deep-research深度调研/对比分析/研究报告：多轮检索 + 数据缺口回填 + 图表可视化 + 决策导向报告；也支持大规模多对象结构化调研（outline.yaml 拆解 + 断点续传 + 并行后台 agent + JSON 字段校验），后者来自 workbuddy 生态的 Deep-Research-skills
Independent GitHub snapshot · Automated classification · Original documentation governs
name: deep-research description: "深度调研/对比分析/研究报告：多轮检索 + 数据缺口回填 + 图表可视化 + 决策导向报告；也支持大规模多对象结构化调研（outline.yaml 拆解 + 断点续传 + 并行后台 agent + JSON 字段校验），后者来自 workbuddy 生态的 Deep-Research-skills" version: 1.2.0 author: Hermes Agent license: MIT trigger:
把调研做成能帮人做决策的报告，不是资料堆砌。读者看完知道选什么、为什么。
收到调研请求后，先识别类型再选策略：
| 类型 | 特征 | 策略 |
|---|---|---|
| 对比决策 | "X vs Y"、"哪个好"、"选哪个" | 走完整对比模板（速览表 + 决策矩阵） |
| 单主题深挖 | "调研 X 方案"、"X 怎么做" | 跳过对比速览，改为：现状→方案→优劣→建议 |
| 多候选选型 | 3+ 候选对象 | 对比速览扩展为多列，决策矩阵保留 |
维度确认：如果用户指定了维度（"从性能和价格两方面"），只深挖这些维度；未指定则由广度扫描自动发现。
附带材料：用户给了文档/链接作为输入时，先提取其中的关键信息作为调研起点，减少重复搜索已知内容。
本 skill 命中时，agent.md「搜索收敛原则」由下列数据清单替代——按清单逐项补全，不受 2-3 次限制。
渐进交付：调研过程中保持用户可感知的进度：
宽泛关键词勾勒全貌（如"X vs Y 对比"、"X 参数 性能 价格"）。目标：列出对比维度清单。
每个维度抓官方/权威原始页面，不要只看二手博客：
搜索策略：
矛盾数据处理：来源间数据冲突时——①标注冲突（"A 称 X，B 称 Y"）②采信优先级：官方文档 > 权威榜单 > 第三方实测 > 媒体报道
对照下方清单逐项检查，每项都要有数据，或标注"经 ≥3 处来源核实确未公开"：
根据输入识别的类型选模板。所有模板共享原则：决策优先 + 数据可视 + 来源可溯。
# {标题}
## 执行摘要（3-5 句，决策导向）
结论先行：推荐什么、关键数据**加粗**、点出 1 个反直觉发现。
## 对比速览（1 张表，全维度）
| 维度 | A | B | 差异 |
覆盖：参数/上下文/定价/开源/多模态/发布时间
## 关键维度深挖（每节配图表 + 内联引用）
### 定价与成本
- 价格表 + generate_chart(horizontalBar)
- ≥1 个成本场景计算（如 100K 输入 + 30K 输出总成本）
### 性能
- benchmark 表 + generate_chart(bar)
### 其他关键差异（按主题选）
## 选型决策矩阵
| 场景 | 推荐 | 理由 |（覆盖 5-8 个典型场景）
## 一句话结论
# {主题} 调研报告
## 执行摘要（3-5 句）
核心结论 + 关键数据 + 1 个意外发现或常见误区。
## 现状与背景
当前主流方案/做法是什么，痛点在哪。
## 方案梳理（每个方案配数据）
### 方案 1: {名称}
原理、适用场景、关键指标、局限性。
### 方案 2: {名称}
...
## 关键数据（配图表）
量化对比或趋势数据 + generate_chart
## 实践建议
| 场景 | 推荐方案 | 理由 |
## 一句话结论
用 generate_chart 工具，数据来自调研结果（不要编造）：
horizontalBar（便宜的在上方直观）bar（多系列分组）barline每个量化数据后标来源，格式：¥1/百万token `https://...` 或 [来源](url)。
web_search 返回卡片的 url 就是引用源，不要丢弃。
完整 annotated 示例见 references/report-template.md（用 skill_read 查阅）。
来源：本模式融合自 workbuddy 生态的 Deep-Research-skills（homepage:
https://github.com/Weizhena/Deep-Research-skills），MIT 许可。与上面的「决策导向报告」互补：决策导向适合「X vs Y / 选哪个」这类给结论的报告；结构化调研适合「需要系统性盘点 N 个对象、每个对象按统一字段收集」的横向调研（学术综述、benchmark 对比、技术选型横评、竞品盘点）。
当调研对象是多个并列实体、且每个都要按同一套字段收集数据时，用结构化流水线。典型：盘点 10 个 Agent 框架、对比 8 个向量库、综述某方向 20 篇论文、横向评估 5 家云厂商。
对象 ≤2 个、只要一个结论 → 走上面的决策导向模式，不要用本模式（重了）。
Step 1 拆解：把话题拆成 items（调研对象）+ fields（统一字段），写入 outline.yaml / fields.yaml
Step 2 确认：展示 outline 给用户，确认 items 是否增减、字段是否齐全、并行度
Step 3 深挖：每个 item 一个后台调研任务（background_task 并行），逐字段收集数据，产出 <item>.json
Step 4 汇总：读全部 JSON，按 fields.yaml 结构汇总成 report.md
基于已有知识列出：
写入两个文件（模板见 references/structured-outline-template.yaml 和 references/structured-fields-template.yaml，用 skill_read 查阅）：
outline.yaml：
topic: 调研主题
items:
- name: 对象A
category: 分类
description: 一句话说明为什么纳入
execution:
batch_size: 3 # 每批并行调研几个对象
items_per_agent: 1 # 每个后台任务负责几个对象
output_dir: ./results
fields.yaml：
field_categories:
- category: 基本信息
fields:
- name: release_date
description: 发布日期
required: true
detail_level: 简要
把生成的 outline.yaml / fields.yaml 展示给用户，用 AskUserQuestion 确认：
每个 item 发起一个 background_task，prompt 里写明：调研对象、要读的 fields.yaml 路径、输出 <item_slug>.json 路径、字段值中文、不确定标 [不确定] 并进 uncertain 数组。
断点续传：results/ 下已存在的 .json 视为已完成，跳过；中断后重跑只补缺的 item。一批跑完、用户同意后再起下一批。
每个后台任务产出 JSON 后，用 scripts/validate_json.py 校验字段覆盖率：
python <skill_dir>/scripts/validate_json.py -f <topic>/fields.yaml -j <results>/<item>.json
必填字段缺失（coverage < 100% 或 missing_required 非空）即视为失败，需补调研重跑。
读全部 <item>.json，按 fields.yaml 的 field_categories 结构汇总为 report.md：
[不确定] 的字段跳过或标注"未确认"scripts/validate_json.py — 校验 JSON 是否覆盖 fields.yaml 全部必填字段（用法见上）references/structured-outline-template.yaml — outline.yaml 模板references/structured-fields-template.yaml — fields.yaml 模板（含常用字段分类，可扩展）references/structured-workflow.md（用 skill_read 查阅）