deep-research

name	deep-research
description	AI深度研究助手。对任何主题进行迭代式深度研究，结合搜索引擎、网页抓取和大语言模型生成详细研究报告。触发词：深度研究、调研、research。
version	2.0.0
created_at	"2026-01-29T00:00:00.000Z"

Deep Research 深度研究

基于 dzhng/deep-research 思路，用 Claude Code 原生能力实现。

研究流程

收到研究请求后，按以下步骤执行：

1. 分解查询（广度）

根据主题生成 3-5 个不同角度的搜索查询：

• 基础概念/定义
• 最新进展/动态
• 技术实现/原理
• 应用场景/案例
• 对比/竞品

2. 迭代搜索（深度）

对每个查询：

1. WebSearch 获取搜索结果
2. WebFetch 抓取 2-3 个高质量页面详情
3. 提取关键信息，发现新问题
4. 对新问题继续搜索（迭代 1-2 轮）

2.5 NotebookLM 补充查询（可选）

如果用户的 NotebookLM 中有与主题相关的笔记本，可作为私有知识源补充公开搜索的盲区：

# 搜索是否有相关笔记本
python ~/.claude/skills/notebooklm-skill/scripts/run.py notebook_manager.py search --query "关键词"

# 查询笔记本获取有引用的回答
python ~/.claude/skills/notebooklm-skill/scripts/run.py ask_question.py --question "具体问题" --notebook-id ID

使用时机：

• 话题涉及用户个人积累的领域知识（已上传到 NotebookLM）
• 公开搜索结果不够深入，需要私有资料补充
• 用户主动要求"查一下我的 NotebookLM"

不要每次调研都自动查 NotebookLM，只在相关时使用。

3. 综合报告

整合所有信息，输出结构化报告：

# [主题] 深度研究报告

## 摘要
[3-5 句核心发现]

## 背景与定义
## 技术原理/核心机制
## 最新进展
## 应用场景
## 竞品对比（如适用）
## 未来展望
## 参考来源

使用示例

用户说：

• "深度研究一下 AI Agent"
• "调研 MCP 协议的最新进展"
• "research Claude Code 的竞品"

输出位置

报告写入：/tmp/research_report.md