deep-research Skill
中文 · English
深度调研报告生成 Skill — 一条命令，十分钟出券商级深度调研报告
多 Agent 自动搜索、抓取、撰写、质检——输入主题，输出可引用、可浏览、可导出的中文/多语言调研报告。
对标券商/第三方研究机构结构：结论先行、来源可追溯、反方视角、情景预测。支持 quick / standard / deep 三档模式，19 种语言随主题自动切换。
适合行业研究、趋势前瞻、竞品扫描、政策解读、技术专题、投研备忘——不是搜几条摘要，是交付一份能拿去用的报告。
当前版本： 查看更新
📂 浏览所有示例报告 → H33研报· 深度调研报告集 可筛选、排序、按语言和类型浏览所有示例报告。
✨ 一分钟看懂
| 🎯 一个命令 | /research 你的主题 → 全自动调研，无需人工干预 |
| ⏱ 十分钟出报告 | quick 模式约 8–12 分钟，standard 约 10–15 分钟 |
| 🌍 19 种语言 | 主题用什么语言写，报告就用什么语言出，自动检测 |
| 🔧 非 OpenCode 独占 | Claude Code、Cursor、Codex CLI、Windsurf、Cline 等均可适配 |
| 📁 本地文件调研 | 也可支持本地 PDF/DOCX/TXT/MD，不联网，AI 自动解析 |
| 🖥️ 本地报告浏览页 | 每次报告生成后自动刷新为本地浏览器页面reports-browser/index.html，支持搜索/筛选/排序/弹窗预览 |
| 📄 PDF/DOCX 导出 | 本地浏览页弹窗中可导出 PDF、DOCX 格式，浏览器端直接转换下载 |
| 命令 | 说明 |
|---|---|
/research 中国新能源汽车产业发展现状 | 中文报告 |
/research Competitive landscape of AI cloud computing | English report |
/research Анализ рынка нефти и газа в России | Отчёт на русском |
/research 日本のアニメ産業のグローバル市場戦略 | 日本語レポート |
/research 한국 반도체 산업의 글로벌 경쟁력 분석 | 한국어 보고서 |
本地资料调研，详细命令见 FAQ | 离线模式，读本地文件 |
是全程以设定语言与你交互，并搜索目标语言的资料，不是简单的翻译输出。
一、为什么你需要这个
让 AI 帮你做调研，你大概率碰过这些坑：
- 搜索 + 总结 → 太浅，出来几条摘要，没有纵深
- 行业报告按份收费 $50–500+ → 太贵，个人用不起
- 海外工具 → 搜不到国内资源如：百度百科、知乎、199IT、艾瑞
- AI 编数字 → 看起来合理，但找不到来源
这个 skill 走完 4 层流程才交报告。不是搜完就出，是析→搜验→写→验。
二、谁适合用
独立开发者、独立研究者、小团队。 需要专业级调研能力，但不想依赖付费数据库或研究机构的人。
三、一次标准模式调研的输出
| 指标 | 数据（standard 模式示例） |
|---|---|
| 报告长度 | 500-700 行 / 约 12,000-20,000 字（视语言浮动） |
| 数据表 | 15-25 张，覆盖市场规模、竞争格局、技术参数等多个维度 |
| 分析段落 | 80-120 段（每段含结论 + 数据 + 因果 + 判断） |
| 引用的独立机构 | 15-25 家（中国信通院、艾瑞咨询、国家统计局、百度百科、知乎、36氪、澎湃新闻等） |
| 反方观点 | 3-8 处，每章至少呈现一个争议或反对角度 |
| 数据收集 | ~1-3 分钟 |
| 报告生成 | ~8-15 分钟 |
| 总耗时 | ~10-20 分钟 |
以上为 standard 模式典型范围，实际因主题复杂度、数据可获取性、搜索引擎响应等因素有所浮动。|
📖 精选报告展示
| 报告主题 | 话题标签 |
|---|---|
| 长江三角洲与珠江三角洲：中国两大经济引擎的地理比较 | 地理 · 经济 |
| 郑和下西洋：为什么中国在 15 世纪放弃了海洋？ | 历史 · 航海 |
| 玛雅文明崩溃之谜：干旱、战争还是生态超载？ | 历史 · 文明 |
| 2026年中国新能源汽车行业展望 | 汽车 · 产业 |
| 火星移民的工程现实：从 SpaceX 到 ISRU 到辐射防护 | 航天 · 科技 |
点击报告标题可在新窗口打开阅读。
四、成本
| 组件 | 费用 |
|---|---|
| LLM（你已经在用的） | DeepSeek v4 Flash 基准：quick 约 10–15 万 token / < 0.2 元，standard 约 15–30 万 / < 0.4 元，deep 约 30–50 万 / < 0.7 元 |
