Stats
Actions
Tags
Help us improve
Share bugs, ideas, or general feedback.
From deepresearch
深度研究工作流 - 任务驱动型研究系统，自动编排检索、验证、分析、合成全流程，适用于深度调研、技术选型、竞品分析、文献综述等复杂研究任务
npx claudepluginhub lazygophers/ccplugin --plugin deepresearchHow this skill is triggered — by the user, by Claude, or both
Slash command
/deepresearch:deep-researchsonnetThe summary Claude sees in its skill listing — used to decide when to auto-load this skill
Task-Centric 任务驱动型深度研究系统，自动编排Agent和Skill完成复杂研究任务。
Researches codebases in Phase 1: analyzes architecture, patterns, risks on existing projects; or investigates tech stack, conventions, data-model on zero-base projects using WebSearch + Context7.
Orchestrates multi-source research across web, codebase, and community evidence. Use for broad, mixed, or ambiguous research requests needing synthesis.
Guides multi-agent research with wave-based knowledge gathering and deferred synthesis for technology evaluation, SOTA analysis, codebase archaeology, and competitive analysis.
Share bugs, ideas, or general feedback.
Task-Centric 任务驱动型深度研究系统，自动编排Agent和Skill完成复杂研究任务。
通过 AskUserQuestion 收集结构化信息（5-8个维度）：
必须收集：
可选收集（根据任务类型）： 5. 时间范围：历史回顾 vs 现状分析 vs 未来趋势？ 6. 质量标准：引用等级要求（A-E级）？深度要求？ 7. 对比对象：是否需要对比分析？对比哪些方案？ 8. 约束条件：时间限制？成本预算？技术栈限制？
基于任务特征自动选择Agent（无需用户选择）：
匹配规则：
if "代码" in task or "质量" in task or "性能" in task:
agent = "code-analyst"
elif "选型" in task or "对比" in task or "vs" in task:
agent = "research-strategist"
elif "github.com" in task or "依赖" in task or "安全" in task:
agent = "project-assessor"
elif "架构" in task or "设计" in task or "重构" in task:
agent = "architecture-advisor"
else:
# 默认：根据研究目标智能推断
agent = auto_match_agent(task)
多Agent协作（复杂任务）：
使用 dgot-engine 优化研究路径：
# 初始化
paths = dgot.Generate(k=5) # 生成5个初始路径
scored = dgot.Score(paths) # 质量评分
# 动态裁剪
best = dgot.KeepBestN(scored, n=3) # 保留前3个
# 早停检查
if dgot.EarlyStop(best): # 质量≥8.5分，3个路径达标
return dgot.Aggregate(best)
# 深化路径
refined = dgot.Refine(best)
final = dgot.Aggregate(refined)
成本节省：
使用 agentic-retriever 多源并行检索：
检索策略（自动选择）：
信息源（8+渠道）：
使用 source-validator 过滤低质量信息：
自动过滤：
质量保证：
使用 knowledge-synthesizer 生成最终报告：
格式选择（基于受众和场景）：
输入：分析 ./src 目录的代码质量和技术债
自动流程：
1. 需求收集：研究范围（./src）、输出格式（技术报告）
2. Agent匹配：code-analyst（关键词"代码质量"）
3. DGoT驱动：Generate(5) → Score → KeepBestN(3)
4. 代码检查：code-inspector 静态分析
5. 质量验证：source-validator 验证最佳实践来源
6. 知识合成：技术报告（质量+债务+优先级）
输入：对比 React vs Vue vs Svelte 在企业项目中的优劣
自动流程：
1. 需求收集：对比对象（3个框架）、场景（企业项目）
2. Agent匹配：research-strategist（关键词"对比"）
3. DGoT驱动：广度优先搜索，多角度对比
4. 智能检索：官方文档+技术博客+社区讨论
5. 质量验证：A级（官方文档）+ B级（专家博客）
6. 知识合成：对比表格（多维度评分矩阵）
输入：评估 facebook/react 的项目质量和安全风险
自动流程：
1. 需求收集：项目（facebook/react）、关注点（质量+安全）
2. Agent匹配：project-assessor（检测到github.com）
3. DGoT驱动：平衡搜索，质量+安全双维度
4. 项目分析：code-inspector GitHub集成（gh 命令）
5. 安全审计：CVE数据库、依赖树分析
6. 知识合成：技术报告（健康度+安全分+风险评估）
输入：评审 ./docs/architecture.md 的架构设计
自动流程：
1. 需求收集：设计文档路径、评审重点（可扩展性）
2. Agent匹配：architecture-advisor（关键词"架构"）
3. DGoT驱动：深度优先，架构原则验证
4. 模式识别：识别架构模式（微服务/事件驱动）
5. 原则验证：SOLID、DRY、KISS验证
6. 知识合成：技术报告（评审+建议+重构路径）
实时显示研究进度：
[深度研究·技术选型·进行中]
├─ 需求收集：✅ 完成（3个维度）
├─ Agent匹配：✅ research-strategist
├─ DGoT路径生成：🔄 进行中（5/5路径已生成）
├─ 质量评分：⏳ 等待
├─ 信息检索：⏳ 等待
└─ 知识合成：⏳ 等待
预计完成时间：2-3分钟
预计成本：$0.15（基于DGoT优化）
自动判断何时完成：
| 维度 | 旧架构 | 新架构（2026） |
|---|---|---|
| 需求收集 | 重复2次 | 单次智能收集 |
| Agent选择 | 用户手动 | 自动匹配 |
| 成本优化 | 无 | DGoT动态裁剪（-50%） |
| 检索精度 | 传统RAG | Agentic RAG（99%） |
| 交互次数 | 10+次 | 5-8次 |
| 平均耗时 | 8-10分钟 | 4-6分钟 |