���用 ���度研究 ���度探索 Agent Skill
读取调研outline，为每个item启动独立agent，从小说创作者视角进行深度调研。禁用task output。
Install
one command, takes just this skill from the repositorynpx skills add https://github.com/lornshrimp/Lorn.NovelWriteSkills --skill 通用-深度研究-深度探索The instruction itself
7 sections, as written by the author<!-- ===== Layer 1: 永久缓存 ===== -->
通用-深度研究-深度探索
触发方式
/research-deep
执行流程
Step 1: 自动定位 Outline
在当前工作目录查找 */outline.yaml 文件，读取 items 列表、research_domain、execution 配置（含 items_per_agent）。
Step 2: 断点续传检查
- 检查 output_dir 下已完成的 JSON 文件
- 跳过已完成的 items
Step 3: 分批执行
- 按 batch_size 分批（完成一批需要得到用户同意才可进行下一批）
- 每个 agent 负责 items_per_agent 个项目
- 启动 web-search-agent（后台并行，禁用 task output）
参数获取：
{topic}: outline.yaml 中的 topic 字段{research_domain}: outline.yaml 中的 research_domain 字段{item_name}: item 的 name 字段{item_related_info}: item 的完整 yaml 内容（name + category + description 等）{output_dir}: outline.yaml 中 execution.output_dir（默认./results）{fields_path}:{topic}/fields.yaml的绝对路径{output_path}:{output_dir}/{item_name_slug}.json的绝对路径（slugify 处理 item_name：空格替换为_，移除特殊字符）
硬约束：以下 prompt 必须严格复述，仅替换 {xxx} 中的变量，禁止改写结构或措辞。
Prompt 模板：
prompt = f"""## 任务
作为小说创作者的深度研究助手，调研以下对象，输出结构化 JSON。
调研课题: {topic}
研究域: {research_domain}
调研对象: {item_related_info}
## 字段定义
读取 {fields_path} 获取所有字段定义。
## 输出要求
1. 按 fields.yaml 定义的字段输出 JSON
2. 不确定的字段值标注 [不确定]
3. JSON 末尾添加 uncertain 数组，列出所有不确定的字段名
4. 所有字段值必须使用中文输出（调研过程可用英文，但最终 JSON 值为中文）
5. **尤其注意"创作可迁移"分类下的字段**：必须把研究发现翻译成小说创作者可以直接在正文、设定、大纲中使用的具体建议，不能停留在抽象总结
## 搜索策略
优先搜索以下类型的信息源（根据研究域选择侧重点）：
- 小说平台官方数据、榜单、推荐位信息
- 读者社区讨论、书评、本章说、论坛
- 行业研究报告、创作方法论文章
- 专业知识来源（技术文档、职业手册、学术论文）
- 作家访谈、创作经验分享
- 场景/环境相关的纪实报道、纪录片、实地考察文章
## 输出路径
{output_path}
## 验证
完成 JSON 输出后，运行验证脚本确保字段完整覆盖：
python {research_dir}/validate_json.py -f {fields_path} -j {output_path}
验证通过后才算完成任务。
"""
One-shot 示例（假设调研"起点中文网都市悬疑读者偏好"）：
## 任务
作为小说创作者的深度研究助手，调研以下对象，输出结构化 JSON。
调研课题: 起点中文网都市悬疑题材 2025-2026 趋势
研究域: 题材趋势研究
调研对象: name: 读者偏好迁移
category: 读者反馈
description: 2025-2026 年起点中文网都市悬疑题材读者的口味变化、热门元素偏好与审美迁移趋势
## 字段定义
读取 /project/起点都市悬疑趋势/fields.yaml 获取所有字段定义。
## 输出要求
1. 按 fields.yaml 定义的字段输出 JSON
2. 不确定的字段值标注 [不确定]
3. JSON 末尾添加 uncertain 数组，列出所有不确定的字段名
4. 所有字段值必须使用中文输出
5. **尤其注意"创作可迁移"分类下的字段**：必须把研究发现翻译成小说创作者可以直接在正文、设定、大纲中使用的具体建议
## 搜索策略
优先搜索以下类型的信息源：
- 起点书评区、本章说、书友圈的读者反馈
- 知乎、龙空论坛的网文读者讨论
- 行业媒体对网文读者偏好变化的分析文章
- 起点官方发布的数据报告或品类分析
## 输出路径
/project/起点都市悬疑趋势/results/读者偏好迁移.json
## 验证
完成 JSON 输出后，运行验证脚本确保字段完整覆盖：
python /project/起点都市悬疑趋势/research/validate_json.py -f /project/起点都市悬疑趋势/fields.yaml -j /project/起点都市悬疑趋势/results/读者偏好迁移.json
验证通过后才算完成任务。
Step 4: 等待与监控
- 等待当前批次完成
- 启动下一批
- 显示进度
Step 5: 汇总报告与质量检查点
全部完成后，必须输出以下调研质量摘要（借鉴 nuwa-skill Phase 1.5 检查点方法论），供用户确认后再进入 /research-report：
## 调研质量摘要
| 维度 | 状态 | 说明 |
| --- | --- | --- |
| 完成条目 | N/N | |
| 不确定字段 | M 个 | [列出关键不确定字段] |
| 信息矛盾点 | K 处 | [列出主要矛盾，保留矛盾不调和] |
| 高置信度发现 | P 条 | [列出 top 3 核心发现] |
| 信息不足维度 | Q 个 | [标注缺口，诚实告知哪些问题未找到满意答案] |
| 三重验证通过率 | X% | 核心发现/参考发现/待验证线索 分布 |
### 关键信号
- **矛盾点详情**：[逐条说明，矛盾是信号而非噪音]
- **信息缺口**：[哪些想查但没查到]
- **意外发现**：[未在原始大纲中但搜索中浮现的重要信息]
用户确认调研质量 OK → 进入 /research-report。
用户觉得某维度不够 → 补充调研后再继续。
> 这个检查点的意义：调研质量决定了最终研究报告的上限。垃圾进垃圾出——在这里拦截比报告落盘后再返工成本低得多。
Step 6: 断点记录
- 记录完成状态到 outline.yaml 的 execution 配置中
