Deep Research Forge

Turn messy topics into evidence-led deep research

这是一个面向 方法论驱动研究 / 深度研究 / 竞品分析 / 概念溯源 / 决策简报 / 多 Agent 并行研究 的 skill。

它先建立研究问题和证据账本，再沿时间追踪来路、在当下截面比较同类，并把因果机制、反事实和未来剧本整理成可复用、可更新、可转交的研究资产。

核心原则：方法论决定研究路径，模板只是最后的承载形状。不要先套模板再找内容。

核心边界

• 负责：
  • 产品、公司、人物、概念、技术、赛道、文化现象的深度研究
  • 时间轴溯源、竞争截面、同类比较、因果机制、未来剧本
  • 证据账本、来源分级、事实/推测/判断分离
  • 方法论路由、动态输出组合、可插拔研究模块
  • 来源策略、矛盾证据处理、置信度、反转条件和监控清单
  • 政策、标准、考试和认证研究中的正式状态层级判断
  • 复杂课题的多 Agent 并行拆解、角色分工、证据合并与冲突复核
  • 输出研究报告、决策简报、竞品矩阵、学习路线或资料包
  • 对真实调研输出做反向评估、质量评分和 ship / revise / rerun 判断
• 不负责：
  • 简单名词解释
  • 没有证据支撑的观点包装
  • 纯公众号成稿
  • 只做网页摘要或资料搬运
  • 替用户作出医疗、法律、金融等高风险最终决定

如果用户只问“XX 是什么”，先给简明解释；只有上下文暗示要系统摸清来龙去脉、竞争位置或行动判断时，才进入本 skill。

使用场景

• 用户要研究一个新产品、公司、开源项目、技术范式或创业赛道。
• 用户要判断一个机会是否值得投入、学习、跟进、购买或对标。
• 用户要做竞品分析，但不想只得到参数表。
• 用户要知道某个人、组织、概念“怎么一步步走到今天”。
• 用户已经有一堆资料，希望整理成结构化报告或决策简报。
• 用户明确要求“多 agent”“并行研究”“分头查证”“research swarm”，或课题天然可拆成来源、时间线、竞品、用户信号、反方证据等互不阻塞的工作流。
• 用户说“横纵分析”“deep research”“帮我摸清楚”“研究一下这个来头”。
• 用户问“这次实测效果如何”“这份调研哪里还不够”“继续怎么优化”。

运行路由

先选本轮主模式，只交一个主产物：

• research-orientation
  • 研究对象还模糊，先锁研究问题、对象类型、范围、输出形态。
• evidence-first-deep-dive
  • 需要完整研究，先建证据账本，再做时间轴、截面对比和交叉洞察。
• competitive-snapshot
  • 用户重点问竞品、同类、替代方案、生态位。
• decision-brief
  • 用户要 go / hold / no-go、买不买、学不学、投不投入。
• concept-lineage
  • 用户研究概念、理论、技术范式或文化现象，重点看源流、争论、学派分叉、机制拐点和当前用法漂移。
• research-update
  • 用户已有旧报告，要补最新事实、修正判断、更新来源。
• research-asset-pack
  • 用户要可复用资料包、来源地图、证据账本、后续写作或交接用研究底座。
• parallel-research-sprint
  • 研究面很宽、时间敏感或用户明确要求多 Agent 并行；由一个 lead integrator 拆分并行子任务，通过 Researcher/Evidence-Verifier 对抗循环验证证据质量，Conflict Arbiter 系统化解决证据冲突，最后合并为可追溯的研究结论。使用 multi-agent-protocol.md 确保每个研究子任务都有明确的质量门禁、重试机制和状态追踪。
• research-retrospective
  • 用户要求评估一次真实调研表现；按研究问题、方法栈、证据强度、深度、反方证据、行动性和动态组合质量做诊断，不直接重写报告。

详细路由索引和 Token 预算见 references/reference-routing-index.md。

工作流程

1. 锁研究问题

先把任务压成一句研究问题：

• 我到底要弄清楚什么？
• 最后要支持什么动作或判断？
• 时间范围、地域、行业、对比对象有没有边界？

信息不足时，不要长篇追问。先给一个默认研究框架，并列出会影响结论的缺口。

2. 选择方法论组合

先按 references/research-methodology-atlas.md 和 references/methodology-routing-index.md 选择 method stack。

常见方法包括：

• evidence-triangulation
• claim-citation-audit
• historical-lineage
• paradigm-analysis
• competitive-analysis
• jtbd-user-choice
• ecosystem-mapping
• literature-review
• osint-due-diligence
• user-signal-analysis
• causal-mechanism-analysis
• red-team-dissent
• scenario-planning
• decision-analysis
• monitoring-design
• benchmark-analysis
• formal-status-analysis
• research-quality-audit
• report-quality-scoring

方法栈决定要使用哪些输出模块；模板只作为基础骨架。

3. 判断是否需要并行执行

只有当并行能缩短研究路径或增加独立验证时，才启用 references/multi-agent-protocol.md。

⚠️ 多 Agent 实际调用执行指南： references/multi-agent-protocol.md §五~六 必读： 包含真正的多 Agent 并行调用指令。不要用"你现在扮演 X 角色"模拟，而是用独立 Agent 实例并行执行。每个 Research Agent 有独立的研究任务、证据账本和输出报告。

默认并行角色包括：

• lead-integrator：锁研究问题、拆任务、合并证据、输出最终判断。
• source-scout：找原始来源、二级来源关系和证据缺口。
• timeline-analyst：梳理起源、阶段变化和路径依赖。
• competitive-analyst：识别竞品、替代方案和用户选择逻辑。
• dissent-reviewer：寻找反方证据、冲突来源和会推翻结论的条件。
• decision-analyst：当用户要行动建议时，套用决策口径与监控阈值。

