深度研究技能包（Deep Research Skills）
为 Claude Code / OpenCode / Codex 设计的结构化深度研究技能，通过人类参与的流程在每一阶段实现精确控制。
证据显示：README 强调 human-in-the-loop 设计，要求用户确认（default_mode_request_user_input = true），但未提供权限最小化细节，如技能文件是否请求不必要的权限。数据流透明度不足，未说明收集的数据类型和去向。未提及敏感数据处理。依赖仅 pyyaml，但未提供版本锁定或安全审计。外部影响包括修改配置文件、安装 agent，但未说明回滚机制。来源归属仅提及灵感来源论文，未提供内部引用。扣分原因：缺少权限最小化、敏感数据处理、回滚和详细数据流说明。
证据显示：README 和测试文件在安装步骤和配置上基本一致，但未提供错误处理或失败消息。依赖 pyyaml 未指定版本，可用性未验证。扣分原因：缺少失败消息和依赖版本锁定。
证据显示：明确列出多种使用场景（学术、技术、市场、尽职调查），并支持多种环境（Claude Code、OpenCode、Codex）。能力边界未明确说明，但触发命令清晰。环境适配良好，提供不同平台的安装说明。扣分原因：能力边界描述不足。
证据显示：README 结构清晰，安装说明详细，命令命名稳定，提供示例和 FAQ 部分。已知限制未明确列出。MIT 许可证存在。无版本号或变更日志。维护责任未明确。扣分原因：缺少版本控制、变更日志和明确的维护责任。
证据显示：输出为 markdown 报告，可用性高。边际价值在于自动化研究流程，但成本效益未量化。扣分原因：未提供成本效益分析。
证据显示：README 引用论文，但未提供内部引用或交叉验证。事实与推断未明确分离。扣分原因：缺乏可追溯性和交叉验证。
- 未提供权限最小化细节，技能可能请求不必要的权限。
- 未说明数据流和敏感数据处理，可能涉及隐私风险。
- 依赖未锁定版本，存在供应链风险。
- 无回滚机制，安装后难以撤销。
- 无版本号和变更日志，维护和更新不透明。
这个 Agent 能做什么，适合哪些场景？
Deep Research Skills 是一个面向 Claude Code、OpenCode 和 Codex 的结构化研究技能集，灵感来自论文 RhinoInsight。它采用两阶段研究流程：先生成可扩展的研究大纲，再进行深度调查。技能包包含了多个 SKILL 文件（如 research、research-add-items、research-add-fields、research-deep、research-report），以及用于网络搜索的 agent 和辅助模块。它支持 human-in-the-loop 设计，用户可以在生成大纲后添加或调整研究项和字段，最后生成包含目录的 Markdown 报告。安装需要将对应平台的技能文件夹复制到配置目录，并安装 Python 依赖 pyyaml。
该技能包为 Claude Code、OpenCode 和 Codex 提供了一组命令驱动的技能。用户通过 /research 命令生成研究大纲，大纲包含研究项和字段定义；通过 /research-add-items 和 /research-add-fields 扩展大纲；通过 /research-deep 启动深度研究，让 AI 自动逐个搜索每个研究项；最后通过 /research-report 将 JSON 结果转换为带目录的 Markdown 报告。它依赖网络搜索 agent（如 web-search-agent 或 web-researcher），在 Codex 中还需要配置 multi_agent 和 web_researcher agent。整个流程需要 shell 环境、网络访问和文件系统权限，并安装 pyyaml。
- 学术研究人员进行论文综述、基准评测或文献分析时，需要结构化的大纲和深度信息收集。
- 技术选型时，工程师需要对比多种技术或框架，收集各方案的详细特性。
- 市场分析师研究竞争对手或行业趋势，需要从多个来源收集信息。
- 投资或尽职调查人员评估公司或项目时，需要系统性地收集并整理信息。
这个 Agent 有哪些优点和局限？
- 采用 human-in-the-loop 设计，用户可在每个阶段干预，确保研究方向和范围可控。
- 支持多平台（Claude Code、OpenCode、Codex），覆盖主流编码助手。
- 提供两阶段流程（大纲生成 + 深度研究），结构清晰，且大纲可扩展。
- 最终输出为带目录的 Markdown 报告，便于阅读和分享。
- 安装步骤较繁琐，需手动复制文件并配置各平台的 agent 和技能目录。
- OpenCode 必须设置 OPENCODE_ENABLE_EXA=1 才能使用完整网络搜索，否则只能使用较弱的功能。
- Codex 需要修改 config.toml 并启用 multi_agent 和 web_researcher agent，配置门槛较高。
- 依赖 pyyaml，需额外安装 Python 包。
如何安装或部署这个 Agent？
首先克隆仓库：git clone https://github.com/Weizhena/deep-research-skills.git。对于 Claude Code，复制 skills/research-en 或 research-zh 到 ~/.claude/skills/，复制 agents/web-search-agent.md 和 agents/web-search-modules 到 ~/.claude/agents/，并安装 pyyaml。对于 OpenCode，需要设置环境变量 OPENCODE_ENABLE_EXA=1（可写入 ~/.bashrc），复制 skills 到 ~/.claude/skills/（或 research-zh），复制 agents/web-search-opencode.md 和 modules 到 ~/.config/opencode/agents/。对于 Codex，创建目录并复制 skills 到 ~/.codex/skills/，复制 agents-codex/web-researcher.toml 和 web-search-modules 到 ~/.codex/agents/，然后修改 ~/.codex/config.toml 添加 agent 配置（或运行 scripts/install-codex.sh）。
如何使用这个 Agent？
安装后，在 Claude Code 2.1.0+ 中可直接使用 /research 命令触发，例如：/research AI Agent Demo 2025。生成大纲后，可使用 /research-add-items 和 /research-add-fields 调整。然后运行 /research-deep 进行深度研究，最后运行 /research-report 生成报告。旧版 Claude Code 需使用 run /research 格式。在 Codex 中，可通过 /skills 列表选择技能，或直接用自然语言如 "Use the research skill to build an outline for AI Agent Demo 2025"。
这个 Agent 与同类方案有什么区别？
该技能集受 RhinoInsight 启发，但没有明确点名其他替代品。