做深度调研时，你是不是也遇到过这样的问题：AI Agent 搜出来的东西要么太浅、要么跑偏，好不容易搜完了，结果还是散的，得自己手动整理半天。更烦的是，整个过程你基本只能干等，想中途调整方向都插不上手。

Deep Research Skills 就是来解决这些痛点的。它不是一个独立应用，而是一套安装到 Claude Code、OpenCode、Codex 里的技能文件（skill），把深度调研拆成”生成大纲 → 逐项深挖 → 汇总报告”三个阶段，每个阶段你都能介入调整，而不是当甩手掌柜。

Deep Research Skills 是什么？ 由 Weizhena 开发的开源结构化调研技能（MIT 许可证），灵感来自论文 RhinoInsight，通过两阶段调研流程（outline 生成 + 深度调查）和人在回路设计，让 AI Agent 在 Claude Code、OpenCode、Codex 中执行高质量的系统化调研。支持并行 Agent 深挖每个调研项，自动验证数据完整性，最终生成带目录的 Markdown 报告。

关键数据：

• 🌟 GitHub Stars: 1,274+（仓库链接）
• 📦 当前版本：master 分支持续更新
• ⚖️ 许可证：MIT License
• 🧠 核心特性：两阶段结构化调研（outline + deep research），人在回路控制
• 📦 核心特性：支持 Claude Code / OpenCode / Codex 三平台，中英双语技能文件
• 🔬 学术背景：灵感来自 RhinoInsight 论文的控制机制设计

前提条件

开始本 Deep Research Skills 安装教程前，你需要准备：

• Python 3.x：需要安装 pyyaml 依赖
• 一个 AI 编码工具：Claude Code（推荐 2.1.0+）、OpenCode 或 Codex
• Git：用于克隆仓库
• 基本的命令行操作：会用 cp、pip 等基础命令

概述

本教程是 Deep Research Skills 的完整使用指南，涵盖以下内容：

1. 安装到你的 AI 工具（Claude Code / OpenCode / Codex）
2. 理解两阶段调研工作流
3. 五个命令的实际使用
4. 与同类深度调研工具的对比分析

详细步骤

第一步：克隆仓库

1
2

git clone https://github.com/Weizhena/deep-research-skills.git
cd deep-research-skills

第二步：安装到你的 AI 工具

Deep Research Skills 兼容三大主流 AI 编码平台。根据你使用的工具选择对应的安装方式：

通用方式（推荐）：把仓库克隆下来后，复制技能文件到对应目录。

Claude Code 安装

1
2
3
4
5
6
7
8
9
10
11
12

# 中文版技能
cp -r skills/research-zh/* ~/.claude/skills/

# 英文版技能
cp -r skills/research-en/* ~/.claude/skills/

# 必需：安装 web search agent 和模块
cp agents/web-search-agent.md ~/.claude/agents/
cp -r agents/web-search-modules ~/.claude/agents/

# 必需：安装 Python 依赖
pip install pyyaml

Claude Code 2.1.0+ 支持直接用 /skill-name 触发技能。安装完成后，输入 /research 即可启动调研流程。

OpenCode 安装

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# 技能文件（与 Claude Code 相同）
cp -r skills/research-zh/* ~/.claude/skills/

# 必需：为当前 shell 启用 web search
export OPENCODE_ENABLE_EXA=1

# 可选：写入 ~/.bashrc 永久生效
echo 'export OPENCODE_ENABLE_EXA=1' >> ~/.bashrc
source ~/.bashrc

# 必需：安装 agent 和模块
cp agents/web-search-opencode.md ~/.config/opencode/agents/web-search.md
cp -r agents/web-search-modules ~/.config/opencode/agents/

# 必需：安装 Python 依赖
pip install pyyaml

⚠️ 重要：在 OpenCode 中，任何模型要使用 websearch 功能都需要设置 OPENCODE_ENABLE_EXA=1。不设置的话只有 web fetch，深度调研阶段会弱很多。

