deepsearch

name	deepsearch
description	执行深度检索调研工作流。当用户需要系统性研究复杂主题、多源信息验证、或生成分维度研究报告时使用。采用检查点模式增强参与感，支持多轮迭代补充检索，并发数限制为4个subagent以保证质量和稳定性。
metadata	{"openclaw":{"emoji":"🔍","requires":{"bins":[],"env":[]},"config":{"maxConcurrentSubagents":4}}}

DeepSearch 深度检索工作流

什么时候使用

• 需要系统性研究一个复杂主题（不是简单问答）
• 需要从多个维度/来源验证信息
• 要求生成结构化、可追溯的调研报告
• 愿意参与多轮迭代过程的用户

设计原则

1. 检查点模式：每完成一个检查点就通知用户，保持参与感
2. 并发控制：最多4个subagent并行，保证质量（官方推荐0.5倍于默认8）
3. 多轮迭代：支持基于中间结果补充检索
4. 用户不打扰：明确的进度状态让用户知道agent正在工作

工作流程

Phase 1: 需求澄清与规划（检查点 #1）

目标: 明确检索范围，获得用户确认

执行:

1. 分析用户查询，识别核心问题和关键维度
2. 初步规划 3-5 个检索维度（根据复杂度调整）
3. 检查点: 向用户展示规划

   📋 检索规划
   
   主题: [用户查询]
   
   计划检索维度:
   1. [维度1] - [预期获取的信息]
   2. [维度2] - [预期获取的信息]
   3. [维度3] - [预期获取的信息]
   
   预计并发: 3-4 个subagent
   预计时间: 2-5 分钟
   
   确认执行请回复 "开始"，或调整维度。
   

用户确认后进入 Phase 2

Phase 2: 第一轮并行检索（检查点 #2..#N）

目标: 并行执行多个维度的深度检索

并发控制:

maxConcurrentSubagents: 4  # 严格限制，保证稳定性
spawnMode: "run"           # one-shot模式，完成后自动清理

执行:

1. Spawn Subagents（最多4个并行）:

   sessions_spawn({
     task: "深度检索[维度1]...",
     label: "dim-1-official",  // 命名规范: 轮次-维度-来源类型
     mode: "run",
     cleanup: "delete"
   })
   // ... 最多4个
   

2. 立即通知用户:

   🚀 启动检索
   
   已启动 N 个并行检索任务:
   • [dim-1] 官方文档与白皮书
   • [dim-2] 技术社区讨论  
   • [dim-3] 竞品对比分析
   • [dim-4] 最新动态新闻
   
   ⏱️ 预计 1-3 分钟完成，完成后将自动汇报...
   

3. 等待回调（自动触发）:

   • 每个subagent完成后自动推送结果
   • 检查点: 每完成一个就更新进度

   ✅ 进度更新 (2/4 完成)
   
   [dim-1] 官方文档检索完成
   关键发现: [1-2句话总结]
   
   进行中: [dim-2], [dim-3], [dim-4]
   

4. 所有Subagents完成:

   ✅ 第一轮检索完成 (4/4)
   
   各维度结果摘要:
   • [dim-1]: [关键发现]
   • [dim-2]: [关键发现]
   • [dim-3]: [关键发现]
   • [dim-4]: [关键发现]
   

Phase 3: 分析与迭代决策（检查点 #N+1）

目标: 评估信息完整性，决定是否需要补充检索

执行:

1. 交叉验证第一轮结果

2. 识别信息缺口:

   • 缺少哪个维度的信息？
   • 哪些说法需要进一步验证？
   • 发现了哪些需要深挖的新线索？

3. 检查点: 向用户汇报并征求意见

   📊 第一轮检索分析
   
   已获取信息:
   ✅ [维度1] - 充分
   ⚠️ [维度2] - 部分，发现矛盾观点需验证
   ✅ [维度3] - 充分  
   ❓ [维度4] - 发现新线索[XXX]值得深入
   