关键执行要求：

• 每个研究角色必须是独立 Agent 调用，不是单 Agent 模拟
• 每个 Agent 有独立的 Prompt、独立的上下文窗口
• 所有证据账本条目必须有 evidence_id 和 lane_id
• Lead Integrator 负责证据去重、冲突解决和最终合成

4. 建证据账本

凡涉及最新事实、价格、融资、版本、人物职位、政策、市场份额、产品能力、用户口碑、论文进展，都要先核实。

先按 references/source-strategy.md 选择来源组合：优先找原始材料和能互相独立验证的来源，再用社区信号补充真实使用体验。不要把同一条二手消息的多次转载当成多方确认。

关键结论按 references/claim-citation-protocol.md 做 claim-level traceability：官方状态、时间敏感事实、行动建议、风险判断和反转条件必须能回指到证据 ID；证据不足时降置信度或改成复核步骤。

政策、标准、考试、认证和官方项目按 references/formal-adoption-status-protocol.md 先判定正式状态：区分已生效、已适用、已采用但未适用、政治协议、草案指南、征询文件、志愿代码、试点和机构规则。不要把“官方发布”直接等同于“已经普遍适用”。

证据账本至少区分：

• confirmed_fact：来源可靠、可复核的事实
• reported_claim：媒体、访谈、社区或第三方声称
• user_signal：用户评论、issue、论坛、社媒反馈
• inference：基于事实推出的判断
• gap：暂缺或互相矛盾的信息

账本格式以 references/evidence-ledger.schema.json 为准。

5. 做三轴分析

默认使用三轴：

• 时间轴
  • 起源、关键节点、阶段变化、路径依赖、错过的岔路口。
• 截面轴
  • 同类对象、竞品、替代方案、用户选择理由、生态位。
• 机制轴
  • 哪些历史选择塑造了当前优势和短板，哪些外部变量可能改变剧本。

研究不是年表加表格。时间轴要讲清因果，截面轴要讲清真实选择，机制轴要给出可争辩但有证据支撑的判断。

6. 动态组合输出形态

按用户目标选择最小有效产物：

• 需要快速搞懂：research-brief
• 需要完整沉淀：deep-research-report
• 需要行动判断：decision-brief
• 需要横向比较：competitive-map
• 需要发展历程：concept-lineage-timeline
• 需要后续复用：research-asset-pack
• 需要并行执行记录：parallel-research-plan 或在主产物附上 parallel execution summary

选择规则见 references/output-routing-index.md。动态组合规则见 references/dynamic-output-composer.md，可插拔模块见 assets/output-blocks/。

7. 质量门禁

交付前检查：

• 关键事实有没有来源，是否标注访问时间或信息时间点。
• 关键结论有没有证据 ID，是否能追溯到来源标题、URL、发布时间、访问时间和可靠性。
• 官方状态有没有分清法律效力、适用日期、草案/政治协议/试点/机构规则。
• 方法论组合是否匹配用户问题，而不是直接套固定模板。
• 事实、推测、判断有没有分开。
• 有没有遗漏主要竞品、替代方案或反方证据。
• 纵向分析是不是解释了“为什么这样演化”，而不是只列日期。
• 横向分析是不是解释了“用户为什么会选它/放弃它”，而不是参数堆砌。
• 最终判断有没有给出置信度、证据缺口和可能被推翻的条件。
• 行动建议有没有给出最小下一步、监控指标和反方证据。
• 并行执行有没有清楚说明任务分工、独立证据、冲突处理和 lead integrator 的合并依据。
• 复杂或高风险输出有没有按质量评分决定 ship / revise / rerun。

8. 反向评估

当用户要求评估真实任务表现时，使用 references/research-retrospective-protocol.md：

• 先给总评分和一句原因。
• 再按问题贴合、方法贴合、证据强度、机制深度、反方与缺口、行动性、组合质量打分。
• 使用 references/report-quality-rubric.json 判断 ship / revise / rerun。
• 最后判断下一步应改执行、规则、资产还是 eval。

输出模板

输出分两级：最小输出和完整输出。根据路由和用户需求选择，不要对简单请求输出完整模板。

最小输出（适用于 research-orientation、research-update、research-retrospective）

• 研究问题
  • 本轮到底要回答什么。
• 一句话结论
  • 先给当前最重要判断，标注置信度。
• 证据底座
  • 关键来源、事实、争议信息和缺口。
• 下一步
  • 最小下一步行动或监控建议。

完整输出（适用于 evidence-first-deep-dive、competitive-snapshot、decision-brief、concept-lineage、parallel-research-sprint）

在最小输出基础上，根据方法论组合按需追加：

• 并行执行摘要
  • 如启用多 Agent，列出角色分工、各自结论、冲突、合并决策。
• 时间轴
  • 它如何一步步变成今天这样。
• 截面轴
  • 它在当下和谁竞争、被谁替代、用户为什么选择。
• 机制洞察
  • 历史如何塑造今天，今天的格局如何限制未来。
• 未来剧本
  • 最可能、最危险、最乐观三个剧本。
• 行动建议
  • 学习、购买、投资、对标、观望或继续研究的下一步。
• 反转条件
  • 哪些新事实会推翻当前判断，接下来应该监控什么。

切换规则：如果用户只问"XX 是什么"或只要快速搞懂，用最小输出。如果用户要系统研究、竞品分析、决策判断或完整沉淀，用完整输出。不确定时默认最小输出并询问是否需要深入。

输出质量参考 assets/few-shot-examples.md 中的正面和反面示例。