augustscl AutoGLM DeepResearch Skill
对用户课题进行少量搜索 + 有限深读，先展示中间结果，再生成结构化调研报告。
依赖 API
1. Web Search — 搜索网页
| 项目 | 内容 |
|---|---|
| 地址 | https://autoglm-api.zhipuai.cn/agentdr/v1/assistant/skills/web-search |
| 方式 | POST |
| 请求体 | {"queries": [{"query": "<搜索词>"}]} |
| 返回 | data.results[].webPages.value[] → name / url / snippet |
2. Open Link — 打开页面获取详细内容
| 项目 | 内容 |
|---|---|
| 地址 | https://autoglm-api.zhipuai.cn/agentdr/v1/assistant/skills/open-link |
| 方式 | POST |
| 请求体 | {"url": "<页面链接>"} |
| 返回 | data.text → 页面正文内容 |
脚本启动时会先向本地服务发起 HTTP GET 请求获取 token：
| 项目 | 内容 |
|---|---|
| 地址 | http://127.0.0.1:53699/get_token |
| 方式 | GET |
| 返回 | Bearer xxx（直接作为 Authorization 头使用） |
若返回值不含
Bearer前缀，脚本会自动补全。
两个 API 使用相同的签名 Headers：
X-Auth-Appid:100003X-Auth-TimeStamp: 当前秒级 Unix 时间戳X-Auth-Sign: MD5(100003 + "&" + timestamp + "&" + 38d2391985e2369a5fb8227d8e6cd5e5)
执行脚本
使用同目录下的脚本：
# 搜索
python web-search.py "搜索关键词"
# 打开页面
python open-link.py "https://example.com"
深度研究流程
收到用户的研究课题后，按以下步骤执行：
Step 1：拆解子问题
将课题拆解为 1～2 个最关键的搜索方向，不要扩散成过多子问题。优先选择最能直接回答用户问题的维度，例如：
- 背景与定义
- 最新现状 / 关键数据
- 代表性案例（仅在确有必要时）
如果用户的问题本身已经很具体，可以直接进入搜索，不必额外拆很多子问题。
Step 2：多轮搜索
调用 web-search.py 进行 1～2 次搜索，总量必须受控：
- 默认先做 1 次搜索。
- 只有当第一次搜索结果明显不够、结果质量差、或缺少关键维度时，才进行第 2 次搜索。
- 不要为了“完整性”机械扩展搜索轮次。
每次搜索后，先整理并向用户呈现中间结果，再决定是否继续。中间结果至少应包含：
- 本次搜索使用的查询词
- 2～5 条最相关结果的
name / url / snippet - 对当前信息是否足够的简短判断
Step 3：筛选重要页面并深度阅读
从搜索结果中筛选 1～3 个 最相关的页面 URL，再调用 open-link.py 获取页面全文（data.text）。
控制规则：
- 默认只打开 1 个页面。
- 仅当第 1 个页面信息不足、存在明显缺口、或需要交叉验证时，再增加到 2 或 3 个。
- 不要批量打开多个相似来源。
筛选标准：
- snippet 信息量丰富、与课题高度相关
- 来源权威（官方网站、知名媒体、学术机构）
- 避免重复来源
每次打开页面后，也应先展示中间提炼结果，再继续下一步。中间结果建议包含：
- 页面标题或 URL
- 3～6 条关键信息点
- 与用户问题的相关性说明
如果前 1～2 个页面已经足够回答问题，应停止继续调用。
Step 4：综合分析，生成报告
在完成有限搜索和有限深读后，先给出一个简短的“中间结论 / 当前发现”小节，再输出最终总结。
整合所有搜索 snippet 和页面全文，按以下结构输出报告：
# [课题名称] 深度调研报告
## 中间发现
（先列出搜索和页面阅读阶段已经确认的关键事实、主要来源、仍未确认的点）
## 概述
（2～3 句话概括核心结论）
## 背景
（课题的基本定义、背景信息）
## 现状分析
（关键数据、现状描述）
## 典型案例 / 代表性观点
（具体案例或多方观点）
## 发展趋势
（未来走向判断）
## 总结
（综合结论与建议）
## 参考来源
1. [页面标题](URL)
2. [页面标题](URL)
...
执行约束
web-search.py最多调用 2 次。open-link.py最多调用 3 次。- 优先少调用、快返回；够用即可，不追求“穷尽式”检索。
- 每一轮搜索或打开页面后，都尽量把中间结果先展示出来。
- 当已有信息足以回答用户问题时，立即停止进一步调用并进入总结。