   建议补充检索:
   1. 验证[维度2]的矛盾观点
   2. 深入调查新线索[XXX]
   
   选择:
   [A] 执行建议的补充检索
   [B] 直接生成当前报告
   [C] 告诉我你想补充什么
   

用户选择 A/C 进入 Phase 4，选择 B 进入 Phase 5

Phase 4: 补充检索迭代（可选，可多次）

目标: 针对信息缺口进行精准补充

执行:

1. 基于用户反馈确定补充检索任务（1-3个）
2. Spawn 补充 Subagents（并发数 ≤ 剩余配额）
3. 检查点: 类似 Phase 2 的进度更新
4. 完成后: 回到 Phase 3 再次评估

迭代深度建议: 最多 2-3 轮迭代，防止过度搜索

Phase 5: 综合与输出（最终检查点）

目标: 生成结构化、可追溯的深度检索报告

执行:

1. 整合所有轮次的结果
2. 交叉验证，标注可信度
3. 生成报告

输出格式:

# 深度检索报告: [主题]

## 执行摘要
3-5 条核心发现

## 详细发现

### 维度 1: [名称]
**来源**: [具体来源列表]
**关键信息**:
- 要点1（可信度: ⭐⭐⭐⭐⭐）
- 要点2（可信度: ⭐⭐⭐⭐）
**证据**: [引用/截图/链接]

### 维度 2: [名称]
...

## 信息源评估
| 来源类型 | 可信度 | 时效性 | 备注 |
|---------|--------|--------|------|
| 官方文档 | ⭐⭐⭐⭐⭐ | 2024-01 | 权威 |
| 技术社区 | ⭐⭐⭐ | 2024-03 | 多观点 |

## 不确定性标注
- [某信息]: 仅单一来源，需进一步验证
- [某观点]: 存在行业争议

## 后续建议
- 如需验证[XXX]，可以检索[YYY]
- 建议关注[ZZZ]的最新动态

Subagent 使用规范

检索 Subagent 的任务描述模板

你是一位专业的[领域]研究员。请深度检索以下主题:

**任务**: [具体的检索目标]
**维度**: [这是哪个维度的检索]
**要求**:
1. 至少访问 3-5 个高质量来源
2. 对矛盾信息进行交叉验证
3. 记录所有来源 URL
4. 评估信息可信度
5. 返回结构化发现（要点形式）

**输出格式**:
## 检索发现: [维度名称]

### 核心发现（3-5条）
1. [发现1] - 来源: [URL/文档]
2. [发现2] - 来源: [URL/文档]
...

### 信息来源评估
| 来源 | 类型 | 可信度 | 时效性 |
|-----|------|--------|--------|
| ... | ...  | ...    | ...    |

### 待验证/不确定的信息
- [某项信息]: 原因

浏览器使用

并发建议: 同一subagent内按顺序浏览，不同subagent之间并行

// Subagent 内部: 顺序访问多个来源
for (const url of sources) {
  await browser({action: "open", url})
  const snapshot = await browser({action: "snapshot"})
  // 分析内容
}

// 不同subagent: 自动并行（共享同一Chrome的多tabs）
// subagent-A: browser({url: "source-A.com"})
// subagent-B: browser({url: "source-B.com"})  // 同时执行

用户参与策略

何时主动通知用户

时机	通知内容	目的
规划完成	检索维度和计划	获得确认，调整方向
任务启动	已开始 N 个任务	让用户知道正在执行
每完成 1 个	该维度关键发现	保持参与感
每完成 25/50/75%	整体进度	管理预期
一轮结束	汇总 + 迭代建议	征求意见
发现重要线索	可能改变方向	让用户决策
完成	最终报告	交付成果

消息风格

• 简洁: 每次检查点 2-4 句话 + 关键信息
• 结构化: 使用 emoji、列表、表格增强可读性
• 行动导向: 明确告诉用户下一步需要什么（"请确认"、"请选择"）
• 透明: 主动说明不确定性和局限性

