メニュー
使用firecrawl和exa MCPs进行多源深度研究。搜索网络、综合发现并交付带有来源引用的报告。适用于用户希望对任何主题进行有证据和引用的彻底研究时。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
SOC 職業分類に基づく
| name | deep-research |
| description | 使用firecrawl和exa MCPs进行多源深度研究。搜索网络、综合发现并交付带有来源引用的报告。适用于用户希望对任何主题进行有证据和引用的彻底研究时。 |
| origin | ECC |
使用 firecrawl 和 exa MCP 工具，从多个网络来源生成详尽且有引用的研究报告。
至少需要以下之一：
firecrawl_search, firecrawl_scrape, firecrawl_crawlweb_search_exa, web_search_advanced_exa, crawling_exa两者结合可提供最佳覆盖范围。在 ~/.claude.json 或 ~/.codex/config.toml 中配置。
提出 1-2 个快速澄清性问题：
如果用户说"直接研究即可"——则跳过此步，使用合理的默认设置。
将主题分解为 3-5 个研究子问题。例如：
对每个子问题，使用可用的 MCP 工具进行搜索：
使用 firecrawl：
firecrawl_search(query: "<sub-question keywords>", limit: 8)
使用 exa：
web_search_exa(query: "<子问题关键词>", numResults: 8)
web_search_advanced_exa(query: "<关键词>", numResults: 5, startPublishedDate: "2025-01-01")
搜索策略：
对于最有希望的 URL，获取完整内容：
使用 firecrawl：
firecrawl_scrape(url: "<url>")
使用 exa：
crawling_exa(url: "<url>", tokensNum: 5000)
完整阅读 3-5 个关键来源以获得深度信息。不要仅依赖搜索片段。
构建报告结构：
# [主题]：研究报告
*生成日期：[date] | 来源数量：[N] | 置信度：[高/中/低]*
## 执行摘要
[3-5 句关键发现概述]
## 1. [第一个主要主题]
[带有内联引用的发现]
- 关键点 ([Source Name](url))
- 支持性数据 ([Source Name](url))
## 2. [第二个主要主题]
...
## 3. [第三个主要主题]
...
## 关键要点
- [可执行的见解 1]
- [可执行的见解 2]
- [可执行的见解 3]
## 来源
1. [Title](url) — [一行摘要]
2. ...
## 方法论
搜索了网络和新闻中的 [N] 个查询。分析了 [M] 个来源。
调查的子问题：[列表]
对于广泛的主题，使用 Claude Code 的 Task 工具进行并行处理：
并行启动3个研究代理：
1. 代理1：研究子问题1-2
2. 代理2：研究子问题3-4
3. 代理3：研究子问题5 + 交叉主题
每个代理负责搜索、阅读来源并返回发现结果。主会话将其综合成最终报告。
"研究核聚变能源的当前现状"
"深入探讨 2026 年 Rust 与 Go 在后端服务中的对比"
"研究自举 SaaS 业务的最佳策略"
"美国房地产市场目前情况如何？"
"调查 AI 代码编辑器的竞争格局"
Build a fully automated AI-powered data collection agent for any public source — job boards, prices, news, GitHub, sports, anything. Runs on a schedule, enriches data with a free LLM (Gemini Flash), stores results in Notion/Sheets/Supabase, and learns from user feedback. Runs 100% free on GitHub Actions. Use when the user wants to monitor, collect, or track any public data automatically.
Open plans and HTML artifacts in a local browser canvas where the human annotates elements, chats, and approves or requests changes without leaving the page. Use when presenting a plan for review, or when feedback like "move this, change that" is easier pointed at than typed.
Open plans and HTML artifacts in a local browser canvas where the human annotates elements, chats, and approves or requests changes without leaving the page. Use when presenting a plan for review, or when feedback like "move this, change that" is easier pointed at than typed.
Instinct-based learning system that observes sessions via hooks, creates atomic instincts with confidence scoring, and evolves them into skills/commands/agents. v2.1 adds project-scoped instincts to prevent cross-project contamination.
基于本能的学习系统，通过钩子观察会话，创建带置信度评分的原子本能，并将其进化为技能/命令/代理。v2.1版本增加了项目范围的本能，以防止跨项目污染。
任意の自動コンパクションではなく、タスクフェーズを通じてコンテキストを保持するための論理的な間隔での手動コンパクションを提案します。