ClawHub

Claw Deep Research

Other

Claw Deep Research — 自动迭代深度研究。Turn your AI agent into a real research assistant with multi-phase iterative search, contradiction mining, cross-verification, and structured reports. Zero extra API keys. 触发词：/deep、深度研究、深挖。

Install

openclaw skills install claw-deep-research

Open Deep Research

拒绝表面文章。用迭代搜索 + 递归深挖，像人类研究者一样层层深入，产出真正有深度的分析报告。

这是什么

一个给 AI Agent 用的深度研究工作流。

灵感源自 dzhng/deep-research（17.8k ⭐）的广度×深度算法，并结合了 MiroMind/MiroThinker（GAIA 80.8%/BrowseComp 88.2 的 SOTA 深度研究模型）的架构思路——多轮多阶段迭代 + 交叉验证 + 矛盾驱动深挖。

与纯算法驱动的研究模型不同，本 Skill：

  • 不需要额外的 API Key — 复用 OpenClaw 已有的 web_search + web_fetch
  • 不需要额外部署 — 一份 SKILL.md，放到 skills 目录就能用
  • 模型无关 — 你用什么 LLM 就跑什么模型，当前对话的模型就是引擎

前置条件

任何正常运行且配置了 web_search 提供商的 OpenClaw 实例：

  • web_search — 已配置（MiniMax / Tavily / Brave / Perplexity / Google 均可）
  • web_fetch — 可用（默认开启）
  • 以上，没有其他依赖。

不挑搜索提供商，不挑 LLM，不挑操作系统。

核心算法：多阶段迭代研究

核心思想：不是"搜几次"的问题，而是"搜完之后怎么用"的问题。

MiroMind 的研究模型（MiroThinker-1.7，235B 参数）有三大核心特征：

  1. 交互式扩展 — 把"工具交互深度"作为独立于模型规模和上下文长度的第三维度
  2. 步进可验证推理 — 每一步生成的中间结果都经过验证，确认后再进入下一步
  3. 长链工具调用 — 单次任务支持最多 300-400 次工具调用

我们虽然不能匹配模型级别的优化，但可以通过结构化的工作流来逼近同样的效果。

五阶段流水线

阶段1: 全景扫描 ──→ 阶段2: 矛盾识别 ──→ 阶段3: 定向深挖 ──→ 阶段4: 交叉验证 ──→ 阶段5: 综合报告
  (3-5条宽搜索)      (找矛盾/盲区)      (6-10条精准搜索)    (验证关键数据)      (完整报告)

不同于传统的 breadth×depth 树形递归，这是流水线式多轮迭代——每轮结束后暂停、反思、规划下一轮，而非机械地递归。

执行模式

提供两种执行模式，根据环境和用户偏好选择：

模式 A：内联执行（默认，首次使用建议）

在当前会话中逐步执行各阶段，用户实时看到进展。

  • 优点：透明，可随时打断追问
  • 缺点：会话时间长，深度研究时可能被其他消息中断
  • 适用场景：话题明确、范围中等、首次体验 skill

模式 B：子 Agent 执行（推荐，有并发模型能力时）

使用 sessions_spawn 创建专用的研究子 Agent，让研究在后台异步执行。

什么时候用：

  • 当前 OpenClaw 实例有可用的子 Agent 并发能力
  • 研究深度为「深入」或「极致」（即预计研究时间较长）
  • 用户没有要求实时查看进展

执行流程：

当前会话                   子 Agent（后台研究）
   │                           │
   ├─ sessions_spawn ───────→  │
   │   任务：完整研究流程       │
   │   上下文：研究计划        │
   │   标签：deep-research-xxx │
   │                           ├─ 阶段1：全景扫描
   │                           ├─ 阶段2：矛盾识别
   │                           ├─ 阶段3：定向深挖
   │                           ├─ 阶段4：交叉验证
   │                           ├─ 阶段5：综合报告
   │                           │
   │   子 Agent 自动返回结果    │
   │←─────────────────────────┤
   │   收到报告，呈现给用户     │
   │                           │

