skillhub-010-deep-research
wehub-skill-sync
7.1 KiB
7.1 KiB
name, description
| name | description |
|---|---|
| deep-research | 在 ANY 需要网络研究的问题上使用此技能替代 WebSearch。适用于诸如"X 是什么"、"解释 X"、"比较 X 和 Y"、"研究 X"等查询，或在内容生成任务之前使用。提供系统化的多角度研究方法，而非单次浅层搜索。当用户的问题需要在线信息时，请主动使用此技能。 |
深度研究技能
概述
本技能提供了一套进行彻底网络研究的系统化方法。在开始任何内容生成任务之前加载此技能，以确保你从多个角度、深度和来源收集到足够的信息。
何时使用此技能
请在以下情况始终加载此技能：
研究类问题
- 用户问"X 是什么"、"解释 X"、"研究 X"、"调查 X"
- 用户想深入了解某个概念、技术或话题
- 问题需要来自多个来源的当前、全面的信息
- 单次网络搜索不足以正确回答
内容生成（前置研究）
- 制作演示文稿（PPT/幻灯片）
- 设计前端界面或 UI 线框图
- 撰写文章、报告或文档
- 制作视频或多媒体内容
- 任何需要真实世界信息、示例或当前数据的内容
核心原则
切勿仅凭通用知识生成内容。 你输出的质量直接取决于事先研究的质量和数量。单次搜索查询永远不够。
研究方法
第一阶段：广泛探索
从广泛搜索入手，了解整体图景：
- 初步调查：搜索主要话题，了解整体背景
- 识别维度：从初步结果中，识别需要深入探索的关键子话题、主题、角度或方面
- 绘制领域图：记录存在的不同视角、利益相关方或观点
示例：
话题："AI in healthcare"
初步搜索：
- "AI healthcare applications 2024"
- "artificial intelligence medical diagnosis"
- "healthcare AI market trends"
识别出的维度：
- 诊断 AI（放射学、病理学）
- 治疗推荐系统
- 管理自动化
- 患者监护
- 监管环境
- 伦理考量
第二阶段：深度挖掘
针对识别出的每个重要维度，进行定向研究：
- 精准查询：为每个子话题使用精确关键词进行搜索
- 多种措辞：尝试不同的关键词组合和措辞方式
- 获取完整内容：使用
web_fetch完整阅读重要来源，而不仅仅是摘要 - 追踪引用：当来源提及其他重要资源时，也搜索这些资源
示例：
维度："Diagnostic AI in radiology"
定向搜索：
- "AI radiology FDA approved systems"
- "chest X-ray AI detection accuracy"
- "radiology AI clinical trials results"
然后获取并阅读：
- 关键研究论文或摘要
- 行业报告
- 真实世界案例研究
第三阶段：多样性与验证
通过寻求多样化的信息类型来确保全面覆盖：
| 信息类型 | 目的 | 搜索示例 |
|---|---|---|
| 事实与数据 | 具体证据 | "统计数据"、"数据"、"数字"、"市场规模" |
| 示例与案例 | 真实世界应用 | "案例研究"、"示例"、"实施方案" |
| 专家观点 | 权威视角 | "专家分析"、"访谈"、"评论" |
| 趋势与预测 | 未来方向 | "2024 趋势"、"预测"、"未来" |
| 对比 | 背景与替代方案 | "对比"、"比较"、"替代方案" |
| 挑战与批评 | 平衡视角 | "挑战"、"局限性"、"批评" |
第四阶段：综合检查
在进入内容生成之前，请核实：
- 我是否从至少 3-5 个不同角度进行了搜索？
- 我是否已获取并完整阅读了最重要的来源？
- 我是否掌握了具体的数据、示例和专家观点？
- 我是否同时探索了积极方面以及挑战/局限性？
- 我的信息是否是最新的，并且来自权威来源？
如果任何答案为"否"，请继续研究后再生成内容。
搜索策略技巧
高效查询模式
# 使用具体上下文
❌ "AI trends"
✅ "enterprise AI adoption trends 2024"
# 包含权威来源提示
"[话题] research paper"
"[话题] McKinsey report"
"[话题] industry analysis"
# 搜索特定内容类型
"[话题] case study"
"[话题] statistics"
"[话题] expert interview"
# 使用时间限定词——始终使用 <current_date> 中的实际当前年份
"[话题] 2026" # ← 替换为真实的当前年份，切勿硬编码过去的年份
"[话题] latest"
"[话题] recent developments"
时间感知
在构造任何搜索查询之前，务必检查上下文中的 <current_date>。
<current_date> 提供完整的日期信息：年、月、日、星期几（例如 2026-02-28, Saturday）。根据用户的提问选择合适的精确度：
| 用户意图 | 所需时间精度 | 查询示例 |
|---|---|---|
| "今天 / 今早 / 刚发布的" | 月 + 日 | "tech news February 28 2026" |
| "这周" | 周范围 | "technology releases week of Feb 24 2026" |
| "最近 / 最新 / 新的" | 月份 | "AI breakthroughs February 2026" |
| "今年 / 趋势" | 年份 | "software trends 2026" |
规则：
- 当用户询问"今天"或"刚发布"时，在搜索查询中使用月 + 日 + 年以获取当天的结果
- 当需要日级别精度时，切勿降级到仅使用年份——
"tech news 2026"不会显示今天的新闻 - 尝试多种措辞：数字形式（
2026-02-28）、文字形式（February 28 2026）以及相对词（today、this week），分布在不同的查询中
❌ 用户问"今天科技界有什么新动态" → 搜索 "new technology 2026" → 错过今天的新闻
✅ 用户问"今天科技界有什么新动态" → 搜索 "new technology February 28 2026" + "tech news today Feb 28" → 获取今天的结果
何时使用 web_fetch
在以下情况下使用 web_fetch 阅读完整内容：
- 搜索结果看起来高度相关且权威
- 你需要超出摘要范围的详细信息
- 来源包含数据、案例研究或专家分析
- 你想了解某个发现的完整背景
迭代优化
研究是一个迭代过程。初步搜索后：
- 回顾已学到的内容
- 识别理解上的空白
- 制定新的、更精准的查询
- 重复上述步骤，直到获得全面覆盖
质量标准
当你能够自信地回答以下问题时，你的研究就足够充分了：
- 关键事实和数据点是什么？
- 2-3 个具体的真实世界示例是什么？
- 专家对此话题有何看法？
- 当前的趋势和未来方向是什么？
- 挑战或局限性是什么？
- 是什么让这个话题现在具有相关性或重要性？
常见错误
- ❌ 搜索 1-2 次后就停止
- ❌ 依赖搜索摘要而不阅读完整来源
- ❌ 只搜索多面话题的某一个方面
- ❌ 忽略矛盾的观点或挑战
- ❌ 在有当前数据的情况下使用过时信息
- ❌ 在研究完成之前就开始生成内容
输出
完成研究后，你应该具备：
- 从多个角度对话题的全面理解
- 具体的事实、数据点和统计数据
- 真实世界的示例和案例研究
- 专家观点和权威来源
- 当前趋势和相关背景
只有在此时才进行内容生成，利用收集到的信息创建高质量、信息充分的内容。