边界情况处理

如果用户中途发新消息

策略: 礼貌说明当前状态，询问优先级

👋 收到新消息

当前正在进行深度检索（Phase 2, 2/4 完成）。

选择:
[A] 继续当前检索，新消息稍后处理
[B] 暂停当前，先处理新消息（进度保留）
[C] 终止当前，专注新消息

默认: [A]（5秒后自动继续）

如果检索遇到技术问题

策略: 透明沟通 + 替代方案

⚠️ 检索进度更新

[dim-2] 遇到访问限制，正在尝试替代来源...

调整:
- 跳过 [dim-2] 的 [受限来源]
- 已找到 2 个替代高质量来源
- 预计延迟 30 秒

继续执行，如有变化将及时通知。

如果信息过于庞大

策略: 主动建议聚焦

📊 初步检索发现信息量很大

当前维度已有 20+ 高质量来源。
建议:
[A] 继续全面检索（预计需 5-8 分钟）
[B] 聚焦最相关的 3-5 个来源（推荐，2-3 分钟）
[C] 告诉我你最关心哪个方面

请选择...

最佳实践

1. 质量 > 数量: 宁可少 spawn 一个，也要保证每个任务清晰
2. 快速失败: 如果某维度 30 秒无有效结果，及时汇报并建议调整
3. 来源透明: 始终标注信息来源，让用户可追溯
4. 承认局限: 主动说明哪些信息没有找到或无法验证
5. 保留上下文: 多轮迭代时引用之前轮次的发现，避免重复

示例对话流程

用户: "帮我深度调研一下向量数据库的现状"

Agent: [Phase 1] 展示规划

📋 检索规划

主题: 向量数据库现状调研

计划维度:
1. 主流产品对比 (Pinecone/Milvus/Weaviate/pgvector)
2. 技术架构解析 (索引算法/存储引擎)
3. 应用场景与案例
4. 2024年最新动态与趋势

预计并发: 4 subagents
预计时间: 3-5 分钟

确认执行请回复 "开始"

用户: "开始"

Agent: [Phase 2] 启动 + 进度更新

🚀 启动检索

已启动 4 个并行任务:
• 产品对比分析
• 技术架构解析
• 应用场景调研  
• 最新动态追踪

⏱️ 进行中...

[30秒后]

✅ 进度更新 (1/4 完成)

产品对比检索完成
关键发现: Pinecone在托管服务领先，Milvus开源生态最强，pgvector在Postgres用户中增长最快

进行中: 技术架构、应用场景、最新动态

[60秒后]

✅ 第一轮检索完成 (4/4)

各维度已获取充分信息。正在分析...

Agent: [Phase 3] 分析与建议

📊 第一轮分析

已获取:
✅ 产品对比 - 充分，发现3个主流方向
✅ 技术架构 - 充分，HNSW/IVF-FLAT为主流
✅ 应用场景 - 充分，RAG/推荐/搜索三大场景
✅ 最新动态 - 发现重要线索: 2024年多模态向量检索成为热点

建议补充:
1. 深入调研"多模态向量检索"的技术实现
2. 验证 Milvus vs Weaviate 的性能对比数据

选择:
[A] 执行补充检索 (预计+2分钟)
[B] 直接生成当前报告
[C] 其他...

用户: "A"

Agent: [Phase 4] 补充检索...

[最后]

Agent: [Phase 5] 最终报告

# 深度检索报告: 向量数据库现状

## 执行摘要
1. 市场分化明显: 托管服务(Pinecone) vs 开源方案(Milvus/Weaviate)
2. 技术收敛: HNSW成为事实标准索引算法
3. 应用场景成熟: RAG成为最大增长驱动力
4. 新兴趋势: 多模态向量检索快速崛起...

[完整报告...]