子 Agent 的任务指令模板：

## 深度研究任务

研究主题：[用户问题]
研究深度：[深入/极致]

请严格按照 `claw-deep-research` 工作流执行：
1. 阶段1：全景扫描 — 先做3-5条宽搜索
2. 阶段2：矛盾识别 — 找矛盾点和盲区
3. 阶段3：定向深挖 — 针对矛盾精准搜索
4. 阶段4：交叉验证 — 关键数据多源验证
5. 阶段5：输出结构化报告

注意每轮搜索后必须暂停反思，不要机械重复。
完成后将完整报告返回。

子 Agent 执行的关键规则：

  1. sessions_spawn 时 context 设为 "isolated"（独立上下文，不继承父会话的对话历史）
  2. 给子 Agent 设置 label 为 deep-research-<话题英文缩写>，方便后续追踪
  3. 子 Agent 的任务描述要把本 SKILL.md 的工作流完整传过去（或引用 skill 名称，由子 Agent 自己加载）
  4. 子 Agent 完成任务后会自动返回结果到父会话
  5. 用户可通过 subagents list 查看研究进度

优点：

  • 当前会话不阻塞，用户可以继续做其他事
  • 长时间的研究不会被其他消息打断
  • 可以同时运行多个研究任务

执行模式选择逻辑

if 用户明确要求「先看结果」或「后台研究」:
    按用户要求选择
elif 子 Agent 并发可用 AND 研究深度 >= "深入":
    自动选择 模式B（子 Agent 执行）
    通知用户：「🔬 研究将在后台进行，完成后通知你」
else:
    选择 模式A（内联执行）

完整工作流

阶段 0：解析输入

用户触发后，提取：

  • 主题 — 研究的核心对象
  • 范围 — 关注的维度（技术/商业/政策/历史/竞品/学术……）
  • 格式偏好 — 报告/对比/时间线/列表/问答……（默认结构化报告）
  • 研究深度 — 标准/深入/极致（影响轮次数量，默认"深入"）
深度级别总搜索次数说明
标准~5-8 次1-2 轮，适合话题范围明确
深入~12-20 次3 轮（全景→深挖→验证），默认
极致~25-40 次4-5 轮，适合复杂跨界主题

输出： 研究计划（大纲 + 深度级别）

阶段 1：全景扫描

目标：快速覆盖话题的各个维度，建立全局认知地图。

  1. 根据主题生成 3-5 条独立搜索方向，覆盖不同维度
  2. 每条调用 web_search(query, count=5)
  3. 对有价值的结果条目用 web_fetch(url) 获取详细信息
  4. 从所有结果中提炼：

认知卡片（Research Cards） — 每条卡片包含：

- 方向：[命题/维度名称]
- 发现：关键信息（含具体实体、数字、日期）
- 来源：URL
- 置信度：高/中/低（数据质量评估）
- 矛盾点/异常：与该方向内其他发现不一致的地方

  1. 同时记录未覆盖维度和初步矛盾

  2. 外化研究状态 — 为防止长流程中上下文滚动丢失信息，将研究状态写为临时文件：

    • 路径：~/.openclaw/workspace/.deep-research-cache/[topic-hash]-learnings.json
    • 内容：全部认知卡片（JSON 数组）
    • 每完成一轮搜索后更新该文件
    • 下一轮开始时优先从文件恢复已有认知，避免重复搜索
    • 研究完成后清理缓存文件

阶段 2：矛盾识别与分析

这是区别于普通"搜索+总结"的关键步骤。

在完成全景扫描后，不要立刻继续搜索。先对已有材料做三件事：

① 找矛盾（Contradiction Mining）

  • 同一话题的不同来源给出了不同结论？
  • 数据和宣传不一致？
  • 时间线上的变化？

② 找盲区（Gap Detection）

  • 哪些维度完全没有覆盖到？
  • 哪些数据只有单一来源？
  • 哪些环节逻辑链不完整？

③ 定优先级（Priority Ranking）

  • 哪些矛盾/盲区对理解话题最重要？
  • 哪些方向可能只需要一次搜索就能澄清？
  • 哪些方向需要多轮深挖？

输出： 一张清晰的"剩余问题清单"，每条标注优先级

阶段 3：定向深挖

基于阶段 2 的剩余问题清单，精准打击。

特点与阶段 1 不同：

  • 搜索方向更窄、更具体（不再是大维度，而是具体问题）
  • 搜索词更精准（包含矛盾的关键词、实体名、排除词）
  • 对低置信度的认知做针对性求证
  • 每条搜索后有明晰的判断：是解决了问题？还是发现了新的矛盾？

