshness risk

• 先補齊或推導以下資訊：
  • 想找的是答案、文件、新聞、清單、公司檔案、法規、資料集，還是多者混合。
  • 是否要求最新、今日、近期、年度範圍或特定地區。
  • 來源偏好，例如官方、學術、政府、專案原始文件、投資人關係頁面。
• 若任務涉及新版本、法規、價格、公司資訊、體育、新聞等高時效內容，直接上網查，不得只憑記憶作答。

Step 1: Classify search intent

• 依照任務把搜尋分類為：
  • answer: 要快速找到單一答案或少量高可信證據。
  • gathering: 要理解一個概念、收集多面向資料。
  • news: 要近期事件與時間線。
  • full-list: 要盡量列全，例如公司名單、工具列表、文件集合。
  • profile / dataset: 要特定主體或可下載資料。
• 這一步決定後續每組查詢的數量、每組保留結果量與是否需要第二引擎。

Step 2: Hypothesize the page types first

• 先回答「答案最可能出現在什麼頁面」：
  • 官方說明頁
  • 法規 / 公告頁
  • PDF / 年報 / 白皮書
  • GitHub / 規格文件
  • 新聞稿或媒體報導
  • 資料集下載頁
• 這一步對應 better_keywords 的第一性原則：先想頁面類型，再從頁面特徵推回查詢詞。

Step 3: Generate 2-5 query families

• 每組查詢只保留 2-3 個核心概念；若一條查詢需要四個以上主要概念，拆成兩條。
• 先放 1 個主關鍵詞，再加 1-2 個限定詞；不要把整句敘述照抄。
• 若概念本身是固定短語、產品名、法規名或公司名，優先用引號包住精確短語。
• 若已知來源網站，直接加 site:；若要找檔案，使用 filetype: 或進階搜尋的檔案類型。
• 若查詢太寬，可加排除詞或改成多組查詢，而不是瘋狂堆疊更多字。
• 若需要找完整清單，查詢數量可增加到 5 組，但每組仍要保持短而可控。

Step 4: Choose engine and operator deliberately

• Google 與 Bing 都可用，但不要隨機切換；要說明切換原因，例如：
  • 需要官網或規格文件時，先用能更快打到原始來源的引擎。
  • 第一引擎結果過度重複、過度 SEO 化或區域偏差時，改用第二引擎做交叉驗證。
• 優先使用這些穩定技巧：
  • site:：限定網站或網域。
  • 引號：找精確短語、產品名、法規名、組織名。
  • 排除詞：排掉明顯錯誤語境或雜訊。
  • filetype:：找 PDF、XLSX 等檔案。
  • 進階搜尋 / 日期工具：控制語言、地區、最近更新。
• 若使用者要求「所有技巧」，要主動說明哪些是官方支持、哪些只是經驗性寫法。

Step 5: Run the first search round with result caps

• answer: 每組通常先看前 3 個高可信結果。
• gathering / profile / dataset: 每組可先看前 5 個。
• full-list: 可擴到每組前 5-8 個，但仍要去重。
• 不要一開始就打開所有結果；先從標題、網域、摘要判斷值不值得點開。

Step 6: Deduplicate and triage sources

• 去掉重複 URL、同站鏡像頁、內容聚合頁。
• 依 references/source-triage.md 的優先順序排序：
  • 官方或原始來源
  • 直接文件或原始數據
  • 權威二手來源
  • 一般新聞 / 部落格
• 若已知結果與上下文重複，優先保留新增資訊，不要重複打開同一批頁面。

Step 7: Open only the promising pages

• 對最有機會回答問題的 3-5 頁做深入讀取。
• 若頁面其實是大型 PDF、規格或法規全文，要明確交棒給 long-document-evidence-reader，不要在本 skill 內硬吃整份文件。
• 若讀完仍不足以回答，記錄缺口：缺年份、缺官方來源、缺比較對象、缺定義。

Step 8: Run the second search round from gaps

• 第二輪查詢要針對缺口，而不是把原查詢改得更長。
• 常見二次展開方式：
  • 換更精確的實體名詞
  • 改打官方站點
  • 補年度或版本
  • 改找檔案型態
  • 改用另一引擎交叉驗證
• 若查不到，不要假裝有答案；要明講找到了什麼、還缺什麼。

Step 9: Final answer structure and QA

• 最終回覆至少包含：
  • 研究目標與假設
  • 查詢策略或查詢表
  • 主要發現
  • 仍未確定處
  • 下一輪建議查詢
  • 來源連結
• 若你引用的是搜尋技巧而不是已查證事實，標註為「策略建議」或「經驗法則」。
• 交付前用 references/quality_checklist.md 自檢。

