菜单
Think 阶段的深度调研引擎。系统性地分析 GitHub 同领域高星项目的 能力分布、技术栈、产品护城河，输出结构化竞品分析报告，为差异化创新提供情报支持。 使用场景：用户启动新项目前的竞品调研、需要了解同类项目技术选型、 寻找差异化机会点、识别竞品护城河。
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
启动 VibeFlow 本地看板，实时查看阶段、功能、产物和最近事件。
查看 VibeFlow 项目当前状态（阶段、进度、待处理项）。
VibeFlow框架入口。运行 /vibeflow 开始新项目或继续现有工作流。
测试阶段的真实浏览器验证底座。用于页面交互、表单、路由、前端 API、视觉状态和运行时问题验证。优先使用 Playwright MCP 做真实交互验证，使用 Chrome DevTools MCP 做运行时诊断；MCP 不可用时回退到本地 Playwright CLI 脚本。
在此仓库中用于在会话开始时路由整个VibeFlow生命周期的工作。
系统测试通过后且工作流要求 UI QA 时使用 — 运行浏览器导向的 QA 验证并生成报告
| name | vibeflow-deepresearch |
| description | Think 阶段的深度调研引擎。系统性地分析 GitHub 同领域高星项目的 能力分布、技术栈、产品护城河，输出结构化竞品分析报告，为差异化创新提供情报支持。 使用场景：用户启动新项目前的竞品调研、需要了解同类项目技术选型、 寻找差异化机会点、识别竞品护城河。 |
启动宣告： "正在使用 vibeflow-deepresearch — 深度调研引擎启动。"
在用户启动新项目前，系统性地分析同领域高星项目的：
核心价值： "了解已有方案"是创新的前提，不是负担。站在巨人肩膀上找差异化。
brief.md（已有项目背景）用户输入领域关键词
│
├──▶ Agent 1: 竞品发现（先行）
│ → 输出: Top 5-10 竞品列表
│
└──▶ 3 Agent 并行（基于竞品列表）
├── Agent 2: 技术栈分析
├── Agent 3: 能力矩阵
└── Agent 4: 护城河调研
│
↓
聚合输出
├── 竞品分析报告（Markdown）
├── 护城河矩阵
├── 差异化机会矩阵
└── 技术选型建议
注意：Agent 2/3/4 依赖 Agent 1 的输出（竞品列表），必须串行执行。
使用 GitHub Search API 搜索同领域高星项目：
# 搜索策略
gh search repos "<领域> framework" --sort stars --limit 20
gh search repos "topic:<领域>" --sort stars --limit 20
筛选条件：
输出： Top 5-10 竞品列表（项目名、Stars、最新更新、简介、技术栈）
基于 Agent 1 的竞品列表，3 个 Agent 并行执行：
对竞品列表中的项目，读取其依赖文件：
# 对每个竞品项目
gh repo view <owner>/<repo> --json name,primaryLanguage
# 读取依赖文件（使用 GitHub API）
gh api repos/<owner>/<repo>/contents/package.json
gh api repos/<owner>/<repo>/contents/Cargo.toml
gh api repos/<owner>/<repo>/contents/requirements.txt
gh api repos/<owner>/<repo>/contents/go.mod
分析内容：
输出： 技术栈分布统计表
对竞品列表中的项目，读取 README.md 提取功能列表：
gh api repos/<owner>/<repo>/contents/README.md
分析内容：
输出： 功能对比矩阵表
分析竞品的核心壁垒和护城河：
# 获取 Stars 增长趋势
gh api repos/<owner>/<repo> --jq '{stars: .stargazers_count, forks: .forks_count, pushed: .pushed_at}'
# 获取贡献者数量
gh api repos/<owner>/<repo>/contributors?per_page=1 --jq '.length'
# 获取开源协议
gh repo view <owner>/<repo> --json license
# 获取 README 中的亮点描述
gh api repos/<owner>/<repo>/contents/README.md
分析维度：
输出： 护城河分析矩阵（每个竞品的核心壁垒）
将 4 个 Agent 的结果聚合为结构化报告：
输出路径： docs/deepresearch/<timestamp>-<领域>.md
报告结构：
# DeepResearch Report: <领域>
**生成时间**: YYYY-MM-DD HH:mm
**调研深度**: <N> 个竞品
## 1. 竞品发现
[表格：项目名、Stars、最新更新、简介]
## 2. 能力矩阵
[功能对比矩阵表]
## 3. 技术栈分布
[语言占比、框架模式、热门依赖]
## 4. 产品护城河
[每个竞品的核心壁垒分析]
## 5. 差异化机会
[Gap 矩阵：机会 vs 竞品覆盖度]
## 6. 技术选型建议
[基于分析的建议]
---
*由 vibeflow-deepresearch 生成*
4 个 Agent 使用 Agent 工具并行启动，每个 Agent：
Agent 提示词模板 详见 references/analysis-prompts.md
DeepResearch 是独立工具，不是 Think 阶段的嵌入步骤。
docs/deepresearch/<领域>-<timestamp>.md用户：我要做一个 AI Agent 框架，先调研一下竞品
│
├──▶ 调用 vibeflow-deepresearch
├──▶ 4 个 Agent 并行调研
├──▶ 报告归档到 docs/deepresearch/ai-agent-framework-2026-03-29.md
│
└── 用户决定实现某个具体功能时（如"支持 Tool Calling"）
│
└──▶ 读取 docs/deepresearch/ai-agent-framework-2026-03-29.md
└──▶ 参考竞品能力矩阵和护城河分析
└──▶ 制定差异化实现方案
用户：/vibeflow-deepresearch
Assistant：
请提供您想调研的领域或关键词：
> AI Agent 框架
正在启动竞品发现 Agent...
[发现 8 个高星竞品]
正在启动 3 个并行分析 Agent...
[调研完成]
报告已保存至 docs/deepresearch/ai-agent-framework-2026-03-29.md
---
用户：我要实现 Tool Calling 功能，先看看竞品怎么做的
Assistant：
正在读取调研报告 docs/deepresearch/ai-agent-framework-2026-03-29.md...
竞品分析：
- LangChain: 原生支持，生态丰富
- AutoGPT: 基础支持，文档完善
- 差异化机会：...
调用方式： 用户主动调用 /vibeflow-deepresearch
产出归档： docs/deepresearch/<领域>-<timestamp>.md
按需读取： 在 Plan/Design 阶段实现具体功能时，读取相关调研报告
与 Think 的关系： 独立工具，不嵌入 Think 流程，但可作为 Think 的前置输入
references/search-strategies.mdreferences/analysis-prompts.mdreferences/output-template.md