为什么比简单的"递归减半"更好？

原版算法：breadth/2, depth-1，机械地降低宽度进入子层。 改进后：不按固定比例减半，而是根据实际发现的矛盾点数量和质量决定下一轮搜索数量和方向。

阶段 4：交叉验证

在报告初稿之前，对关键数据进行来源交叉验证。

验证规则：

  • 关键数据/数字：至少两个独立来源支持（不同媒体、不同立场）
  • 趋势判断：需要时序数据支撑（不仅说"增长"，还要说"从X到Y"）
  • 争议性结论：需要正反双方的观点
  • 单一来源的认知：标记为"待确认"，在报告中注明局限性

验证工具：

  • web_search(query, count=3) 带上原文关键词+补充关键词搜索
  • 如果多个来源一致 → 提升置信度
  • 如果来源矛盾 → 记录为争议点，报告中呈现双方观点
  • 如果找不到第二个来源 → 报告中标注"仅单一来源"

阶段 5：生成报告

基于全部认知卡片，生成结构化报告：

# [主题] — 深度研究报告

## 摘要
300-500 字综述，涵盖所有关键发现和结论

## 研究范围与方法
- 搜索轮次、搜索量、覆盖维度说明
- 置信度说明（哪些数据经过交叉验证，哪些仅单一来源）

## 核心发现
### 子主题一（置信度：高）
发现 + 数据 + 分析 + 来源标注

### 子主题二（置信度：中）
发现 + 数据 + 分析 + 来源标注
...

## 矛盾与争议
呈现研究过程中发现的数据矛盾或观点分歧

## 综合洞察
跨维度的趋势判断、矛盾点分析、独特见解

## 局限性
- 研究范围的限制
- 未充分覆盖的维度
- 不确定性较高的结论

## 来源
- [标题](url)
- [标题](url)
...

报告产出格式： Markdown

研究记忆

如果用户对同一个话题再次发起深度研究，自动检查上次的研究成果：

  1. 使用 memory_search 搜索当前话题相关的历史记录
  2. 如果找到之前同一话题的研究报告，在开始时提示用户： 「📂 发现该话题的历史研究报告（[日期]），需要在此基础上继续深挖，还是重新开始？」
  3. 如果用户选择继续深挖，把上次的研究认知卡片作为阶段1的输入起点
  4. 标记新增和更新的发现，最终报告中标注「本次新增 vs 上次已有」

自适应参数

不再使用固定的 breadth 和 depth 数值，而是根据话题特征动态调整：

话题特征阶段1扫描阶段3深挖总搜索量
窄话题：如「某公司季度营收」3条（覆盖业绩/对比/原因）3-5条（验证关键数字）~8次
中等话题：如「新能源汽车竞争」4条（技术/市场/政策/玩家）6-8条（深挖矛盾/争议）~15次
宽话题：如「Token出海生态」5条（多维度覆盖）8-12条（多个矛盾点深挖）~20次
学术/争议性话题4条（不同立场）10-15条（多角度验证）~20次

交互反馈

根据执行模式，呈现方式不同：

模式A（内联执行）— 实时进展

  1. 起步 → 「🔬 开始深度研究：[主题]，覆盖 5 个维度，预计搜索 15-20 次」
  2. 阶段1完成 → 「📊 全景扫描完成，获取 N 条认知，发现 M 处矛盾/盲区」
  3. 阶段2完成 → 「🎯 矛盾分析完成，锁定 P 个关键问题需深挖」
  4. 阶段3完成 → 「⛏ 定向深挖完成，补充获取 Q 条新认知」
  5. 阶段4完成 → 「✅ 交叉验证完成，R 个关键数据已验证，S 个标记为单一来源」
  6. 完成 → 交付报告（见下方「交付规则」）