| SearXNG 搜索（作者部署） | 已部署在 VPS，零费用，无限畅用 |
| Scrapling 抓取 | 纯本地运行，零费用 |
| 国内源（百度百科/维基百科/知乎/36氪/澎湃/199IT/艾瑞/东方财富/国统局等） | 直连零费用，不要代理 |
| OpenCode 运行时 | MIT 开源，零费用 |
以上估算基于 DeepSeek v4 Flash（$0.14/百万输入、$0.28/百万输出，来源：
https://api-docs.deepseek.com/quick_start/pricing）。实际因缓存命中率与主题复杂度浮动。
五、工作逻辑
整个流程分 4 个阶段，按顺序自动执行：
① 分析大纲 — 分析主题，生成调研框架和搜索计划
↓
② 采集数据 — ╭─ 在线模式：五层搜索并行（CLI 内置引擎 → 建议源 → SearXNG → sources.json → 免费源）→ Scrapling 批量抓取 → 数据池
╰─ 离线模式：直接读取本地文件（PDF/DOCX/TXT/MD）→ 数据池
↓
③ 并行撰写 — 所有章节同时撰写，事实直接嵌入 prompt，不做工具调用
↓
④ 验收装配 — 批量 validate → assemble-report → convert-citations → escape-currency → qa-report
六、搜索链路与内置资源
搜索采用 五层优先级 策略，全部并行发出：
Layer 0 — CLI 内置引擎（如 OpenCode 的 Exa websearch，运行时自适应）
Layer 1 — 大纲建议源（按主题定向推荐，如 arctic-council.org）
Layer 2 — SearXNG（作者部署，70+ 引擎）
Layer 3 — sources.json（skill 内置 30+ 优质源，启动时健康检测）
Layer 4 — 免费源补强（A/B 类搜索兜底）
所有层的结果合并去重，由 Scrapling 统一抓取全文。免费源补强仅在 Layer 0-3 结果不足时触发（独立来源 < 8 或全部 URL 来自 ≤3 个域名）。
sources.json 覆盖学术（Semantic Scholar / arXiv / PubMed / Nature）、数据（World Bank / IMF / Our World in Data）、新闻（Reuters / BBC / Guardian）、中文（百度百科 / 知乎 / 36氪 / 澎湃 / 艾瑞 / 东方财富 / CSDN 等）30+ 个源，启动时自动健康检测，死源跳过。
七、报告独特亮点
| 维度 | 说明 |
|---|---|
| 多语言专业行文 | 自动检测主题语言，以 19 种语言直接撰写报告，非翻译模式 |
| 每个数字有来源 | 正文标注 (N) 可点击引用，文末附参考来源列表。找不到来源的数字不写 |
| 正反观点并存 | 每章呈现争议和反对观点，不回避矛盾 |
| 置信度分级 | 末章汇总表（高/中/低），什么可靠什么有争议一目了然 |
| 数据防坑机制 | 自动识别常见数据错误——单位搞混、数据造假、张冠李戴，不让有问题的数据混进报告 |
| 段落重于行数 | 每章 8-12 段正文为核心，表格和空行灌不了水 |
八、三种深度
| 命令 | 用途 | 最少章数 | 最少段落/章 | 参考字数（字符） | 参考耗时 |
|---|---|---|---|---|---|
/research 主题 | standard 默认 | 8 | ≥ 5 | ≈ 25,000 | ~10–15 min |
/research 主题 -quick | 快速洞察 | 5 | ≥ 4 | ≈ 15,000 | ~8–12 min |
/research 主题 -deep | 极致深度 | 10 | ≥ 6 | ≈ 45,000 | ~15–25 min |
参数见
profiles.json，修改后重启生效。字数为去空格和 Markdown 语法的纯字符数。
九、安装
🧠 方式一：AI 傻瓜安装（推荐）
把下面这段提示词复制到 OpenCode 聊天框发送，AI 会自动完成一切：
请调研 https://github.com/hoolulu/deep-research 项目，按照文档要求依次完成：
1. 安装前置依赖（根据 Scrapling 官方文档和你的操作系统确定安装方式）
2. 注册 Scrapling MCP Server，确保重启 CLI 后正常使用
3. 注册 /research 和 /research-update 命令
每完成一步都确认结果，完成后读取 VERSION 确认版本号，并总结安装状态。
AI 会读取项目文档→理解系统类型→逐项安装→验证可用性。不需要手动执行任何命令。
🔧 方式二：非 OpenCode 用户（Claude Code / Codex CLI / Cursor 等）
