# 1366 Project Understanding Fcd10844 > Claude Code Deep Research Agent - 项目理解文档 - Skill: `tools-only/1366-project-understanding-fcd10844` (Agent Skill, multi-file: 3 files) - Install (CLI): `npx skillmds@latest add tools-only/1366-project-understanding-fcd10844` - Raw SKILL.md: https://api.skillmd.com/api/skills/tools-only/1366-project-understanding-fcd10844/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: AI & ML - Author: tools-only (https://skillmd.com/u/tools-only) - Updated: 2026-09-22 - Page: https://skillmd.com/skills/tools-only/1366-project-understanding-fcd10844 --- # Claude Code Deep Research Agent - 项目理解文档 ## 1. 项目概述 这是一个基于 **Claude Code** 的深度研究框架，旨在实现类似 OpenAI Deep Research 和 Google Gemini Deep Research 的功能。项目的核心理念是利用 Anthropic Claude Code 的能力，通过系统化的方法论和多智能体协作，完成复杂的、多步骤的深度研究任务。 ### 1.1 项目定位 - **名称**: Claude Deep Research Agent - **目标**: 使用 Claude Code 实现高质量、带引用的深度研究报告 - **核心理念**: 通过 Graph of Thoughts (GoT) 框架和 7 阶段深度研究流程，超越传统的单次查询模式 ### 1.2 当前工作流程 ``` [用户原始问题] ↓ [ChatGPT (o3/o3-pro)] - 问题细化和结构化 ↓ [Claude Code (opus)] - 执行深度研究 ↓ [带引用的综合研究报告] ``` **关键问题**: 目前依赖 ChatGPT 来预处理问题，用户希望能够完全用 Claude Code 实现。 --- ## 2. 核心文件分析 ### 2.1 README.md **作用**: 项目说明和快速开始指南 **核心内容**: - 解释项目存在的理由：LLM 在单次查询上表现良好，但在需要迭代查询、来源验证和引用的复杂多步骤研究上存在困难 - 定义了仓库结构： - `CLAUDE.md` - Claude Code 的主指令文件 - `Claude2.md` - 更深度的版本，更接近 Graph of Thoughts 模式 - `Deep Research Question Generator System Prompt.md` - ChatGPT 系统提示词 - `deepresearchprocess.md` - 7 阶段深度研究流程基础文档 - `.template_mcp.json` - 可选的 MCP 服务器配置 ### 2.2 CLAUDE.md (主指令文件) **作用**: Claude Code 的核心操作指南 **核心架构**: #### A. 7 阶段深度研究流程 1. **Phase 1: Question Scoping** - 问题范围界定 2. **Phase 2: Retrieval Planning** - 检索计划 3. **Phase 3: Iterative Querying** - 迭代查询 4. **Phase 4: Source Triangulation** - 来源三角验证 5. **Phase 5: Knowledge Synthesis** - 知识综合 6. **Phase 6: Quality Assurance** - 质量保证 7. **Phase 7: Output & Packaging** - 输出和打包 #### B. 多智能体研究策略 ``` Phase 2: 检索规划 ├── 主题分解智能体 └── 并行研究智能体 (每个子主题一个) Phase 3: 迭代查询 ├── 网络研究智能体 (3-5个) - 当前信息、趋势、新闻 ├── 学术/技术智能体 (1-2个) - 研究论文、技术规范 └── 交叉引用智能体 (1个) - 事实核查和验证 ``` #### C. 工具使用协议 - **WebSearch**: 通用网络搜索 - **WebFetch**: 提取特定 URL 内容 - **Read/Write**: 管理研究文档 - **Task**: 生成自主智能体 - **TodoWrite**: 跟踪研究进度 - **MCP 服务器**: - `mcp__filesystem__`: 文件系统操作 - `mcp__puppeteer__`: 浏览器自动化（动态网页内容） ### 2.3 Claude2.md **作用**: 更深度的 GoT (Graph of Thoughts) 实现版本 **关键区别**: - 更完整的 Graph of Thoughts 实现 - 使用 Task 智能体模拟 GoT 操作 - 无需外部 Python 设置 - 自动执行图状态维护 **核心概念**: ``` 图结构: - 节点 (Nodes) = 研究发现 - 边 (Edges) = 依赖关系 - 分数 (Scores) = 质量 (0-10) - 前沿 (Frontier) = 可扩展的活跃节点 转换操作: - Generate(k): 从父节点创建 k 个新想法 - Aggregate(k): 将 k 个想法合并为一个更强的想法 - Refine(1): 改进想法而不添加新内容 - Score: 评估想法质量 - KeepBestN(n): 每层保留最佳 n 个节点 ``` ### 2.4 Deep Research Question Generator System Prompt.md **作用**: 用于 ChatGPT 的系统提示词，将用户原始问题转换为结构化提示词 **核心功能**: - 问澄清问题（范围、格式、约束、背景） - 生成结构化的深度研究提示词 - 输出 OpenAI 和 Google Gemini 两种格式 **示例结构**: ``` ### TASK - 任务描述 ### CONTEXT/BACKGROUND - 背景 ### SPECIFIC QUESTIONS OR SUBTASKS - 具体问题/子任务 ### KEYWORDS - 关键词 ### CONSTRAINTS - 约束（时间、地理、来源类型） ### OUTPUT FORMAT - 输出格式 ### FINAL INSTRUCTIONS - 最终指令 ``` --- ## 3. 