模式B（子Agent执行）— 一次性交付

  1. 启动 → 「🔬 已启动后台深度研究：[主题]，预计研究时间 3-5 分钟，完成后自动通知你」
  2. 完成 → 子 Agent 返回完整报告
  3. 交付 → 按下方「交付规则」处理
  4. 用户可通过 subagents list 查看活跃的研究任务

交付规则

总原则：聊天窗口只给摘要，完整报告存到文件。

对话场景（尤其是微信、Telegram 等 IM 渠道）的长文本阅读体验差，因此无论哪种执行模式，报告交付方式统一如下：

第一步：发送简短摘要

在聊天窗口中仅发送：

🔬 [主题] — 深度研究报告

📊 覆盖 N 个维度，搜索 M 次，获取 X 条认知

核心发现：
• 要点一
• 要点二
• 要点三

关键结论：一句话总结

📁 完整报告已保存至：[文件路径]

摘要要点：

  • 研究覆盖范围（几个维度、几次搜索）
  • 3-5 个最重要的发现
  • 一个关键结论
  • 文件保存位置
  • 不超过 15 行（适配手机屏幕）

第二步：保存完整报告

完整报告写入本地文件。

保存规则（含降级）：

  1. 优先保存到用户桌面。Agent 自动根据运行平台选择正确路径：
    • macOS / Linux → ~/Desktop/
    • Windows → %USERPROFILE%\Desktop
  2. 如果桌面路径不可写（权限不足/不存在）→ 降级到 ~/.openclaw/workspace/
  3. 如果工作区也不可写 → 降级到系统临时目录 /tmp/
  4. 如果全都不可写 → 报告摘要中直接附上完整报告内容
  • 如果用户此前指定过路径，用上次的路径
  • 文件名不超过 50 字符，去除特殊符号

第三步：主动告知位置

摘要末尾标注文件路径，用户知道去哪打开。

特殊场景

  • 渠道字符限制极短（如短信）→ 仅发「🔬 [主题] 研究完成，报告已存桌面」
  • 无法写文件（如云端 sandbox）→ 摘要中附带完整报告

触发规则

显式触发

  • /deep <topic>
  • /deep research <topic>

隐式触发

  • 「帮我深度研究一下 X」
  • 「深度调研 X」
  • 「深挖一下 X」
  • 「出一份关于 X 的研究报告」
  • 「做个关于 X 的深度分析」

不触发场景

  • 随手查事实：「帮我查一下 X」
  • 简单问答：「X 是什么」
  • 单次搜索请求：「搜一下 X」

无障碍适配

  • 中文用户 → 中文搜索词、中文报告
  • 英文用户 → 英文搜索词、英文报告
  • 混合输入 → 按用户输入语言自动适配

常见反模式

❌ 反模式✅ 正确做法
一次性搜很多方向但不反思每轮结束必须做矛盾/盲区分析
忽略矛盾数据矛盾是最有价值的研究方向
报告只列点没有分析每个子主题必须有「洞察」段落
不验证关键数据核心数字至少两个来源交叉验证
隐瞒不确定性在报告中明确标注置信度
机械递归 breadth/2根据实际发现的矛盾数量决定下一轮搜索量
遇到失败直接停掉整个流程跳过失败分支，其他分支继续执行
觉得搜够了就开始写报告完成所有阶段后再动笔

研究质量检查清单

最终交付前自检：

  • 每个维度是否有至少两个独立来源？
  • 关键数字是否标注了来源？
  • 矛盾/争议是否在报告中呈现？
  • 不确定性是否已标注置信度？
  • 研究范围和方法是否有说明？
  • 是否有"综合洞察"而非简单罗列？
  • 无明显的事实性错误
  • 来源列表完整可追溯