deep-research Skill

<p align="center"><b>中文</b> · <a href="README_EN.md">English</a></p>

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

<table width="100%"> <tr><td style="white-space: nowrap; width: 1%;"><b>🎯 一个命令</b></td><td><code>/research 你的主题</code> → 全自动调研，无需人工干预</td></tr> <tr><td style="white-space: nowrap;"><b>⏱ 十分钟出报告</b></td><td>quick 模式约 8–12 分钟，standard 约 10–15 分钟</td></tr> <tr><td style="white-space: nowrap;"><b>🌍 19 种语言</b></td><td>主题用什么语言写，报告就用什么语言出，自动检测</td></tr> <tr><td style="white-space: nowrap;"><b>🔧 非 OpenCode 独占</b></td><td>Claude Code、Cursor、Codex CLI、Windsurf、Cline 等均可适配</td></tr> <tr><td style="white-space: nowrap;"><b>📁 本地文件调研</b></td><td>也可支持本地 PDF/DOCX/TXT/MD，不联网，AI 自动解析</td></tr> <tr><td style="white-space: nowrap;"><b>🖥️ 本地报告浏览页</b></td><td>每次报告生成后自动刷新为本地浏览器页面<br><code>reports-browser/index.html</code>，支持搜索/筛选/排序/弹窗预览</td></tr> <tr><td style="white-space: nowrap;"><b>📄 PDF/DOCX 导出</b></td><td>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</td></tr> </table> <table width="100%"> <tr><th>命令</th><th>说明</th></tr> <tr><td style="white-space: nowrap;"><code>/research 中国新能源汽车产业发展现状</code></td><td>中文报告</td></tr> <tr><td><code>/research Competitive landscape of AI cloud computing</code></td><td>English report</td></tr> <tr><td><code>/research Анализ рынка нефти и газа в России</code></td><td>Отчёт на русском</td></tr> <tr><td><code>/research 日本のアニメ産業のグローバル市場戦略</code></td><td>日本語レポート</td></tr> <tr><td><code>/research 한국 반도체 산업의 글로벌 경쟁력 분석</code></td><td>한국어 보고서</td></tr> <tr><td><code>本地资料调研，详细命令见 FAQ</code></td><td>离线模式，读本地文件</td></tr> </table>

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 | |---------|---------| | <a href="reports/zh/长江三角洲与珠江三角洲：中国两大经济引擎的地理比较-20260615-112009.md" target="_blank">长江三角洲与珠江三角洲：中国两大经济引擎的地理比较</a> | 地理 · 经济 | | <a href="reports/zh/郑和下西洋：为什么中国在 15 世纪放弃了海洋？-20260611-154808.md" target="_blank">郑和下西洋：为什么中国在 15 世纪放弃了海洋？</a> | 历史 · 航海 | | <a href="reports/zh/玛雅文明崩溃之谜：干旱、战争还是生态超载？-20260612-105436.md" target="_blank">玛雅文明崩溃之谜：干旱、战争还是生态超载？</a> | 历史 · 文明 | | <a href="reports/zh/2026年中国新能源汽车行业展望-20260606-223210.md" target="_blank">2026年中国新能源汽车行业展望</a> | 汽车 · 产业 | | <a href="reports/zh/火星移民的工程现实：从 SpaceX 到 ISRU 到辐射防护-20260611-164652.md" target="_blank">火星移民的工程现实：从 SpaceX 到 ISRU 到辐射防护</a> | 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 websearch Exa）。如果可用，以此为主力搜索引