Codex 安装

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

# 创建目录
mkdir -p ~/.codex/skills ~/.codex/agents

# 英文版技能
cp -r skills/research-codex-en/* ~/.codex/skills/

# 中文版技能
cp -r skills/research-codex-zh/* ~/.codex/skills/

# 必需：安装 web researcher agent 和模块
cp agents-codex/web-researcher.toml ~/.codex/agents/
cp -r agents-codex/web-search-modules ~/.codex/agents/

# 必需：安装 Python 依赖
pip install pyyaml

还需要更新 ~/.codex/config.toml，有两种方式：

方式 A：自动脚本

1
2

cd deep-research-skills
bash scripts/install-codex.sh

方式 B：手动编辑，在 ~/.codex/config.toml 中添加：

1
2
3
4
5
6
7
8
9

suppress_unstable_features_warning = true

[features]
multi_agent = true
default_mode_request_user_input = true

[agents.web_researcher]
description = "Use this agent when you need to research information on the internet..."
config_file = "agents/web-researcher.toml"

Codex 用户可以通过 /skills → List Skills 选择这些技能，也可以用自然语言触发，例如 Use the research skill to build an outline for AI Agent Demo 2025。

第三步：开始你的第一次调研

安装完成后，整个调研流程分为三个阶段：

阶段一：生成调研大纲

1

/research AI Agent Demo 2025

技能会先基于模型知识生成初始框架（调研对象列表 + 字段定义），然后启动一个 web search agent 在线补充最新信息。最后生成两个 YAML 文件：

• outline.yaml — 调研对象列表 + 执行配置（并行数、每 agent 处理数等）
• fields.yaml — 字段定义（每个调研对象要收集哪些维度的信息）

你可以在生成后调整：添加/删除调研对象（/research-add-items）、添加/修改字段（/research-add-fields）。

💡 不记得命令？用自然语言也行。 你不需要死记这些斜杠命令，直接用自然语言告诉 AI Agent 你想做什么，它会自动匹配对应的技能。例如：

• “用 research skill 帮我调研一下 2025 年的 AI Agent 生态”
• “帮我做一个关于 XXX 的深度调研大纲”
• “对已有的调研结果继续深挖”

Codex 用户还可以通过 /skills → List Skills 菜单直接选择技能触发。

阶段二：深度调研

1

/research-deep

技能会按照 outline.yaml 的配置，逐批启动并行 Agent 对每个调研对象进行深度搜索。每个 Agent 独立上网搜索、整理信息、输出结构化 JSON，并自动运行验证脚本确保字段覆盖完整。

💡 亮点：支持断点续传——已完成的 JSON 文件会自动跳过，不用从头来。

阶段三：生成报告

1

/research-report

所有 JSON 数据汇总成一份带目录的 Markdown 报告（report.md），可以直接阅读或分享。

第四步：在 AI 工具中安装

Deep Research Skills 兼容所有能执行命令行的 AI Agent。以下是在各平台中的接入方式总结：

Claude Code：
安装技能文件到 ~/.claude/skills/ 后，直接用 /research 等命令触发。Claude Code 2.1.0+ 原生支持 /skill-name 语法。

**Codex (OpenAI)**：
安装技能文件到 ~/.codex/skills/，配置 config.toml 启用 multi_agent。可通过 /skills 菜单或自然语言触发。

OpenCode：
与 Claude Code 共享技能目录（~/.claude/skills/），但需要额外设置 OPENCODE_ENABLE_EXA=1 启用 web search。

Cursor / Windsurf：
虽然项目官方主要支持上述三个工具，但你也可以把 SKILL.md 文件复制到项目目录作为规则文件使用。

同类深度调研工具对比

深度调研领域的开源工具不少，定位和实现方式差异很大。下面这张表帮你快速了解 Deep Research Skills 和主流竞品的区别：

怎么选？

• 如果你主要用 Claude Code / Codex 做调研，Deep Research Skills 是最自然的选择——零额外依赖，装完就能用，而且你在每个阶段都能介入调整方向
• 如果你需要一个独立运行的全自动调研服务，GPT-Researcher 或 Tongyi DeepResearch 更合适——它们是完整的 Python 应用，可以集成到自己的系统里
• 如果你做学术研究、论文综述，Academic Research Skills 专门针对学术管线优化，包含文献检索、撰写、评审、修订的完整流程
• 如果你需要管理个人知识库 + 深度调研，Khoj 是一个全能平台，集成了 RAG、自动化、深度调研等功能