把这段提示词粘贴到你的 AI 编码工具中：
请调研 https://github.com/hoolulu/deep-research 项目，自动安装前置依赖并改造适配当前 CLI 工具：
1. 安装 Python 和 Scrapling（参考 Scrapling 官方文档和系统确定方式）
2. 注册 Scrapling MCP Server，重启后生效
3. 根据当前工具的能力注册 /research 和 /research-update 的等价入口：
- **Codex CLI** → 注册为 skill（skill 目录 `command/` 已含命令文件，注册后自动生效）
- **Claude Code** → 注册为 slash command（Hook）
- **Cursor** → 按平台机制适配（自定义命令 / Agent rules）
- 其他工具先判断有无 skill/命令机制，再选最合适的方式
4. 将多 agent 链式架构（大纲 → 数据采集 → 并行撰写 → 装配QA）翻译为当前工具的等价实现
5. 若本机有多个 CLI 工具，只配置当前工具，不影响本机其他 CLI 工具。
每完成一步确认结果，完成后读取 VERSION 确认版本号并总结状态。
不同工具的适配点：多 agent 编排需映射到各自的原生机制（Claude Code 的 sub-agent、Codex CLI 的 agent/skill 模式、Cursor 的 agent 模式等），命令入口注册方式也不同（OpenCode/Codex CLI 使用 skill，Claude Code 使用 Hook/命令，Cursor 使用自定义指令）。搜索和抓取逻辑（python-scrapling + 搜索 API）可原样复用。
前置依赖
| 组件 | 在线模式 | 离线模式 | 获取方式 |
|---|---|---|---|
| LLM 运行时（OpenCode / Claude Code / Codex CLI / Cursor 等） | ✅ 必须 | ✅ 必须 | 选择你习惯的工具即可 |
| Scrapling | ✅ 必须 | ❌ 不需要 | 网页抓取用，离线模式不涉及 |
| SearXNG（作者部署，70+ 引擎） | ✅ 使用 | ❌ 不需要 | 内置默认端点，开箱即用 |
平台说明：OpenCode 原生支持多 agent 编排（Task 1-4 的多 agent 架构），无需额外插件。其他编程工具（Claude Code、Cursor、Codex CLI 等）有自己的原生多 agent 框架，可以直接适配本 skill 的工作流。离线模式下仅依赖 LLM 的文件读取能力，无需搜索/抓取组件。
十、使用方法
安装并重启 OpenCode 后，在聊天框输入：
| 命令 | 说明 | 参考耗时 |
|---|---|---|
/research 你的主题 | standard 模式（在线搜索） | ~10-15 min |
/research 你的主题 -quick | quick 模式（在线搜索） | ~8-12 min |
/research 你的主题 -deep | deep 模式（在线搜索） | ~15-25 min |
本地资料调研 | 离线模式（读本地文件） | 取决于文件大小 |
/research-update | 检查更新 | — |
本地资料调研：具体指令词见 FAQ 第 2 节《如何使用本地资料生成报告？》。
发送后会发生什么
整个流程自动运行，你不需要做任何操作：
① 分析大纲 — 分析主题，生成调研框架和搜索计划（含 source_suggestions 定向源推荐）
② 采集数据 — 五层搜索并行（CLI内置引擎→建议源→SearXNG→sources.json→免费源）→ Scrapling 批量抓取 → 数据池提取 → 数据质检
③ 并行撰写 — 所有章节同时撰写，事实直接嵌入 prompt，不做额外工具调用
④ 装配验收 — 批量 validate → assemble-report → convert-citations → escape-currency → qa-report
以上累计 ~10-20 分钟。复杂主题可能延长，简单主题可能缩短。
输出文件
报告以 Markdown 格式保存到 skill 目录下的 reports/ 文件夹，文件名包含日期时间戳：
~/.opencode/skills/deep-research/reports/
可以用任何 Markdown 阅读器（Typora / Obsidian / VS Code 等）打开。
你也可以指定报告的存放路径，让 AI 帮你修改。
本地报告列表页：每次调研完成后，AI 自动刷新 reports-browser/index.html。直接用浏览器打开（支持 file:// 协议），所有报告以表格展示，支持搜索、按语言/深度筛选、排序，点击标题在弹窗中预览。