研究方法论 ### 3.1 Graph of Thoughts (GoT) 框架 **来源**: 基于 [SPCL, ETH Zürich](https://github.com/spcl/graph-of-thoughts) 的研究 **核心优势**: 1. **并行处理**: 多个研究路径可同时探索 2. **质量优化**: 通过评分和修剪来优化信息质量 3. **回溯能力**: 可放弃较差的研究路径 4. **动态探索**: 根据中间结果调整研究策略 **执行流程示例**: ``` 用户: "Deep research CRISPR gene editing safety" 迭代 1: 初始化和探索 - Controller 创建根节点 - Generate(3) 部署 3 个并行智能体: * 当前证据和成功率 * 安全顾虑和限制 * 未来影响和法规 - 结果: 3 个想法，分数 (6.8, 8.2, 7.5) 迭代 2: 深化最佳路径 - n3 (8.2): 高分 → Generate(3) 更深探索 - n2 (7.5): 中等 → Generate(2) - n4 (6.8): 低分 → Refine(1) 改进 迭代 3: 聚合强分支 - Aggregate(3) 合并最佳想法 迭代 4: 最终打磨 - Refine(1) 增强清晰度和完整性 - 最终想法分数: 9.5 ``` ### 3.2 引用要求 **每个事实性声明必须包含**: 1. 作者/组织 2. 发布日期 3. 来源标题 4. URL/DOI 5. 页码（如适用） **来源质量评级**: - **A**: 同行评议的 RCT、系统评价、荟萃分析 - **B**: 队列研究、病例对照研究、临床指南 - **C**: 专家意见、病例报告、机制研究 - **D**: 初步研究、预印本、会议摘要 - **E**: 轶事、理论或推测 ### 3.3 防幻觉策略 1. **Chain-of-Verification (CoVe)**: - 生成初始研究发现 - 为每个声明创建验证问题 - 搜索证据回答验证问题 - 基于验证结果修正发现 2. **ReAct 模式** (Reason + Act): - Reason: 分析需要什么信息 - Act: 执行搜索或检索操作 - Observe: 处理结果 - Repeat: 直到收集足够证据 3. **Human-in-the-Loop 检查点**: - 规划后：批准研究策略 - 验证期间：专家审查技术声明 - 最终确定前：利益相关者签字 --- ## 4. 输出结构 ### 4.1 标准文件夹结构 ``` RESEARCH/ └── [topic_name]/ ├── README.md (概述和导航) ├── executive_summary.md (1-2 页摘要) ├── full_report.md (综合发现) ├── data/ │ ├── raw_data.csv │ ├── processed_data.json │ └── statistics_summary.md ├── visuals/ │ ├── charts/ │ ├── graphs/ │ └── infographics/ ├── sources/ │ ├── bibliography.md │ ├── source_summaries.md │ └── screenshots/ ├── research_notes/ │ ├── agent_1_findings.md │ ├── agent_2_findings.md │ └── synthesis_notes.md └── appendices/ ├── methodology.md ├── limitations.md └── future_research.md ``` ### 4.2 示例输出分析 **主题**: AI Content Detection Field Briefing **规模**: >50,000 词 **输出时间**: 需要多个智能体并行工作 **主要部分**: 1. Executive Summary (≤1,500 词) 2. Main Report (分为编号的部分和子部分) 3. End-User Quick-Reference Toolkit (清单、备忘单) 4. Developer Solution Blueprints (架构图、伪代码) 5. Roadmap Tables (短期/中期) 6. Appendices (详细基准、数据表、术语表) --- ## 5. 用户需求分析 ### 5.1 当前架构的问题 **依赖 ChatGPT 的问题**: 1. 需要两个独立的工具/账户 2. ChatGPT 限制和成本 3. 工作流程不连贯 4. 无法充分利用 Claude Code 的原生能力 ### 5.2 期望的改进 **用户目标**: ``` [用户原始问题] ↓ [Claude Code Agent] - 问题细化 + 深度研究 ↓ [带引用的综合研究报告] ``` **核心需求**: 1. **利用 Claude Code Skills**: 创建可重用的研究技能 2. **利用 Claude Code Commands**: 创建便捷的斜杠命令 3. **消除 GPT 依赖**: 完全用 Claude Code 实现问题细化 4. **自动化流程**: 从原始问题到最终报告的一键执行 --- ## 6. Claude Code 原生功能分析 ### 6.1 Skills 系统 **定义**: Skills 是可重用的能力，可以被 Claude Code 动态加载和执行。 **在此项目中的应用场景**: ``` Skills/ ├── question-refiner/ # 问题细化技能 │ ├── skill.json │ ├── instructions.md │ └── examples.md ├── researcher/ # 研究执行技能 │ ├── skill.json │ ├── got-controller.md │ ├── web-search.md │ └── citation-formatter.md ├── synthesizer/ # 综合技能 │ ├── skill.json │ └── instructions.md └── validator/ # 验证技能 ├── skill.json └── verification-checklist.md ``` ### 6.2 Commands 系统 **定义**: Commands 是用户可以调用的快捷操作。 **在此项目中的应用场景**: ``` Commands/ ├── deep-research # /deep-research [topic] ├── refine-question # /refine-question [raw question] ├── plan-research # /plan-research [topic] ├── execute-research # /execute-research [plan] └── validate-facts # /validate-facts [findings] ``` ### 6.3 MCP (Model Context Protocol) 服务器 **可用的 MCP 功能**: 1. **mcp__web_reader__webReader**: 网页内容提取（已配置） 2. **mcp__4_5v_mcp__analyze_image**: 图像分析（已配置） 3. **潜在的其他 MCP**: - Puppeteer (浏览器自动化) - Filesystem (文件系统操作) --- ## 7. 实现方案建议 ### 7.1 架构设计 ``` ┌─────────────────────────────────────────────────────────────┐ │ Claude Code Agent │ ├─────────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ Command: /deep-research [topic] │ │ │ └──────────────────┬──────────────────────────────────┘ │ │ ↓ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ Skill: question-refiner │ │ │ │ - 问澄清问题 │ │ │ │ - 生成结构化研究提示词 │ │ │ └──────────────────┬──────────────────────────────────┘ │ │ ↓ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ Skill: research-planner (GoT Controller) │ │ │ │ - 分解主题为子主题 │ │ │ │ - 创建研究图 │ │ │ │ - 部署并行研究智能体 │ │ │ └──────────────────┬──────────────────────────────────┘ │ │ ↓ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ Multi-Agent Execution │ │ │ │ ├─ Web Research Agents (3-5) │ │ │ │ ├─ Academic/Technical Agents (1-2) │ │ │ │ └─ Cross-Reference Agent (1) │ │ │ └──────────────────┬──────────────────────────────────┘ │ │ ↓ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ Skill: synthesizer │ │ │ │ - 聚合发现 │ │ │ │ - 解决矛盾 │ │ │ │ - 创建连贯叙述 │ │ │ └──────────────────┬──────────────────────────────────┘ │ │ ↓ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ Skill: validator │ │ │ │ - 事实核查 │ │ │ │ - 引用验证 │ │ │ │ - 质量评分 │ │ │ └──────────────────┬──────────────────────────────────┘ │ │ ↓ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ Output Generation │ │ │ │ - Executive Summary │ │ │ │ - Full Report │ │ │ │ - Bibliography │ │ │ │ - Appendices │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────┘ ``` ### 7.2 技术实现要点 #### A. Question Refiner Skill **功能**: 替代 ChatGPT 的问题细化 **实现方式**: ``` 输入: 用户原始问题 处理: 1. 识别模糊点 2. 生成澄清问题 3. 等待用户回答 4. 