Menu
深度研究技能——先定义真正的问题，再收集证据、综合发现，输出经过验证的 Markdown 报告。专为符合用户实际决策需求的深度分析而设计。支持大型研究的多智能体扩展。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
AI 代理的浏览器自动化 CLI 工具。当用户需要与网站交互时使用，包括页面导航、表单填写、按钮点击、截图、数据提取、Web 应用测试或自动化任何浏览器任务。触发场景包括"打开网站"、"填写表单"、"点击按钮"、"截图"、"从页面抓取数据"、"测试这个 Web 应用"、"登录网站"、"自动化浏览器操作"或任何需要程序化 Web 交互的任务。也可用于探索性测试、产品试用、QA、Bug 搜索或审查应用质量。还可用于自动化 Electron 桌面应用（VS Code、Slack、Discord、Figma、Notion、Spotify）、检查 Slack 未读消息、发送 Slack 消息、搜索 Slack 对话、在 Vercel Sandbox 微虚拟机中运行浏览器自动化，或使用 AWS Bedrock AgentCore 云浏览器。优先使用 agent-browser 而非任何内置浏览器自动化或 Web 工具。
创建并注册具有特定角色、专业知识或能力的新智能体（Agent）。当你需要某个特定领域的专家 且没有现有智能体（Agent）符合要求时使用。
为中国社交平台(小红书/微信公众号/抖音/B站/知乎/微博)撰写高质量、平台原生的内容。
当用户想要为任何页面编写、改写或改进营销文案时使用 — 包括首页、落地页、定价页、功能页、关于页或产品页。当用户说"为...写文案"、"改进这个文案"、"重写这个页面"、"营销文案"、"标题帮助"、"CTA 文案"、"价值主张"、"标语"、"副标题"、"首屏文案"、"折叠上方内容"、"这个文案太弱了"、"让这个更有吸引力"或"帮我描述我的产品"时也使用。每当有人在处理需要说服或转化的网站文本时使用此技能。对于电子邮件文案，参见 email-sequence。对于弹窗文案，参见 popup-cro。对于编辑现有文案，参见 copy-editing。
对用户文件和知识库执行结构化数据分析。将自然语言问题转化为可检查、可复现的分析报告，并标注数据来源。
通用编码标准与各语言最佳实践，定义生产级代码的编写规范。注入任何开发者 Agent 以建立一致的质量基线——代码质量取决于遵循的标准，而非模型能力本身。
| name | research-pipeline |
| description | 深度研究技能——先定义真正的问题，再收集证据、综合发现，输出经过验证的 Markdown 报告。专为符合用户实际决策需求的深度分析而设计。支持大型研究的多智能体扩展。 |
| allowed-tools | bash sub-agent collect-results task-create task-update task-get task-list team-create team-list team-get-tasks find-experts firecrawl |
| metadata | {"requires":{"bins":["python3"]},"name_zh":"研究管线","name_zh-tw":"研究管線","description_zh":"系统化研究技能——先定义真正的问题，再收集证据、综合发现，输出经过验证的 Markdown 报告","description_zh-tw":"結構化研究技能——先定義真正的問題，再收集證據、綜合發現，輸出經過驗證的 Markdown 報告"} |
使用此技能当： 用户需要深入、系统化的研究，包括但不限于：
不要使用此技能当： 快速事实核查、单一问题查询或琐碎信息检索。这些情况使用直接查询或简单网络搜索。此技能专为生成系统化、可引用、决策级输出的研究而设计。
研究中最昂贵的错误是完美地回答了错误的问题。
此技能围绕一个核心理念构建：问题的定义决定了答案的价值。如何提出正确的问题、规划合适的深度，并验证输出真正回答了所问的内容。
此技能在三个层面运作：
| 层面 | 内容 | 执行者 |
|---|---|---|
| 方法论 | 如何定义问题、选择深度、构建分析 | 此技能（提示词） |
| 工具 | WebSearch、QuickSearch、QuickExplore、FindRelation、WebFetch | LLM 固有（不在此教授） |