更多细分领域工具

除了上面的主流方案，还有一些值得关注的细分工具：

五个命令详解

💡 所有命令都支持自然语言触发。不记得斜杠命令没关系，直接用中文或英文描述你想做什么，AI Agent 会自动识别并调用对应技能。

常见问题（FAQ）

Q: Deep Research Skills 怎么安装？
A: 克隆仓库后，根据你使用的 AI 工具（Claude Code / OpenCode / Codex）复制对应的技能文件到相应目录，再安装 pyyaml 依赖即可。详细步骤见上方安装章节。

Q: Deep Research Skills 使用教程在哪里？
A: 本文就是 Deep Research Skills 的完整使用教程，涵盖安装、配置、工作流和进阶技巧。你也可以参考 官方 GitHub 仓库 的 README。

Q: 需要付费吗？
A: 完全免费，MIT 许可证开源。但你需要有对应 AI 工具的 API 访问权限（如 Claude Code 需要 Anthropic API、Codex 需要 OpenAI API）。

Q: 和 GPT-Researcher 相比有什么优势？
A: 最大的区别是”人在回路”设计。GPT-Researcher 是全自动的，你给个主题就等结果；Deep Research Skills 在每个阶段都让你确认和调整，更适合需要精确控制调研方向的场景。另外，Deep Research Skills 是 skill 形态，不需要额外部署 Python 应用。

Q: 支持中文调研吗？
A: 支持。仓库提供中英双语技能文件（research-zh 和 research-en），安装中文版即可用中文进行调研和生成报告。

Q: 调研结果的质量如何保证？
A: 每个调研 Agent 完成后会自动运行验证脚本（validate_json.py），检查字段覆盖是否完整，不确定的字段会标记 [uncertain]。你可以在报告阶段重点关注这些标记项。

Q: 可以调研多大的主题？
A: 理论上没有限制。outline.yaml 中的 batch_size 和 items_per_agent 参数可以调整并行度。默认情况下每个 Agent 处理一个调研项，你可以根据 API 额度调整批次大小。

Q: 在 Codex 中如何触发这些技能？
A: 两种方式：一是通过 /skills → List Skills 菜单选择；二是用自然语言，例如 Use the research skill to build an outline for XXX。

进阶技巧

• 调整并行度：在 outline.yaml 中修改 batch_size（同时启动几个 Agent）和 items_per_agent（每个 Agent 处理几项），根据你的 API 额度和网络情况找到最佳平衡点
• 利用断点续传：如果调研到一半 API 额度用完了或者网络断了，直接重新运行 /research-deep，已完成的 JSON 会被自动跳过
• 字段模板复用：做同一类调研（比如竞品分析）时，可以复用之前的 fields.yaml，在新项目中直接导入，省去重复定义字段的时间
• 配合其他 skill 使用：先用 Deep Research Skills 做调研，再用报告结果喂给其他 AI Agent 做进一步分析或内容生成

总结

以上就是 Deep Research Skills 的完整安装教程和使用指南。从克隆仓库到三平台安装，从两阶段调研工作流到五命令操控，你现在可以让 AI Agent 做出真正有结构、有深度、可控制的系统化调研，而不是随便搜搜就完事。这套 Deep Research Skills 使用教程覆盖了从入门到进阶的全部流程，无论是技术选型、市场分析还是学术文献综述，都能帮你高效完成。

如何引用本文：本文基于 Deep Research Skills 官方 GitHub 仓库（2026-06-23 验证，Stars 1,274+）编写。所有安装命令和配置信息均与 master 分支对照验证。学术背景参考 RhinoInsight 论文。