# Autoglm Deepresearch

> 对用户提出的课题进行深度研究和调研，输出结构化的深度报告。当用户需要深入了解某个话题、做行业调研、专题研究、竞品分析等场景时使用此 skill。 与普通搜索不同，deepresearch 会先做少量定向搜索，再对少量关键页面进行深度阅读，过程中优先展示中间发现，最后再做总结，避免因调用次数过多导致响应过慢。 Token 通过本地服务 http://127.0.0.1:53699/get_token 自动获取，无需手动配置环境变量。

- Skill: `augustscl/autoglm-deepresearch` (Agent Skill, multi-file: 3 files)
- Install (CLI): `npx skillmds@latest add augustscl/autoglm-deepresearch`
- Raw SKILL.md: https://api.skillmd.com/api/skills/augustscl/autoglm-deepresearch/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: augustscl (https://skillmd.com/u/augustscl)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/augustscl/autoglm-deepresearch

---


# 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`: `100003`
- `X-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：
```bash
# 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。