meta-deep-research

由 model-distillation 从教师技能 deep-research 蒸馏并增强的超越型元技能。 蒸馏其「大纲 -> 并行深度搜索 -> 报告」三阶段人机协作调研流程，叠加自验证、 自我反思、super-agent 编排与持续自进化闭环，输出更可靠可追溯、逐步超越教师。

meta-deep-research（蒸馏超越型元技能）

由 model-distillation 从教师技能 deep-research 蒸馏并增强生成。 蒸馏机制：跨模型蒸馏（见 meta-evolver 北极星策略「主动与其他大模型对话、蒸馏、逐步超越」）。

来源能力签名（教师 deep-research）

• 定位：基于 Deep-Research-skills 项目的人机协作结构化调研能力。
• 核心命令：/research <topic>（生成 outline.yaml+fields.yaml）→ /research-deep（并行 web-search-agent 逐项搜索，写入 results/）→ /research-report（汇总 report.md）；另有 /research-add-items、/research-add-fields 追加。
• 适用：学术综述 / Benchmark 对比 / 技术选型 / 竞品市场分析 / 尽职调查。
• 输出结构：{topic}/outline.yaml、fields.yaml、results/item_N.yaml、report.md。

蒸馏出的真实工作流（继承 + 强化）

1. 大纲阶段 /research：把调研主题拆成 items（调研对象）与 fields（字段定义），产出 outline.yaml+fields.yaml，请用户确认/修改后再继续。
2. 深度阶段 /research-deep：对每个 item 并行发起 web-search-agent，按 fields 收集结构化数据，落盘 results/item_N.yaml。
3. 报告阶段 /research-report：汇总所有 results 为 Markdown report.md，覆盖每个 field、标注来源与不确定性。

增强点（超越教师）

1. 可靠自验证：大纲生成后用 reason-verify 校验 items/fields 自洽与覆盖度；每个 results 落盘前做事实锚定（来源可追溯），reliability<0.8 即回退重做该 item。
2. 自我反思闭环：每段调研结束后写入 self-reflection-loop，沉淀"哪些检索策略失败 / 哪些领域信息稀缺"，反哺下次大纲拆分。
3. 整合进 super-agent：作为节点接入「感知→规划→执行→自验证→反思→记忆」超级智能体闭环，可被 long-horizon-planner 编排为长程调研任务。
4. 对抗验证蒸馏质量：对"并行搜索是否漏检关键反方信息"做反例测试，防止只搜到支撑性证据（确认偏误）。
5. 持续自进化：注入 learner，纳入 meta-evolver 的 sense/plan/record 闭环，跨会话越用越强。

教师 vs 学生 对比

维度	教师(deep-research)	学生(meta-deep-research)
能力来源	原始 SKILL.md（2612 字符，薄包装）	蒸馏提取真实三阶段流程 + 元进化增强
工作流	大纲→深度→报告（无自验证钩子）	同流程 + 自验证钩子 + 反思步 + 反确认偏误
失败防护	未显式标注	显式 limits + 对抗验证（漏检反方）
自进化	无	强制注入 learner，纳入 meta-evolver 闭环
集成	单点命令	接入 super-agent 感知→规划→执行→自验证→反思→记忆闭环

使用

直接调用本技能完成深度调研任务；本技能在教师能力之上叠加自验证、反确认偏误与反思，输出更可靠、可追溯、可复用。

已知限制（来自教师蒸馏 + 元进化补充）

• 教师本身为薄包装（真实子技能在各 research-* 子目录），蒸馏未覆盖其全部子代理策略，深度使用需对照原技能核验。
• 依赖 WebSearch 能力；联网受限时并行搜索阶段会退化。
• 蒸馏不保证覆盖教师全部隐式知识，首次使用需对照教师原技能核验关键决策。