十一、FAQ
1. 搜索额度？怎么保证搜索不中断？
系统采用 五层搜索 + 质量触发补强 架构：
- Layer 0 — CLI 内置引擎（新增）：运行时自动探测当前 CLI 工具的内置搜索引擎（如 OpenCode 的
websearchExa）。如果可用，以此为主力搜索引擎，与后续层并行发出。无需额外配置。 - Layer 1 — SearXNG（作者部署）：作者在 VPS 上部署的元搜索引擎，聚合 70+ 搜索引擎（含百度/Google/Brave），中文英文全覆盖。内置默认端点，开箱即用，无限畅用、不限速、无额度限制。
- Layer 2 — sources.json 优质源：skill 内置 30+ 精选源（Semantic Scholar / arXiv / Nature / World Bank / IMF / Reuters / BBC / 百度百科 / 知乎 / 36氪 / 艾瑞 / 东方财富 等）。启动时自动健康检测，死源跳过。
- Layer 3 — 免费源补强（兜底）：当 Layers 0-2 合计结果质量不足（URL < 3 / 年份过旧 / 来源过少）时触发。DuckDuckGo / Bing / Brave / Mojeek / Semantic Scholar / GDELT / arXiv + 百度百科 / 知乎 / 199IT / 艾瑞 / 36氪 / 澎湃 / 东方财富 / 微博 / CSDN / 虎嗅 / 豆瓣 等 20+ 源。不依赖任何 API Key，永远可用。
2. 如何使用本地资料生成报告？
Skill 内置了离线模式，可以根据本地文件直接生成带有完整格式（目录/引用/元数据）的调研报告。支持的文件格式：MD / TXT（原生读取）、PDF（AI 自动安装 PyPDF2 提取文本）、DOCX（AI 自动安装 python-docx 解析）。
根据你的需要选择以下场景：
场景 1：本地资料 + 联网补充（推荐，调研最完整）
请使用 deep-research 这个 skill，根据 D:\我的笔记\项目A 的本地资料，生成一份关于 XX 的研究报告（quick 模式）。本地资料里的内容优先作为素材，不够的你在网上搜索补充。
场景 2：只用本地资料，不联网（适合资料足够、担心联网干扰主题的情况）
请使用 deep-research 这个 skill，根据 D:\我的笔记\项目A 的本地资料，生成一份关于 XX 的研究报告（quick 模式）。只看本地资料，不要联网搜索。
系统会跳过搜索/抓取流程，直接从指定文件提取数据，后续的章节撰写和装配 QA 正常执行。最终输出带有元数据、[N] 引用、目录的标准报告。
场景 3：纯本地，不用 skill（最轻量，适合不需要专业报告格式的快速总结）
根据 D:\我的笔记\项目A 的资料，帮我整理成一份结构化的研究报告，要有目录和章节标题。
场景选择建议：资料不够全 → 场景 1（联网补充）；资料足够且需要专业报告格式 → 场景 2（离线模式）；只需快速总结 → 场景 3（最轻量）。
3. 如何更新到最新版本？
版本策略：main 分支始终是最新代码，日常小修改直接推送。GitHub Releases 仅用于里程碑版本标记（如 v2.1.0 → v2.2.0），不必等到新 Release 才更新。
OpenCode 用户：
- 自动：输入
/research-update，AI 自动执行git pull获取最新 - 手动：
cd ~/.opencode/skills/deep-research && git pull
版本号可通过 cat ~/.opencode/skills/deep-research/VERSION 查看。
4. 非 OpenCode 用户能自动更新吗？
可以直接让 AI 帮你做版本对比和更新适配。把下面这段提示词粘贴到你的 AI 编码工具中：
请对比 https://github.com/hoolulu/deep-research 最新版与本地版本的差异，
找出上游新增功能和修复，
逐项应用到本地适配版本中，
保留平台特定改动。
若本机有多个 CLI 工具，只配置当前工具，不影响本机其他 CLI 工具。
5. 数据安全吗？
所有处理在本地完成。不收集、不上传任何用户数据。
十二、运行截图
License
MIT
本项目采用 MIT 协议。选择 MIT 而非 GPL/CC 等更严格的协议，是因为本项目的核心是一套可移植的方法论和管道设计，而非需要保护版权的成品库。MIT 能让它在不同平台和工具链中被最大化地复用和改造，与"非 OpenCode 独占"的定位一致。
Star History
Created by hoolulu · 项目地址：github.com/hoolulu/deep-research
社区讨论：LINUX DO