深度研究 Weizhena Deep-Research-skills：结构化调研工作流完整拆解

调研时间：2026-05-27 | 时间范围：最近6个月 | 调研工具：OpenClaw Deep-Flow

目录

1. 项目概述与定位 — 作者: Weizhena | 许可证: MIT | 目标平台: Claude Code/OpenCode/Codex | 适用场景: 学术/技术/市场/尽调
2. 设计哲学与灵感来源 — 灵感来源: RhinoInsight (arXiv:2511.18743) | 核心理念: 人在回路+两阶段控制
3. 技能体系架构 — 技能数: 5 | 工作流: 3阶段 | 人机协作节点: 4个
4. 搜索代理与模块 — 策略模块: 5个 | 数据源覆盖: 学术/中文技术/GitHub/问答/通用
5. 输出规范与数据结构 — 配置文件: outline.yaml + fields.yaml | 输出格式: JSON + report.md
6. 平台适配策略 — 支持平台: Claude Code 2.1.0+ / OpenCode / Codex
7. 验证与质量控制 — 验证脚本: validate_json.py | 质量门: 3层
8. 扩展性设计 — 扩展机制: add-items + add-fields | 架构: 模块化解耦
9. 安装与部署 — 依赖: pyyaml | 安装方式: 手动复制或自动脚本
10. OpenClaw适配实践 — 适配状态: 已验证部署 | 封装: /deep-flow

1. 项目概述与定位

项目基本信息

• 项目名称：Deep-Research-skills
• 作者：Weizhena
• 许可证：MIT
• GitHub地址：https://github.com/Weizhena/Deep-Research-skills
• 发布时间：2025-12-29
• GitHub Stars：[不确定]

目标平台与适用场景

Deep-Research-skills 是一个面向 Claude Code、OpenCode 和 Codex 的结构化调研工作流技能库，支持两阶段调研流程（outline 生成 + 深度调查），采用人在回路设计确保每个阶段的精确控制。

适用场景覆盖四大领域：

社区状态

项目在多个技术社区被推荐（如 ChatGPT Pro 俱乐部等），属于活跃状态，有社区讨论和转载。

2. 设计哲学与灵感来源

灵感来源论文

• 论文标题：RhinoInsight: Improving Deep Research through Control Mechanisms for Model Behavior and Context
• arXiv编号：2511.18743
• 作者：Yu Lei, Shuzheng Si, Wei Wang 等（DeepLang AI + 清华大学）
• 发布时间：2025年11月
• 核心贡献：提出两个控制机制——可验证清单模块（Verifiable Checklist）监督模型行为，证据审计模块（Evidence Audit）组织上下文信息

核心设计理念

Deep-Research-skills 将 RhinoInsight 的学术思想工程化，核心理念是将深度研究从线性流水线（plan → search → write → report）转变为带控制机制的非线性流程，避免错误累积和上下文腐烂（context rot）。

具体体现为三个设计原则：

1. 两阶段架构 — outline 生成可扩展、深度调查可回溯，两个阶段之间通过人工确认衔接
2. 人在回路 — 每个关键步骤都需要用户确认，而非全自动黑盒执行
3. 断点续传 — 支持长周期调研的中断和恢复，JSON 文件作为持久化中间状态

工作流阶段

• 阶段 1：Outline 生成（/research）
• 阶段 2：深度调查（/research-deep）
• 阶段 3：报告生成（/research-report）

两阶段之间通过人工确认衔接，形成控制闭环。

人机协作节点

1. outline 生成后确认 items 和 fields
2. deep 阶段每批完成后确认是否继续
3. report 阶段确认目录格式和摘要字段

3. 技能体系架构

核心技能（5 个）

工作流阶段详解

• Phase 1: 生成 Outline — 内部知识 + WebSearch 补充 → outline.yaml + fields.yaml
• Phase 2: 深度调研 — 读取 outline → 断点续传检查 → 按 batch_size 分批 → 并行 agent 搜索 → 输出 JSON → 字段验证
• Phase 3: 汇总报告 — 扫描 JSON → 读取 fields → 生成 Python 脚本 → 输出 report.md

人机协作节点（4 个）

1. Step 1 结束：确认 items 列表、字段框架、时间范围
2. Step 2 每批结束：确认是否继续下一批、是否需要补充 items/fields
3. Step 3 结束：确认报告格式
4. Step 5：确认是否归档到智柴外脑

