majiayu000 Research Skill - 初步调研
触发方式
/research <topic>
执行流程
Step 1: 模型内部知识生成初步框架
基于topic，利用模型已有知识生成：
- 该领域的主要研究对象/items列表
- 建议的调研字段框架
输出{step1_output}，使用AskUserQuestion确认：
- items列表是否需要增减？
- 字段框架是否满足需求？
Step 2: Web Search补充
使用AskUserQuestion询问时间范围（如：最近6个月、2024年至今、不限）。
参数获取：
{topic}: 用户输入的调研话题{YYYY-MM-DD}: 当前日期{step1_output}: Step 1生成的完整输出内容{time_range}: 用户指定的时间范围
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。
启动1个web-search-agent（后台），Prompt模板：
prompt = f"""## 任务
调研话题: {topic}
当前日期: {YYYY-MM-DD}
基于以下初步框架，补充最新items和推荐调研字段。
## 已有框架
{step1_output}
## 目标
1. 验证已有items是否遗漏重要对象
2. 根据遗漏对象进行补充items
3. 继续搜索{topic}相关且{time_range}内的items并补充
4. 补充新fields
## 输出要求
直接返回结构化结果（不写文件）：
### 补充Items
- item_name: 简要说明（为什么应该加入）
...
### 推荐补充字段
- field_name: 字段描述（为什么需要这个维度）
...
### 信息来源
- [来源1](url1)
- [来源2](url2)
"""
One-shot示例（假设调研AI Coding发展史）：
## 任务
调研话题: AI Coding 发展史
当前日期: 2025-12-30
基于以下初步框架，补充最新items和推荐调研字段。
## 已有框架
### Items列表
1. GitHub Copilot: Microsoft/GitHub开发，首个主流AI编程助手
2. Cursor: AI-first IDE，基于VSCode
...
### 字段框架
- 基本信息: name, release_date, company
- 技术特性: underlying_model, context_window
...
## 目标
1. 验证已有items是否遗漏重要对象
2. 根据遗漏对象进行补充items
3. 继续搜索AI Coding 发展史相关且2024年至今内的items并补充
4. 补充新fields
## 输出要求
直接返回结构化结果（不写文件）：
### 补充Items
- item_name: 简要说明（为什么应该加入）
...
### 推荐补充字段
- field_name: 字段描述（为什么需要这个维度）
...
### 信息来源
- [来源1](url1)
- [来源2](url2)
Step 3: 询问用户已有字段
使用AskUserQuestion询问用户是否有已定义的字段文件，如有则读取并合并。
Step 4: 生成Outline（分离文件）
合并{step1_output}、{step2_output}和用户已有字段，生成两个文件：
outline.yaml（items + 配置）：
- topic: 调研主题
- items: 调研对象列表
- execution:
- batch_size: 并行agent数量（需AskUserQuestion确认）
- items_per_agent: 每个agent调研项目数（需AskUserQuestion确认）
- output_dir: 结果输出目录（默认./results）
fields.yaml（字段定义）：
- 字段分类和定义
- 每个字段的name、description、detail_level
- detail_level分层：极简 → 简要 → 详细
- uncertain: 不确定字段列表（保留字段，deep阶段自动填充）
Step 5: 输出并确认
- 创建目录:
./{topic_slug}/ - 保存:
outline.yaml和fields.yaml - 展示给用户确认
输出路径
{当前工作目录}/{topic_slug}/
├── outline.yaml # items列表 + execution配置
└── fields.yaml # 字段定义
后续命令
/research-add-items- 补充items/research-add-fields- 补充字段/research-deep- 开始深度调研