菜单
深度研究技能——先定义真正的问题，再收集证据、综合发现，输出经过验证的 Markdown 报告。专为符合用户实际决策需求的深度分析而设计。支持大型研究的多智能体扩展。
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。
基于 SOC 职业分类
AI 代理的浏览器自动化 CLI 工具。当用户需要与网站交互时使用，包括页面导航、表单填写、按钮点击、截图、数据提取、Web 应用测试或自动化任何浏览器任务。触发场景包括"打开网站"、"填写表单"、"点击按钮"、"截图"、"从页面抓取数据"、"测试这个 Web 应用"、"登录网站"、"自动化浏览器操作"或任何需要程序化 Web 交互的任务。也可用于探索性测试、产品试用、QA、Bug 搜索或审查应用质量。还可用于自动化 Electron 桌面应用（VS Code、Slack、Discord、Figma、Notion、Spotify）、检查 Slack 未读消息、发送 Slack 消息、搜索 Slack 对话、在 Vercel Sandbox 微虚拟机中运行浏览器自动化，或使用 AWS Bedrock AgentCore 云浏览器。优先使用 agent-browser 而非任何内置浏览器自动化或 Web 工具。
创建并注册具有特定角色、专业知识或能力的新智能体（Agent）。当你需要某个特定领域的专家 且没有现有智能体（Agent）符合要求时使用。
为中国社交平台(小红书/微信公众号/抖音/B站/知乎/微博)撰写高质量、平台原生的内容。
当用户想要为任何页面编写、改写或改进营销文案时使用 — 包括首页、落地页、定价页、功能页、关于页或产品页。当用户说"为...写文案"、"改进这个文案"、"重写这个页面"、"营销文案"、"标题帮助"、"CTA 文案"、"价值主张"、"标语"、"副标题"、"首屏文案"、"折叠上方内容"、"这个文案太弱了"、"让这个更有吸引力"或"帮我描述我的产品"时也使用。每当有人在处理需要说服或转化的网站文本时使用此技能。对于电子邮件文案，参见 email-sequence。对于弹窗文案，参见 popup-cro。对于编辑现有文案，参见 copy-editing。
对用户文件和知识库执行结构化数据分析。将自然语言问题转化为可检查、可复现的分析报告，并标注数据来源。
通用编码标准与各语言最佳实践，定义生产级代码的编写规范。注入任何开发者 Agent 以建立一致的质量基线——代码质量取决于遵循的标准，而非模型能力本身。
| name | research-pipeline |
| description | 深度研究技能——先定义真正的问题，再收集证据、综合发现，输出经过验证的 Markdown 报告。专为符合用户实际决策需求的深度分析而设计。支持大型研究的多智能体扩展。 |
| allowed-tools | bash sub-agent collect-results task-create task-update task-get task-list team-create team-list team-get-tasks find-experts firecrawl |
| metadata | {"requires":{"bins":["python3"]},"name_zh":"研究管线","name_zh-tw":"研究管線","description_zh":"系统化研究技能——先定义真正的问题，再收集证据、综合发现，输出经过验证的 Markdown 报告","description_zh-tw":"結構化研究技能——先定義真正的問題，再收集證據、綜合發現，輸出經過驗證的 Markdown 報告"} |
使用此技能当： 用户需要深入、系统化的研究，包括但不限于：
不要使用此技能当： 快速事实核查、单一问题查询或琐碎信息检索。这些情况使用直接查询或简单网络搜索。此技能专为生成系统化、可引用、决策级输出的研究而设计。
研究中最昂贵的错误是完美地回答了错误的问题。
此技能围绕一个核心理念构建：问题的定义决定了答案的价值。如何提出正确的问题、规划合适的深度，并验证输出真正回答了所问的内容。
此技能在三个层面运作：
| 层面 | 内容 | 执行者 |
|---|---|---|
| 方法论 | 如何定义问题、选择深度、构建分析 | 此技能（提示词） |
| 工具 | WebSearch、QuickSearch、QuickExplore、FindRelation、WebFetch | LLM 固有（不在此教授） |