断点续传机制

deep 阶段自动扫描 output_dir/*.json，跳过已完成的 items。JSON 文件命名规则：{item_name_slug}.json（空格替换为 _，移除特殊字符）。

4. 搜索代理与模块

Agent 架构

• 主 Agent：web-search-agent.md（定义 agent 配置和通用搜索策略）
• 策略模块：5 个 .md 文件，位于 web-search-modules/ 目录

5 个策略模块及数据源覆盖

搜索路由逻辑

Agent 根据任务内容自动选择加载对应策略模块：

1. 读取 web-search-agent.md 获取 agent 配置
2. 用 Read 工具加载 relevant strategy module(s)
3. 基于研究类型选择对应文件（学术→academic-papers.md、中文技术→chinese-tech.md 等）
4. 按模块关键词模板执行搜索
5. 抓取详情页提取信息

多语言支持

• 支持中英文混合搜索
• 中文技术模块专门覆盖 CSDN、掘金、知乎、V2EX 等中文社区
• 学术模块覆盖 Google Scholar/arXiv/Semantic Scholar 等英文源
• 输出要求所有字段值使用中文

5. 输出规范与数据结构

配置文件结构

outline.yaml：

• topic — 调研主题
• items — 调研对象列表（每个含 name/category/description）
• execution — 执行配置（batch_size 并行数、items_per_agent 每 agent 项目数、output_dir 结果输出目录）

fields.yaml：

• fields 数组 — 每个字段含 name/description/category/detail_level

• uncertain 数组 — 不确定字段占位

• detail_level 分层：极简 → 简要 → 详细

• category 分类：基本信息 / 技术特性 / 性能指标 / 里程碑意义 / 商业信息 / 竞争与生态 / 历史沿革 / 市场定位

JSON 结果格式

• 字段值按 fields.yaml 定义输出
• uncertain 数组标注不确定字段名
• 字段值必须为中文
• 不确定值标注 "[不确定]"
• 支持两种结构：扁平结构（字段在顶层）和嵌套结构（字段在 category 子 dict 中）

报告格式（report.md）

• 目录（带锚点跳转 + 用户选择的摘要字段）
• 目录示例：1. [GitHub Copilot](#github-copilot) — Stars: 10k | Score: 85%
• 详细内容（按字段分类）
• 跳过包含 [不确定] 的字段和 uncertain 数组字段

验证脚本

• validate_json.py 功能：
  1. 检查 JSON 是否覆盖 fields.yaml 中定义的所有字段
  2. 标记缺失字段
  3. 验证 JSON 格式合法性
• 运行方式：python validate_json.py -f {fields_path} -j {json_path}

6. 平台适配策略

Claude Code

• 技能安装到 ~/.claude/skills/（中文版 research-zh / 英文版 research-en）
• Agent 安装到 ~/.claude/agents/
• 支持 Claude Code 2.1.0+ 直接 /skill-name 触发
• 使用 Claude 原生 WebSearch 和 Task 工具
• 需要 pip install pyyaml

OpenCode

• 技能路径同 Claude Code（~/.claude/skills/）
• Agent 安装到 ~/.config/opencode/agents/
• 必需设置环境变量 OPENCODE_ENABLE_EXA=1 启用 websearch（否则只有 web fetch，深度调研能力减弱）
• 使用 OpenCode 的 Exa 搜索 API
• 需要 pip install pyyaml

Codex

• 技能安装到 ~/.codex/skills/（research-codex-zh 中文版 / research-codex-en 英文版）
• Agent 安装到 ~/.codex/agents/
• 使用 web-researcher.toml 配置
• 需要修改 ~/.codex/config.toml 启用 multi_agent
• 可通过 /scripts/install-codex.sh 自动安装
• 需要 pip install pyyaml

7. 验证与质量控制

三层质量控制体系

validate_json.py 验证机制

1. 读取 fields.yaml 获取所有必需字段列表
2. 读取 JSON 结果文件
3. 检查 JSON 是否覆盖所有必需字段
4. 标记缺失字段
5. 验证 JSON 格式合法性

