Menu
Le prompt qui vérifie d'abord la source est sélectionné par défaut. Vous pouvez passer à une commande directe ou télécharger une copie locale.
Lisez SKILL.md et les fichiers associés affichés par SkillsMP avant de décider de l'installer.
Basé sur la classification professionnelle SOC
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Une commande directe contourne le prompt de vérification. Examinez la source avant de l'exécuter.
npx skills add https://github.com/lazygophers/ccplugin --skill deep-researchLa commande reste sur une seule ligne. Faites défiler horizontalement pour la vérifier avant de la copier.
Vous préférez une copie locale ? Téléchargez les fichiers actuellement disponibles dans SkillsMP.
Affichage de SKILL.md
向用户提问的时候、调用 `AskUserQuestion` 时都使用本 skill 来替换提问方式
记忆库升降级维护 — 按金字塔模型 (L4 庞大 → L0 稠密) 自动 promote/demote. 信号: 频率 (近期提及) / 时间 (距今) / 重要度. 规则: 用户反复强调 → 逐级升; L1/L0 允许自动升不允许自动降. 主要工作区 L4-L2; 默认 --apply 落盘 (--dry-run opt-in 预览). 无独立脚本, 调 cortex-extract/save/lint 执行.
extract/提取/promote/整理/归档/digest L4-inbox 收件箱, 按三轴 (抗遗忘度/强度/复用面) 路由到 L1-long/L2-mid/L3-short/项目/领域, 默认 --apply 落盘 + 增量游标 (--dry-run opt-in 仅出 JSON plan 预览). 触发词: 整理 inbox / 提取记忆 / 归档笔记 / promote / digest.
| name | deep-research |
| description | 执行完整的深度研究工作流程 - Task-Centric任务驱动，DGoT核心优化，单次需求收集 |
| user-invocable | true |
| context | fork |
| model | sonnet |
| memory | project |
| skills | ["dgot-engine","agentic-retriever","source-validator","knowledge-synthesizer","code-inspector"] |
Task-Centric 任务驱动型深度研究系统，自动编排Agent和Skill完成复杂研究任务。
通过 AskUserQuestion 收集结构化信息（5-8个维度）：
必须收集：
可选收集（根据任务类型）： 5. 时间范围：历史回顾 vs 现状分析 vs 未来趋势？ 6. 质量标准：引用等级要求（A-E级）？深度要求？ 7. 对比对象：是否需要对比分析？对比哪些方案？ 8. 约束条件：时间限制？成本预算？技术栈限制？
基于任务特征自动选择Agent（无需用户选择）：
匹配规则：
if "代码" in task or "质量" in task or "性能" in task:
agent = "code-analyst"
elif "选型" in task or "对比" in task or "vs" in task:
agent = "research-strategist"
elif "github.com" in task or "依赖" in task or "安全" in task:
agent = "project-assessor"
elif "架构" in task or "设计" in task or "重构" in task:
agent = "architecture-advisor"
else:
# 默认：根据研究目标智能推断
agent = auto_match_agent(task)
多Agent协作（复杂任务）：
使用 dgot-engine 优化研究路径：
# 初始化
paths = dgot.Generate(k=5) # 生成5个初始路径
scored = dgot.Score(paths) # 质量评分
# 动态裁剪
best = dgot.KeepBestN(scored, n=3) # 保留前3个
# 早停检查
if dgot.EarlyStop(best): # 质量≥8.5分，3个路径达标
return dgot.Aggregate(best)
# 深化路径
refined = dgot.Refine(best)
final = dgot.Aggregate(refined)
成本节省：
使用 agentic-retriever 多源并行检索：
检索策略（自动选择）：
信息源（8+渠道）：
使用 source-validator 过滤低质量信息：
自动过滤：
质量保证：
使用 knowledge-synthesizer 生成最终报告：
格式选择（基于受众和场景）：
输入：分析 ./src 目录的代码质量和技术债
自动流程：
1. 需求收集：研究范围（./src）、输出格式（技术报告）
2. Agent匹配：code-analyst（关键词"代码质量"）
3. DGoT驱动：Generate(5) → Score → KeepBestN(3)
4. 代码检查：code-inspector 静态分析
5. 质量验证：source-validator 验证最佳实践来源
6. 知识合成：技术报告（质量+债务+优先级）
输入：对比 React vs Vue vs Svelte 在企业项目中的优劣
自动流程：
1. 需求收集：对比对象（3个框架）、场景（企业项目）
2. Agent匹配：research-strategist（关键词"对比"）
3. DGoT驱动：广度优先搜索，多角度对比
4. 智能检索：官方文档+技术博客+社区讨论
5. 质量验证：A级（官方文档）+ B级（专家博客）
6. 知识合成：对比表格（多维度评分矩阵）
输入：评估 facebook/react 的项目质量和安全风险
自动流程：
1. 需求收集：项目（facebook/react）、关注点（质量+安全）
2. Agent匹配：project-assessor（检测到github.com）
3. DGoT驱动：平衡搜索，质量+安全双维度
4. 项目分析：code-inspector GitHub集成（MCP工具）
5. 安全审计：CVE数据库、依赖树分析
6. 知识合成：技术报告（健康度+安全分+风险评估）
输入：评审 ./docs/architecture.md 的架构设计
自动流程：
1. 需求收集：设计文档路径、评审重点（可扩展性）
2. Agent匹配：architecture-advisor（关键词"架构"）
3. DGoT驱动：深度优先，架构原则验证
4. 模式识别：识别架构模式（微服务/事件驱动）
5. 原则验证：SOLID、DRY、KISS验证
6. 知识合成：技术报告（评审+建议+重构路径）
实时显示研究进度：
[深度研究·技术选型·进行中]
├─ 需求收集：✅ 完成（3个维度）
├─ Agent匹配：✅ research-strategist
├─ DGoT路径生成：🔄 进行中（5/5路径已生成）
├─ 质量评分：⏳ 等待
├─ 信息检索：⏳ 等待
└─ 知识合成：⏳ 等待
预计完成时间：2-3分钟
预计成本：$0.15（基于DGoT优化）
自动判断何时完成：
| 维度 | 旧架构 | 新架构（2026） |
|---|---|---|
| 需求收集 | 重复2次 | 单次智能收集 |
| Agent选择 | 用户手动 | 自动匹配 |
| 成本优化 | 无 | DGoT动态裁剪（-50%） |
| 检索精度 | 传统RAG | Agentic RAG（99%） |
| 交互次数 | 10+次 | 5-8次 |
| 平均耗时 | 8-10分钟 | 4-6分钟 |