一键在 Manus 中运行任何 Skill

开始使用

deep-research

星标230,575

分支35,187

更新时间2026年3月22日 22:39

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。

安装

用 Codex 或 Claude 帮你安装复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。

在 Manus 中运行

来源

affaan-m

affaan-m/ECC

打开 GitHub 仓库查看创作者相关仓库

下载

在 Manus 中运行

深度研究

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。

何时激活

用户要求深入研究任何主题
竞争分析、技术评估或市场规模测算
对公司、投资者或技术的尽职调查
任何需要综合多个来源信息的问题
用户提到"研究"、"深入探讨"、"调查"或"当前状况如何"

MCP 要求

至少需要以下之一：

firecrawl — firecrawl_search, firecrawl_scrape, firecrawl_crawl
exa — web_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。

工作流程

步骤 1：理解目标

提出 1-2 个快速澄清性问题：

"您的目标是什么——学习、做决策还是撰写内容？"
"有任何特定的角度或深度要求吗？"

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。

步骤 2：规划研究

将主题分解为 3-5 个研究子问题。例如：

主题："人工智能对医疗保健的影响"
- 目前医疗保健领域的主要人工智能应用有哪些？
- 测量到了哪些临床结果？
- 存在哪些监管挑战？
- 哪些公司在该领域处于领先地位？
- 市场规模和增长轨迹如何？

步骤 3：执行多源搜索

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：

每个子问题使用 2-3 个不同的关键词变体
混合使用通用查询和新闻聚焦查询
目标总共获取 15-30 个独特的来源
优先级：学术、官方、知名新闻 > 博客 > 论坛

步骤 4：深度阅读关键来源

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。

步骤 5：综合并撰写报告

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]

步骤 6：交付

简短主题：在聊天中发布完整报告
长篇报告：发布执行摘要 + 关键要点，将完整报告保存到文件

使用子代理进行并行研究

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。

质量规则

每个主张都需要有来源。不要有无来源的断言。
交叉验证。如果只有一个来源提及，请将其标记为未经验证。
时效性很重要。优先选择过去 12 个月内的来源。
承认信息缺口。如果某个子问题找不到好的信息，请如实说明。
不捏造信息。如果不知道，就说"未找到足够的数据"。
区分事实与推断。清楚标注估计、预测和观点。

示例

"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"

同仓库更多 Skills

同仓库

data-scraper-agent

affaan-m/ECC

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.

2026-07-09230.6k

plan-canvas

affaan-m/ECC

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.

continuous-learning-v2

affaan-m/ECC

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.

2026-07-04230.6k

continuous-learning-v2

affaan-m/ECC

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。

2026-07-04230.6k

strategic-compact

affaan-m/ECC

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。

2026-07-04230.6k

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

深度研究

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。

何时激活

用户要求深入研究任何主题
竞争分析、技术评估或市场规模测算
对公司、投资者或技术的尽职调查
任何需要综合多个来源信息的问题
用户提到"研究"、"深入探讨"、"调查"或"当前状况如何"

MCP 要求

至少需要以下之一：

firecrawl — firecrawl_search, firecrawl_scrape, firecrawl_crawl
exa — web_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。

工作流程

步骤 1：理解目标

提出 1-2 个快速澄清性问题：

"您的目标是什么——学习、做决策还是撰写内容？"
"有任何特定的角度或深度要求吗？"

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。

步骤 2：规划研究

将主题分解为 3-5 个研究子问题。例如：

主题："人工智能对医疗保健的影响"
- 目前医疗保健领域的主要人工智能应用有哪些？
- 测量到了哪些临床结果？
- 存在哪些监管挑战？
- 哪些公司在该领域处于领先地位？
- 市场规模和增长轨迹如何？

步骤 3：执行多源搜索

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：

每个子问题使用 2-3 个不同的关键词变体
混合使用通用查询和新闻聚焦查询
目标总共获取 15-30 个独特的来源
优先级：学术、官方、知名新闻 > 博客 > 论坛

步骤 4：深度阅读关键来源

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。

步骤 5：综合并撰写报告

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]

步骤 6：交付

简短主题：在聊天中发布完整报告
长篇报告：发布执行摘要 + 关键要点，将完整报告保存到文件

使用子代理进行并行研究

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。

质量规则

每个主张都需要有来源。不要有无来源的断言。
交叉验证。如果只有一个来源提及，请将其标记为未经验证。
时效性很重要。优先选择过去 12 个月内的来源。
承认信息缺口。如果某个子问题找不到好的信息，请如实说明。
不捏造信息。如果不知道，就说"未找到足够的数据"。
区分事实与推断。清楚标注估计、预测和观点。

示例

"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"