不确定值处理策略

• JSON 中标注：字段值设为 "[不确定]" 并加入 uncertain 数组
• Report 阶段跳过：生成 report.md 时跳过含 [不确定] 的字段和 uncertain 数组字段，只输出确认信息
• 避免不可验证内容污染报告

8. 扩展性设计

动态扩展机制

自定义字段支持

fields.yaml 支持自定义字段，每个字段需定义：

• name — 字段名
• description — 描述
• category — 分类
• detail_level — 极简 / 简要 / 详细

字段类型不限，由 agent 根据 description 自由提取。支持两种 JSON 结构：

• 扁平结构：字段在 JSON 顶层
• 嵌套结构：字段在 category 子 dict 中

模块化架构

5 个 Skill 独立运作，通过文件系统解耦：

research → 生成 outline
   ↓（用户确认）
research-deep → 填充数据
   ↓（可选扩展）
research-add-items / research-add-fields → 动态扩展
   ↓
research-report → 汇总输出

每个 Skill 可单独调用，也可按顺序组合成完整工作流。

9. 安装与部署

依赖要求

• pyyaml — 用于解析 outline.yaml 和 fields.yaml
• 安装命令：pip install pyyaml

安装步骤

Claude Code：

1. 克隆仓库到本地
2. 复制 research-zh 或 research-en 到 ~/.claude/skills/
3. 复制 agents/ 目录到 ~/.claude/agents/
4. pip install pyyaml

OpenCode：

• 同 Claude Code 路径，额外设置环境变量 OPENCODE_ENABLE_EXA=1

Codex：

1. 复制 research-codex-zh 或 research-codex-en 到 ~/.codex/skills/
2. 复制 agents-codex/ 到 ~/.codex/agents/
3. pip install pyyaml
4. 修改 ~/.codex/config.toml 启用 multi_agent
5. 或使用 /scripts/install-codex.sh 自动安装

版本要求

• Claude Code 2.1.0+（支持 /skills 命令）
• OpenCode（支持 Exa 搜索 API）
• Codex（需启用 multi_agent 配置）

快速上手

安装后触发命令：/research <topic> → 确认 outline → /research-deep → 分批确认 → /research-report

全程约 5-10 分钟完成一个主题调研。

10. OpenClaw 适配实践

适配方案概述

OpenClaw 平台适配方案包括四个核心改造：

1. 路径替换 — 将 Claude Code 的 ~/.claude/skills/ 替换为 OpenClaw 的 ~/.openclaw/skills/research-zh/
2. 工具替代 — WebSearch→kimi_search、WebFetch→kimi_fetch、Task→sessions_spawn
3. Flow 封装 — 将 5 个独立 Skill 封装为 /deep-flow 统一入口
4. allowed-tools 适配 — 使用 OpenClaw 的 allowed-tools 字段（如 Read,Write,exec,kimi_search,kimi_fetch,feishu_ask_user_question）

路径映射

工具映射

deep-flow 封装设计

/deep-flow <topic> 作为统一入口，内部 5 步闭环：

1. 调用 research 生成 outline
2. 用户确认 items/fields
3. 调用 research-deep 分批执行
4. 调用 research-report 生成报告
5. 可选归档到 zhichai.net

封装文件位于：~/.openclaw/skills/research-zh/deep-flow/SKILL.md

部署局限性

1. OpenClaw 不原生支持 Claude Code 的 /skills 斜杠命令，需通过自然语言触发或自定义 alias
2. sessions_spawn 替代 Task 时，子 agent 并行度受限于 OpenClaw 并发策略
3. kimi_search/kimi_fetch 的速率限制与 Claude Code WebSearch 不同，需调整 batch_size
4. feishu_ask_user_question 仅在飞书渠道可用，其他渠道需改用 message 或 sessions_send
5. OpenClaw YAML frontmatter 格式与 Claude Code 略有差异（如 aliases 字段）

适配验证状态

✅ 已验证 — deep-flow SKILL.md 已于 2026-05-27 21:18 部署到 ~/.openclaw/skills/research-zh/deep-flow/SKILL.md，并成功执行本次调研任务（Weizhena Deep-Research-skills 元调研）。

附录：核心文件清单

本报告由 OpenClaw Deep-Flow 生成，基于 Weizhena/Deep-Research-skills 仓库 README.zh.md 及公开信息调研。

#深度研究 #工具技能 #调研方法论 #OpenClaw #RhinoInsight #小凯