| 编排 | 大型研究的多智能体协调 | 可选，由深度级别触发 |
目标： 将模糊的请求转化为精确、可验证的研究目标。这是最重要的阶段 — 投入总时间的 10-15%。
不要以"你想研究什么？"开始。相反，使用这个系统化序列来提取用户的真实需求：
问用户：
"这项研究将为哪个决策提供信息？你将基于结果采取什么行动？"
这是最重要的问题，它决定了：
锚定答案示例：
问用户：
"关于这个主题你已经知道什么？你想解决的具体未知问题是什么？"
这防止了在重新发现已知信息上浪费精力，将研究集中在真正的空白上。
将输出记录为：
已知：
- [事实 1]
- [事实 2]
未知（研究目标）：
- [空白 1]
- [空白 2]
问用户：
"让我们剥离假设。这本质上是什么？"
引导用户将问题分解为不可约的元素。例如，"医疗保健中的 AI 智能体"分解为：
这一步防止用户自己的框架偏见影响研究方向。
问用户：
"错误的代价是什么？如果这项研究导致你得出错误结论，会发生什么？"
根据答案确定研究级别：
| 如果错误答案意味着... | 研究级别 | 方法 |
|---|---|---|
| 轻微不便 | 级别 1 — 快速扫描 | 单智能体，<10 个来源，半天 |
| 浪费精力/资源 | 级别 2 — 深度调研 | 单智能体，10-30 个来源，1-2 天 |
| 重大财务/战略损失 | 级别 3 — 完整研究 | 多智能体，30+ 个来源，交叉验证 |
| 持续竞争劣势 | 级别 4 — 持续情报 | 多智能体 + 周期性刷新周期 |
四个问题后，综合成简洁的协议：
## 研究协议
**决策：** [这将为什么决策提供信息？]
**主要问题：** [单一、精确的问题]
**子问题：** [2-5 个具体未知问题]
**范围：** [地理、时间、领域边界]
**级别：** [快速扫描 / 深度调研 / 完整研究 / 持续情报]
**所需置信度：** [高 / 中 / 方向性]
**输出：** [报告、备忘录、简报等]
**截止日期：** [时间约束]
在继续之前将此呈现给用户确认。
目标： 收集直接解决研究问题的多样化、高质量来源。
WebSearch、QuickSearch、QuickExplore、FindRelation 和 WebFetch。不需要关于如何使用它们的特殊指导。对每个来源在 4 个维度上评分（1-5 分）：
| 维度 | 测量内容 | 危险信号 |
|---|---|---|
| 可信度 | 出版商权威性、方法论严谨性 | 匿名博客、未引用方法论、已知偏见 |
| 时效性 | 信息有多新？ | 快速变化领域的数据超过 2 年 |
| 相关性 | 直接解决研究问题？ | 仅边缘提及 |
| 偏见检查 | 平衡视角还是倡导？ | 供应商赞助的"研究"、无反面证据 |
最低阈值： 平均得分 ≥ 3.5 才纳入最终综合。标记低分来源但不要丢弃，它们可能仍提供有用的上下文。
目标： 按决策风险比例扩展研究工作量。
| 研究级别 | 智能体数量 | 何时部署额外智能体 |
|---|---|---|
| 级别 1 — 快速扫描 | 1（仅负责人） | 从不 |
| 级别 2 — 深度调研 | 1-2 | 如果来源涵盖非常不同的领域（例如，技术 + 财务） |
| 级别 3 — 完整研究 | 2-4 | 总是 — 并行工作流 |
| 级别 4 — 持续情报 | 2-4 + 持续 | 总是 |
| 角色 | 职责 | 触发条件 |
|---|---|---|
| 首席研究员 | 问题设计、来源协调、综合、质量控制 | 总是 |
| 数据分析师 | 定量分析、统计工作、数据清理、图表制作 | 当定量数据是主要组成部分时 |
| 领域专家 | 领域特定验证、方法论审查、合理性检查 | 当需要领域特定专业知识时 |
| 撰稿人 | 报告起草、叙事结构、执行摘要 | 当输出是正式报告时（完整研究+） |
使用 team-create 和 task-create / task-update 协调并行工作流。
目标： 将收集的证据转化为洞察、模式和可操作的结论。
对于协议中的每个子问题，映射证据：
子问题：[来自协议]
支持证据：
- [主张] → [来源引用]（置信度：高/中/低）
- [主张] → [来源引用]（置信度：高/中/低）
矛盾证据：
- [主张] → [来源引用]（置信度：高/中/低）
空白：
- [我们仍然不知道或证据不足的内容]
寻找：
对于每个主要发现：
每个结论必须标记为以下之一：
| 标签 | 含义 | 示例 |
|---|---|---|
