deepsearch

name deepsearch description 深度研究代理系统社区版，对复杂主题进行多轮迭代的网络搜索和综合分析。使用场景：当用户需要对特定主题进行深入、全面的研究时，特别是需要基于最新网络信息生成详细分析报告的情况。支持多轮迭代搜索、智能搜索方向调整和综合分析报告生成。本skill是一个工作流描述文档，没有执行脚本，依赖web-search skill进行网页搜索。 license Complete terms in LICENSE.txt DeepSearch 概述 深度研究代理系统社区版是一个基于工作流的深度研究系统，能够对复杂主题进行多轮迭代的网络搜索和综合分析。系统通过结合LLM智能分析和实时网络搜索，生成详细的研究报告。 工作流调用逻辑 系统架构 本系统是一个工作流描述文档，没有执行脚本。依赖以下外部技能： web-search skill : 用于执行网页搜索，运行脚本： python scripts/web_search.py "<query>" LLM技能 : 用于智能分析和推理 工作流程 1. 输入接收阶段 用户输入 : 研究主题（sys.query）和研究深度（depth） 默认深度 : 3（可配置） 2. 初始化阶段 创建迭代数组，深度为指定的depth值 数组格式： [0, 1, ..., depth-1] 3. 迭代搜索阶段（多轮执行） 每轮迭代执行以下步骤： a) LLM智能分析 使用LLM分析当前研究状态 输入：用户查询、已收集的findings、已搜索的topics 输出：JSON格式，包含： nextSearchTopic : 下一个搜索主题（字符串或None） shouldContinue : 是否继续搜索（布尔值） b) JSON解析 提取 nextSearchTopic 和 shouldContinue 字段 更新对话变量 c) 条件判断 如果 shouldContinue 为True： 执行web-search： python scripts/web_search.py "<nextSearchTopic>" 将搜索结果追加到findings数组 更新搜索进度显示 继续下一轮迭代 如果 shouldContinue 为False： 结束当前迭代 输出中间结果 d) 变量管理 更新 nextSearchTopic 和 shouldContinue 变量 将 nextSearchTopic 追加到 topics 数组（记录已搜索主题） 避免重复搜索相同主题 4. 综合分析阶段 所有迭代完成后，使用LLM综合分析所有收集到的findings 生成详细的综合分析报告 输出格式：Markdown格式的详细报告 5. 报告生成阶段 输出最终的研究分析结果 包含重要洞察、结论和剩余不确定性 适当引用来源 变量说明 系统维护以下对话变量： 变量名 类型 描述 topics array[string] 已搜索的主题列表 nextSearchTopic string 下一个要搜索的主题 findings array[string] 收集到的搜索结果列表 shouldContinue string 是否继续搜索的标志 网页搜索集成 当需要进行网络搜索时： 使用 nextSearchTopic 作为查询参数 运行web-search技能： python scripts/web_search.py "<query>" 根据返回的摘要列表组织答案，不新增或臆造内容 将搜索结果追加到 findings 数组 注意 : 不要使用任何搜索参数配置（如search_depth、topic、max_results、country、time_range、days等），仅保留核心输入query。 进度跟踪 系统实时显示搜索进度： 格式： {index + 1}/{depth}th search executed. 例如： 1/3th search executed. 使用场景 适用场景 复杂主题研究 : 需要对特定主题进行深入、全面的研究 最新信息分析 : 需要基于最新网络信息生成详细分析报告 多角度探索 : 需要从不同角度和维度探索一个主题 系统化调查 : 需要系统化的调查和证据收集 典型用例 市场趋势分析 技术发展研究 竞争对手分析 学术文献综述 产品调研 技术特点 智能特性 自适应搜索 : 每轮搜索后由LLM分析结果，智能决定下一步搜索方向 避免重复 : 系统记录已搜索主题，避免重复搜索相同内容 深度推理 : 使用专门的推理模型进行综合分析 系统特性 多轮迭代 : 支持指定深度的多轮搜索 并行能力 : 支持最多10个并行搜索 状态管理 : 完整的变量管理和状态跟踪 进度可视 : 实时显示搜索进度和状态 集成特性 LLM集成 : 结合GPT-4o进行智能分析，deepseek-reasoner进行深度推理 网络搜索 : 集成web-search技能获取实时网络信息 JSON处理 : 使用JSON解析工具处理结构化数据 工作流示例 输入示例 用户查询: "人工智能在医疗领域的最新发展" 研究深度: 3 执行流程 第1轮 : LLM分析: 决定搜索"AI医疗诊断最新进展" Web搜索: 执行搜索并收集结果 状态更新: 记录主题，决定继续搜索 第2轮 : LLM分析: 基于第1轮结果，决定搜索"医疗影像AI技术突破" Web搜索: 执行搜索并收集结果 状态更新: 记录主题，决定继续搜索 第3轮 : LLM分析: 基于前两轮结果，决定搜索"AI药物研发应用" Web搜索: 执行搜索并收集结果 状态更新: 记录主题，决定结束搜索 综合分析 : LLM综合分析所有收集到的findings 生成关于"人工智能在医疗领域的最新发展"的详细报告 输出示例 # 人工智能在医疗领域的最新发展研究报告 ## 执行摘要 [基于三轮搜索的综合分析...] ## 主要发现 1. AI在医疗诊断方面的最新进展 - [具体发现1] - [具体发现2] 2. 医疗影像AI技术突破 - [具体发现3] - [具体发现4] 3. AI在药物研发中的应用 - [具体发现5] - [具体发现6] ## 结论与建议 [综合分析结论...] ## 未来研究方向 [基于研究发现提出的未来研究方向...] 注意事项 工作流限制 无执行脚本 : 本skill是一个工作流描述文档，不包含可执行脚本 外部依赖 : 依赖web-search技能执行实际搜索 参数简化 : 搜索时仅使用query参数，忽略其他搜索配置 使用建议 深度设置 : 根据研究复杂度设置合适的depth值 查询优化 : 提供清晰具体的研究主题 结果验证 : 对生成的报告进行必要的事实核查 最佳实践 渐进式研究 : 从宽泛主题开始，逐步深入具体方向 多源验证 : 结合多个来源的信息进行交叉验证 及时更新 : 对于快速发展的主题，建议定期重新研究 故障排除 常见问题 搜索无结果 : 检查query是否过于具体或专业，尝试更通用的搜索词 迭代过早结束 : 调整LLM的temperature参数或提供更多上下文 结果重复 : 系统已内置避免重复机制，如仍出现可手动干预 性能优化 并行搜索 : 充分利用系统的并行能力（最多10个并行） 缓存利用 : 对于相同主题的多次研究，可考虑结果缓存 增量更新 : 对于持续研究，可采用增量更新策略 重要提示 : 本skill描述了一个深度研究工作流，实际执行需要依赖外部技能和配置。请确保已正确配置web-search技能和相关LLM服务。