Testing plan

Triggering tests

• Should trigger:
  • "幫我把這個題目拆成比較會找到資料的搜尋關鍵字。"
  • "我要找官方法規與公告，請不要只搜新聞。"
  • "幫我限定某網站跟 PDF，找年報。"
  • "第一輪搜尋結果太雜，幫我收斂。"
  • "請設計 Google / Bing 的搜尋策略，優先官方來源。"
• Should NOT trigger:
  • "幫我摘要這份 PDF。"
  • "幫我直接寫一份產品規格。"
  • "幫我修這段 Python 程式。"
  • "我只想讓你憑經驗回答，不要查網路。"
  • "幫我翻譯這段英文。"
• Near-miss / confusing cases:
  • 使用者說「找資料」但其實已提供 URL，此時應改用文件閱讀而非重新搜尋。
  • 使用者說「最新」但沒有指定地區，必須主動補地區或來源範圍。
  • 使用者要求時間篩選時，不應直接假設 before: / after: 是穩定支援的萬用解。

Functional tests

• Test case: 從模糊需求產出查詢族

  • Given: 使用者只提供一段模糊研究目標
  • When: 啟動本 skill
  • Then:
    • 至少產出 2 組查詢
    • 每組查詢都說明對應頁面類型
    • 不會直接把整段原文當唯一查詢

• Test case: 官方來源優先

  • Given: 使用者要求法規、官方文件、年報或規格
  • When: 啟動本 skill
  • Then:
    • 會優先站點限制、檔案類型或原始專案來源
    • 會把新聞與二手整理降級

• Test case: 時間篩選護欄

  • Given: 使用者要求找某段時間內的最新資訊
  • When: 啟動本 skill
  • Then:
    • 會優先建議日期工具或進階搜尋
    • 若提到 before: / after:，會明講其不屬於穩定保證規則

Performance comparison

• Baseline (no skill): 常見失敗是直接丟長句、沒有拆查詢意圖、沒有來源分級、太快下結論。
• With skill: 結果應更容易打到官方來源、重複頁更少、第二輪查詢更有針對性，且能明講不確定處。

ROI guardrail

• Quality gain must justify extra:
  • Time: 只有在研究品質、來源可信度或搜尋效率明顯提升時，才值得做多輪搜尋。
  • Tokens: 不為了顯得專業而塞滿 operator 清單；只保留會改變搜尋結果的策略。
  • Maintenance burden: 會過時的搜尋語法細節放進 references/，核心流程留在 SKILL.md。

Regression gates

• Minimum pass-rate delta: +0.10
• Maximum allowed time increase: 45s
• Maximum allowed token increase: 7000
• Maximum under-trigger failures: 1 / eval batch
• Maximum over-trigger failures: 1 / eval batch

Feedback loop

• Common failure signals:
  • 查詢像自然語言長句，沒有拆成查詢族。
  • 沒有說明每組查詢要打哪類頁面。
  • 搜尋語法堆太多，反而讓結果變少或變怪。
  • 把經驗性 operator 說成官方穩定規則。
  • 沒有區分官方來源與二手轉述。
• Likely fix:
  • 收緊 description 中的觸發語句，明確強調「搜尋策略」「官方來源」「查詢拆解」。
  • 補 references/query-playbook.md 的查詢模式與反模式。
  • 補 assets/evals/evals.json 中需要日期與官方來源護欄的案例。

Eval workflow

• Save approved prompts to assets/evals/evals.json
• Define release thresholds in assets/evals/regression_gates.json
• Prepare paired runs with python scripts/prepare_eval_workspace.py <path/to/skill>
• If the environment supports subagents or parallel workers, launch with-skill and baseline runs in the same batch
• After runs complete, aggregate results and generate a review viewer
• Validate release thresholds with python scripts/check_regression_gates.py <benchmark.json> --config assets/evals/regression_gates.json

Distribution notes

• Packaging: python scripts/package_skill.py <path/to/skill-folder>
• Repo-level README belongs outside this skill folder.

Troubleshooting

• Symptom: 給了一堆關鍵字，但結果仍然很雜。

  • Cause: 沒有先判斷頁面類型，或一條查詢塞了太多概念。
  • Fix: 先拆成多組查詢，並為每組指定站點、檔案或年份限制。

• Symptom: 搜尋結果看起來很多，但沒有可信來源。

  • Cause: 沒有做來源分級，或沒有把官方 / 原始文件放在第一層。
  • Fix: 改用 site:、filetype:、原始專案頁、政府網域或公司 IR 頁面。

• Symptom: 時間限制沒有生效。

  • Cause: 過度依賴未穩定保證的 operator，沒有用進階搜尋或日期工具。
  • Fix: 改用搜尋引擎的日期篩選、最近更新工具或站內公告時間線。

Resources

• references/query-playbook.md
• references/source-triage.md
• references/output-template.md
• references/quality_checklist.md
• scripts/lint_query_batches.py
• assets/evals/evals.json