From deepresearch
Agentic RAG智能检索器 - 基于动态检索策略和GraphRAG知识图谱的多源并行信息采集，支持Web搜索、文档解析、代码库检索，精度达99%
npx claudepluginhub lazygophers/ccplugin --plugin deepresearchThis skill uses the workspace's default tool permissions.
基于Agentic RAG和GraphRAG技术，从多源并行检索高质量信息。
Guides Next.js Cache Components and Partial Prerendering (PPR) with cacheComponents enabled. Implements 'use cache', cacheLife(), cacheTag(), revalidateTag(), static/dynamic optimization, and cache debugging.
Migrates code, prompts, and API calls from Claude Sonnet 4.0/4.5 or Opus 4.1 to Opus 4.5, updating model strings on Anthropic, AWS, GCP, Azure platforms.
Automates semantic versioning and release workflow for Claude Code plugins: bumps versions in package.json, marketplace.json, plugin.json; verifies builds; creates git tags, GitHub releases, changelogs.
基于Agentic RAG和GraphRAG技术，从多源并行检索高质量信息。
研究任务的信息采集阶段，由 dgot-engine 驱动调用。
嵌入自主AI代理，根据查询复杂度和结果质量动态调整策略：
知识图谱+向量搜索，语义理解精度高达99%：
8+信息源同时检索，按质量和相关性排序：
学术源：PubMed、IEEE、ACM、arXiv、Google Scholar 技术源：GitHub、Stack Overflow、技术博客 商业源：Gartner、IDC、McKinsey 新闻源：技术媒体、行业报告 政府源：标准文档、法规政策
四维评分机制（0-10分）：
总分 = 相关性×0.35 + 质量×0.30 + 时效性×0.20 + 重要性×0.15
相关性：与查询主题的匹配度 质量：来源权威性和内容深度 时效性：信息发布时间和更新频率 重要性：引用次数和影响力
1. 查询分析：理解用户意图和信息需求
2. 策略选择：根据任务选择检索策略
3. 多源检索：并行查询8+信息源
4. 智能过滤：四维评分，过滤低分(<6.0)结果
5. 去重合并：识别重复内容，合并相似信息
6. 结果排序：按总分排序，返回Top-N
检索结果不足时自动调整：
# 平衡搜索（推荐）
results = retrieve(
query="微服务架构最佳实践",
strategy="balanced",
min_score=7.0,
max_results=20
)