| 编排 | 大型研究的多智能体协调 | 可选，由深度级别触发 |
目标： 将模糊的请求转化为精确、可验证的研究目标。这是最重要的阶段 — 投入总时间的 10-15%。
不要以"你想研究什么？"开始。相反，使用这个系统化序列来提取用户的真实需求：
问用户：
"这项研究将为哪个决策提供信息？你将基于结果采取什么行动？"
这是最重要的问题，它决定了：
锚定答案示例：
问用户：
"关于这个主题你已经知道什么？你想解决的具体未知问题是什么？"
这防止了在重新发现已知信息上浪费精力，将研究集中在真正的空白上。
将输出记录为：
已知：
- [事实 1]
- [事实 2]
未知（研究目标）：
- [空白 1]
- [空白 2]
问用户：
"让我们剥离假设。这本质上是什么？"
引导用户将问题分解为不可约的元素。例如，"医疗保健中的 AI 智能体"分解为：
这一步防止用户自己的框架偏见影响研究方向。
问用户：
"错误的代价是什么？如果这项研究导致你得出错误结论，会发生什么？"
根据答案确定研究级别：
| 如果错误答案意味着... | 研究级别 | 方法 |
|---|---|---|
| 轻微不便 | 级别 1 — 快速扫描 | 单智能体，<10 个来源，半天 |
| 浪费精力/资源 | 级别 2 — 深度调研 | 单智能体，10-30 个来源，1-2 天 |
| 重大财务/战略损失 | 级别 3 — 完整研究 | 多智能体，30+ 个来源，交叉验证 |
| 持续竞争劣势 | 级别 4 — 持续情报 | 多智能体 + 周期性刷新周期 |
四个问题后，综合成简洁的协议：
## 研究协议
**决策：** [这将为什么决策提供信息？]
**主要问题：** [单一、精确的问题]
**子问题：** [2-5 个具体未知问题]
**范围：** [地理、时间、领域边界]
**级别：** [快速扫描 / 深度调研 / 完整研究 / 持续情报]
**所需置信度：** [高 / 中 / 方向性]
**输出：** [报告、备忘录、简报等]
**截止日期：** [时间约束]
在继续之前将此呈现给用户确认。
目标： 收集直接解决研究问题的多样化、高质量来源。
WebSearch、QuickSearch、QuickExplore、FindRelation 和 WebFetch。不需要关于如何使用它们的特殊指导。对每个来源在 4 个维度上评分（1-5 分）：
| 维度 | 测量内容 | 危险信号 |
|---|---|---|
| 可信度 | 出版商权威性、方法论严谨性 | 匿名博客、未引用方法论、已知偏见 |
| 时效性 | 信息有多新？ | 快速变化领域的数据超过 2 年 |
| 相关性 | 直接解决研究问题？ | 仅边缘提及 |
| 偏见检查 | 平衡视角还是倡导？ | 供应商赞助的"研究"、无反面证据 |
最低阈值： 平均得分 ≥ 3.5 才纳入最终综合。标记低分来源但不要丢弃，它们可能仍提供有用的上下文。
目标： 按决策风险比例扩展研究工作量。
| 研究级别 | 智能体数量 | 何时部署额外智能体 |
|---|---|---|
| 级别 1 — 快速扫描 | 1（仅负责人） | 从不 |
| 级别 2 — 深度调研 | 1-2 | 如果来源涵盖非常不同的领域（例如，技术 + 财务） |
| 级别 3 — 完整研究 | 2-4 | 总是 — 并行工作流 |
| 级别 4 — 持续情报 | 2-4 + 持续 | 总是 |
| 角色 | 职责 | 触发条件 |
|---|---|---|
| 首席研究员 | 问题设计、来源协调、综合、质量控制 | 总是 |
| 数据分析师 | 定量分析、统计工作、数据清理、图表制作 | 当定量数据是主要组成部分时 |
| 领域专家 | 领域特定验证、方法论审查、合理性检查 | 当需要领域特定专业知识时 |
| 撰稿人 | 报告起草、叙事结构、执行摘要 | 当输出是正式报告时（完整研究+） |
使用 team-create 和 task-create / task-update 协调并行工作流。
目标： 将收集的证据转化为洞察、模式和可操作的结论。
对于协议中的每个子问题，映射证据：
子问题：[来自协议]
支持证据：
- [主张] → [来源引用]（置信度：高/中/低）
- [主张] → [来源引用]（置信度：高/中/低）
矛盾证据：
- [主张] → [来源引用]（置信度：高/中/低）
空白：
- [我们仍然不知道或证据不足的内容]
寻找：
对于每个主要发现：
每个结论必须标记为以下之一：
| 标签 | 含义 | 示例 |
|---|---|---|