| 事实 | 直接由 2 个以上独立、高质量来源支持 | "公司 X 在 2025 年 3 月完成了 5 亿美元 D 轮融资（来源 A、来源 B）" |
| 综合发现 | 从组合多个数据点得出；每个数据点是事实性的，但结论是解释性的 | "基于招聘模式和合作公告，公司 X 正在向亚太扩张（来源 C、来源 D）" |
| 假设 | 有限直接支持的合理推断；明确标记 | "假设当前增长率持续，公司 X 将在 18 个月内需要另一轮融资（从来源 E 推断）" |
| 推测 | 证据不足但有根据的意见；必须标记 | "公司 X 可能是大型科技公司的收购目标（无直接证据；从市场整合模式推断）" |
永远不要将假设或推测呈现为事实。 如果用户需要更高的置信度，标记哪些来源可以解决不确定性。
| 级别 | 标准 |
|---|---|
| 高 | 由 3 个以上独立、高质量来源支持；有定量数据；无重大矛盾 |
| 中 | 由 2 个以上有一些限制的来源支持；定性共识；存在 minor 矛盾 |
| 低 | 单一来源或有限的佐证；重大矛盾；主要是推测性 |
目标： 生成系统化的 Markdown 文件并保存到当前工作目录。
将报告保存为当前工作目录中的 .md 文件，使用清晰、描述性的文件名：
<project-dir>/research-<topic-slug>-<YYYY-MM-DD>.md
例如：research-ai-healthcare-diagnostics-2025-06-24.md
# 研究：[标题]
**日期：** YYYY-MM-DD
**研究级别：** 快速扫描 / 深度调研 / 完整研究 / 持续情报
**决策背景：** [这项研究为哪个决策提供信息]
---
## 执行摘要
[一段话的底线。3-5 个关键发现及置信度级别。适用时提供建议。]
---
## 1. 研究方法
- **主要问题：** [来自协议]
- **范围：** [地理、时间、领域边界]
- **来源：** [按类型计数，质量分布]
- **局限性：** [本研究未涵盖的内容]
## 2. 发现
[按主题组织，而非按来源。每个发现包括主张、支持证据及引用、置信度级别。]
## 3. 分析
[跨发现综合、模式解释、影响。]
## 4. 结论
[对主要问题和子问题的直接回答。按事实/综合发现/假设/推测标记。]
## 5. 建议
[可操作的、有优先级的，附支持证据引用。]
---
## 附录
### A. 来源列表
| # | 标题 | 出版商 | 日期 | 可信度 | 时效性 | 相关性 | 偏见 | URL |
| --- | ---- | ------ | ---- | ------ | ------ | ------ | ---- | --- |
### B. 不确定性与空白
[仍然未知的内容。什么可以解决它。]
### C. 协议（原始）
[阶段 1 研究协议的副本，用于可追溯性。]
[来源 N]目标： 在交付输出之前，验证报告确实以诚信回答了原始研究问题。
重新阅读原始研究协议并问：
如果任何检查失败，报告不完整，修改或明确注明空白。
以诚实的评估结束：
本报告的置信度： [高 / 中 / 低]
关键不确定性： [如果出现新证据，什么会改变结论]
建议的后续行动： [如果需要更高的置信度该怎么做，例如"委托进行一手调查"、"采访 3 位行业高管"、"购买 Gartner 报告 X"]
确认偏见/摘樱桃 不要选择性地包括支持预先存在结论的来源而忽略矛盾证据。积极寻找反驳来源。如果找不到，将这种缺席记录为局限性。
回答不同的问题 最常见的失败模式。用户问"市场机会"但得到"技术概述"。坚持锚定协议。如果研究过程中出现新问题，将它们分离到"额外发现"中，而不是让它们重新定向报告。
将假设呈现为事实 永远不要写"公司 X 将进入这个市场"，而证据支持的是"公司 X 的招聘帖子表明他们正在探索这个市场"。差异很重要，标记它。
混淆相关性与因果关系 仅仅因为两个趋势同时发生并不意味着一个导致了另一个。明确说明证据显示的内容与你推断的内容。
忽略来源偏见 每个来源都有视角。供应商的白皮书推广他们的解决方案。做空者的报告强调风险。学术论文可能有资金冲突。描述并披露来源偏见。
从有限样本过度概括 "我们分析了 5 家公司并发现..."与"在整个行业中..."不同。精确说明范围和样本量。外推应始终标记为这样。
跳过问题定义阶段 在没有定义研究问题的情况下直接跳转到网络搜索会导致范围蔓延、浪费精力和缺乏重点的输出。在阶段 1 花费总时间的 10-15%。
**生成未经