research

name	research
version	1.0.0
description	任務開始前的需求分析與資料收集，整合文件查詢與經驗檢索
author	miles990
tags	["research","analysis","planning","context-gathering"]
dependencies	{"mcp":[{"package":"@anthropic/cipher-mcp","required":false,"note":"用於查詢過去經驗"},{"package":"@context7/mcp-server","required":false,"note":"用於查詢最新文件"}]}
interface	{"input":[{"name":"task","type":"string","description":"要分析的任務描述","required":true},{"name":"context","type":"object","description":"額外上下文（如專案資訊）","required":false}],"output":[{"name":"research_report","type":"object","description":"結構化研究報告"},{"name":"next_action","type":"string","description":"建議的下一步（通常是 plan-master）"}]}
triggers	[{"pattern":"新任務開始","description":"任何新任務開始前"},{"pattern":"需要了解","description":"需要收集資訊時"},{"pattern":"技術選型","description":"需要評估技術方案時"}]

Research Skill

收到任務 → 分析需求 → 查文件 → 查經驗 → 輸出研究報告

核心理念

┌─────────────────────────────────────────────────────────────────┐
│  在動手之前，先搞清楚狀況                                       │
│                                                                 │
│  傳統模式：收到任務 → 直接開始做 → 遇到問題再查                  │
│  研究模式：收到任務 → 分析需求 → 收集資料 → 有備而戰             │
└─────────────────────────────────────────────────────────────────┘

研究流程

Step 1: 任務解析

問自己：
1. 這個任務的核心目標是什麼？
2. 有哪些明確的需求？
3. 有哪些隱含的約束？
4. 成功的標準是什麼？

輸出：結構化的需求分析

Step 2: 查詢過去經驗（如有 Cipher）

// 先查是否有類似經驗
await mcp__cipher__ask_cipher({
  message: "我之前有處理過類似的任務嗎？學到了什麼教訓？"
})

• 有經驗 → 納入參考
• 無經驗 → 繼續收集資料

Step 3: 查詢相關文件（如有 Context7）

// 查詢相關技術文件
await mcp__plugin_context7_context7__resolve_library_id({
  query: "任務相關的技術",
  libraryName: "相關框架或工具"
})

await mcp__plugin_context7_context7__query_docs({
  libraryId: "/org/project",
  query: "具體問題"
})

Step 4: 綜合分析

整合所有收集的資訊，形成研究報告：

research_report:
  task: "原始任務描述"

  analysis:
    requirements:
      - "功能需求 1"
      - "功能需求 2"
    constraints:
      - "技術約束"
      - "時間約束"
    tech_stack:
      - "需要的技術 1"
      - "需要的技術 2"

  findings:
    relevant_docs:
      - source: "文件來源"
        summary: "關鍵發現"
    past_experience:
      - context: "過去情境"
        lesson: "學到的教訓"

  recommendations:
    approach: "建議的實作方法"
    risks:
      - "潛在風險 1"
      - "潛在風險 2"
    alternatives:
      - "替代方案"

Step 5: 輸出與交接

輸出：
- research_report: 完整的研究報告
- next_action: "plan" (交給 plan-master 進行任務規劃)

最小範例

用戶：幫我用 FastAPI 建立一個 REST API

AI 執行 research skill：

1. 任務解析：
   - 目標：建立 REST API
   - 技術：FastAPI
   - 約束：未明確（需確認）

2. 查經驗 (Cipher)：
   → 找到過去 FastAPI 專案經驗
   → 教訓：記得加 CORS middleware

3. 查文件 (Context7)：
   → FastAPI 最新版本是 0.115.x
   → 新增了 Annotated 語法支援

4. 研究報告：
   {
     task: "用 FastAPI 建立 REST API",
     analysis: {
       requirements: ["RESTful 端點", "JSON 回應"],
       tech_stack: ["FastAPI", "Pydantic", "Uvicorn"]
     },
     findings: {
       past_experience: ["記得加 CORS"],
       relevant_docs: ["使用 Annotated 語法"]
     },
     recommendations: {
       approach: "使用 FastAPI + Pydantic v2"
     }
   }

5. next_action: "plan"
   → 交給 plan-master 進行任務規劃

與其他 Skill 的協作

┌─────────────────────────────────────────────────────────────────┐
│  協作流程                                                       │
│                                                                 │
│  [用戶任務] → [research] → [plan-master] → [執行] → [goal-verifier]
│                   │              │                      │        │
│                   ↓              ↓                      ↓        │
│              研究報告        任務計劃              驗證結果       │
└─────────────────────────────────────────────────────────────────┘

與 MCP 工具整合

MCP 工具	用途	必要性
cipher	查詢過去經驗	推薦
context7	查詢最新文件	推薦
pal.thinkdeep	深度分析複雜問題	可選

設計原則

1. 先調研後動手 - 避免盲目開始
2. 整合多源資訊 - 經驗 + 文件 + 分析
3. 結構化輸出 - 方便下游 skill 使用
4. 標準交接 - 輸出格式統一
5. 可選依賴 - 沒有 MCP 也能運作（降級模式）

限制與邊界

• 這是「研究」不是「執行」，不會產出程式碼
• 依賴 MCP 工具的品質和可用性
• 複雜任務可能需要多輪研究
• 研究報告是「建議」，最終決策權在用戶