| 事实 | 直接由 2 个以上独立、高质量来源支持 | "公司 X 在 2025 年 3 月完成了 5 亿美元 D 轮融资（来源 A、来源 B）" |
| 综合发现 | 从组合多个数据点得出；每个数据点是事实性的，但结论是解释性的 | "基于招聘模式和合作公告，公司 X 正在向亚太扩张（来源 C、来源 D）" |
| 假设 | 有限直接支持的合理推断；明确标记 | "假设当前增长率持续，公司 X 将在 18 个月内需要另一轮融资（从来源 E 推断）" |
| 推测 | 证据不足但有根据的意见；必须标记 | "公司 X 可能是大型科技公司的收购目标（无直接证据；从市场整合模式推断）" |
永远不要将假设或推测呈现为事实。 如果用户需要更高的置信度，标记哪些来源可以解决不确定性。
| 级别 | 标准 |
|---|---|
| 高 | 由 3 个以上独立、高质量来源支持；有定量数据；无重大矛盾 |
| 中 | 由 2 个以上有一些限制的来源支持；定性共识；存在 minor 矛盾 |
| 低 | 单一来源或有限的佐证；重大矛盾；主要是推测性 |
目标： 生成系统化的 Markdown 文件并保存到当前工作目录。
将报告保存为当前工作目录中的 .md 文件，使用清晰、描述性的文件名：
<project-dir>/research-<topic-slug>-<YYYY-MM-DD>.md
例如：research-ai-healthcare-diagnostics-2025-06-24.md
# 研究：[标题]
**日期：** YYYY-MM-DD
**研究级别：** 快速扫描 / 深度调研 / 完整研究 / 持续情报
**决策背景：** [这项研究为哪个决策提供信息]
---
## 执行摘要
[一段话的底线。3-5 个关键发现及置信度级别。适用时提供建议。]
---
## 1. 研究方法
- **主要问题：** [来自协议]
- **范围：** [地理、时间、领域边界]
- **来源：** [按类型计数，质量分布]
- **局限性：** [本研究未涵盖的内容]
## 2. 发现
[按主题组织，而非按来源。每个发现包括主张、支持证据及引用、置信度级别。]
## 3. 分析
[跨发现综合、模式解释、影响。]
## 4. 结论
[对主要问题和子问题的直接回答。按事实/综合发现/假设/推测标记。]
## 5. 建议
[可操作的、有优先级的，附支持证据引用。]
---
## 附录
### A. 来源列表
| # | 标题 | 出版商 | 日期 | 可信度 | 时效性 | 相关性 | 偏见 | URL |
| --- | ---- | ------ | ---- | ------ | ------ | ------ | ---- | --- |
### B. 不确定性与空白
[仍然未知的内容。什么可以解决它。]
### C. 协议（原始）
[阶段 1 研究协议的副本，用于可追溯性。]
[来源 N]目标： 在交付输出之前，验证报告确实以诚信回答了原始研究问题。
重新阅读原始研究协议并问：
如果任何检查失败，报告不完整，修改或明确注明空白。
以诚实的评估结束：
本报告的置信度： [高 / 中 / 低]
关键不确定性： [如果出现新证据，什么会改变结论]
建议的后续行动： [如果需要更高的置信度该怎么做，例如"委托进行一手调查"、"采访 3 位行业高管"、"购买 Gartner 报告 X"]
确认偏见/摘樱桃 不要选择性地包括支持预先存在结论的来源而忽略矛盾证据。积极寻找反驳来源。如果找不到，将这种缺席记录为局限性。
回答不同的问题 最常见的失败模式。用户问"市场机会"但得到"技术概述"。坚持锚定协议。如果研究过程中出现新问题，将它们分离到"额外发现"中，而不是让它们重新定向报告。
将假设呈现为事实 永远不要写"公司 X 将进入这个市场"，而证据支持的是"公司 X 的招聘帖子表明他们正在探索这个市场"。差异很重要，标记它。
混淆相关性与因果关系 仅仅因为两个趋势同时发生并不意味着一个导致了另一个。明确说明证据显示的内容与你推断的内容。
忽略来源偏见 每个来源都有视角。供应商的白皮书推广他们的解决方案。做空者的报告强调风险。学术论文可能有资金冲突。描述并披露来源偏见。
从有限样本过度概括 "我们分析了 5 家公司并发现..."与"在整个行业中..."不同。精确说明范围和样本量。外推应始终标记为这样。
跳过问题定义阶段 在没有定义研究问题的情况下直接跳转到网络搜索会导致范围蔓延、浪费精力和缺乏重点的输出。在阶段 1 花费总时间的 10-15%。
**生成未经