- 标记已完成/失败的 items
信息质量规则（Agent 须遵守）
以下规则来自 nuwa-skill 品控方法论，在对每个 item 执行深度搜索时强制遵守：
来源优先级
搜索结果必须遵循主 SKILL.md 中"信息来源分级与黑名单"的规定——优先使用平台官方数据、一线从业者亲述、读者一线反馈；禁用知乎匿名回答、微信公众号、百度百科等信息源黑名单中的来源。
矛盾保留
遇到不同来源对同一事物的描述不一致时，并列呈现，标注各自来源类型与可信度，不强行调和。矛盾本身就是有价值的创作信号。
诚实边界
每个 item 的 JSON 输出中，必须通过 uncertain 数组标注所有不确定的字段。不确定包括：
- 信息来自单一来源且无法交叉验证
- 信息时效性存疑（超过 2 年且未找到更新）
- 来源可信度低（自媒体、个人博客、匿名帖子）
- 搜索未覆盖到（该维度公开信息极少）
深度搜索要求
- 禁止只搜第 1 页就停止——最有价值的信息往往在第 2-3 页
- 对每个 item 至少使用 3 个不同的搜索查询变体
- 优先搜索"一线从业者的碎碎念"而非"官方操作手册"——前者对创作者更可写
- 后台执行: 是
- Task Output: 禁用（agent 完成时有明确输出文件）
- 断点续传: 是
Other skills for the same job
different authors, same section of the catalogue
Assists in writing high-quality content by conducting research, adding citations, improving hooks, iterating on outlines, and providing real-time feedback on each section. Transforms your writing process from solo effort to collaborative partnership.
Identifies high-quality leads for your product or service by analyzing your business, searching for target companies, and providing actionable contact strategies. Perfect for sales, business development, and marketing professionals.
Use this skill to query your Google NotebookLM notebooks directly from Claude Code for source-grounded, citation-backed answers from Gemini. Browser automation, library management, persistent auth. Drastically reduced hallucinations through document-only responses.
Efficient database search tool for bioRxiv preprint server. Use this skill when searching for life sciences preprints by keywords, authors, date ranges, or categories, retrieving paper metadata, downloading PDFs, or conducting literature reviews.
Query and analyze scholarly literature using the OpenAlex database. This skill should be used when searching for academic papers, analyzing research trends, finding works by authors or institutions, tracking citations, discovering open access publications, or conducting bibliometric analysis across 240M+ scholarly works. Use for literature searches, research output analysis, citation analysis, and academic database queries.
Access USPTO APIs for patent/trademark searches, examination history (PEDS), assignments, citations, office actions, TSDR, for IP analysis and prior art searches.
Multiagent AI system for scientific research assistance that automates research workflows from data analysis to publication. This skill should be used when generating research ideas from datasets, developing research methodologies, executing computational experiments, performing literature searches, or generating publication-ready papers in LaTeX format. Supports end-to-end research pipelines with customizable agent orchestration.
Automated LLM-driven hypothesis generation and testing on tabular datasets. Use when you want to systematically explore hypotheses about patterns in empirical data (e.g., deception detection, content analysis). Combines literature insights with data-driven hypothesis testing. For manual hypothesis formulation use hypothesis-generation; for creative ideation use scientific-brainstorming.
How to use it
Take lornshrimp/通用-深度研究-深度探索 from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.