生成结构化研究提示词 输出: 结构化研究任务 ``` #### B. GoT Controller Skill **功能**: 管理研究图状态 **实现方式**: ``` 使用 Task 工具创建子智能体: - Controller Agent: 维护图状态 - Generate Agents: 探索研究路径 - Aggregate Agent: 合并发现 - Refine Agent: 改进内容 - Score Agent: 评估质量 ``` #### C. Citation Manager Skill **功能**: 确保所有声明都有引用 **实现方式**: ``` 自动检查: - 每个事实性声明是否有来源 - 引用格式是否正确 - 来源是否可靠 - 是否存在矛盾 ``` ### 7.3 文件结构建议 ``` claude-code-deep-research/ ├── .claude/ │ ├── skills/ │ │ ├── question-refiner/ │ │ │ ├── skill.json │ │ │ ├── instructions.md │ │ │ └── examples.md │ │ ├── research-executor/ │ │ │ ├── skill.json │ │ │ ├── phases.md │ │ │ └── agent-templates.md │ │ ├── got-controller/ │ │ │ ├── skill.json │ │ │ ├── graph-operations.md │ │ │ └── scoring.md │ │ ├── synthesizer/ │ │ │ ├── skill.json │ │ │ └── instructions.md │ │ └── citation-validator/ │ │ ├── skill.json │ │ └── checklist.md │ └── commands/ │ ├── deep-research/ │ │ └── command.json │ ├── refine-question/ │ │ └── command.json │ └── plan-research/ │ └── command.json ├── CLAUDE.md # 主文档（保留） ├── CLAUDE2.md # GoT 版本（保留） ├── deepresearchprocess.md # 流程文档（保留） ├── PROJECT_UNDERSTANDING.md # 本文档 ├── IMPLEMENTATION_GUIDE.md # 待创建：实现指南 └── examples/ # 示例输出（保留） ``` ### 7.4 Skill JSON 结构示例 **question-refiner/skill.json**: ```json { "name": "question-refiner", "description": "将原始研究问题细化为结构化的深度研究任务，通过澄清问题确保研究目标清晰", "instructions": "读取 instructions.md 获取详细指令", "examples": "读取 examples.md 查看示例" } ``` **deep-research/command.json**: ```json { "name": "deep-research", "description": "对给定主题执行完整的深度研究流程", "usage": "/deep-research [研究主题]", "skill": "research-executor" } ``` --- ## 8. 关键技术挑战和解决方案 ### 8.1 挑战 1: Context 限制 **问题**: 深度研究可能生成超过 200K tokens 的内容 **解决方案**: - 分模块生成（每个部分独立文件） - 使用摘要和引用链接 - 渐进式综合（分层聚合） ### 8.2 挑战 2: 引用准确性 **问题**: 幻觉引用或格式错误 **解决方案**: - Chain-of-Verification 验证循环 - 强制每个声明都有来源 - 使用多个来源验证关键声明 ### 8.3 挑战 3: 研究质量一致性 **问题**: 不同智能体输出质量不均 **解决方案**: - 标准化智能体提示词模板 - 评分和修剪低质量分支 - 聚合多个来源 ### 8.4 挑战 4: 用户交互 **问题**: 如何处理需要用户澄清的情况 **解决方案**: - 使用 AskUserQuestion 工具 - 分阶段执行（规划 → 用户确认 → 执行） - 保存中间状态供用户审查 --- ## 9. 实施路线图 ### Phase 1: 基础 Skills (1-2 周) - [ ] 创建 question-refiner skill - [ ] 创建 research-executor skill - [ ] 测试基础工作流程 ### Phase 2: GoT 集成 (2-3 周) - [ ] 创建 got-controller skill - [ ] 实现图操作（Generate, Aggregate, Refine, Score） - [ ] 创建智能体模板系统 ### Phase 3: Commands 和 UI (1 周) - [ ] 创建 /deep-research command - [ ] 创建 /refine-question command - [ ] 优化用户交互流程 ### Phase 4: 质量保证 (1-2 周) - [ ] 创建 citation-validator skill - [ ] 实现自动化质量检查 - [ ] 添加人工审查检查点 ### Phase 5: 测试和优化 (1-2 周) - [ ] 端到端测试 - [ ] 性能优化 - [ ] 文档完善 --- ## 10. 与现有代码的兼容性 ### 10.1 保留的文档 - `CLAUDE.md` - 作为参考文档 - `Claude2.md` - GoT 实现参考 - `deepresearchprocess.md` - 流程参考 - `examples/` - 输出示例 ### 10.2 新增的文档 - `PROJECT_UNDERSTANDING.md` - 本文档 - `IMPLEMENTATION_GUIDE.md` - 实施指南 - `.claude/skills/` - Skills 定义 - `.claude/commands/` - Commands 定义 ### 10.3 迁移策略 1. **渐进式迁移**: 先实现基础功能，再添加高级特性 2. **向后兼容**: 保留原有的手动工作流程 3. **A/B 测试**: 比较新旧方法的输出质量 --- ## 11. 成功指标 ### 11.1 功能性指标 - [ ] 能够完全用 Claude Code 完成深度研究（无需 ChatGPT） - [ ] 输出质量达到或超过示例标准 - [ ] 所有声明都有正确的引用 - [ ] 研究时间 < 30 分钟（对于 50,000 词报告） ### 11.2 用户体验指标 - [ ] 单命令执行: `/deep-research [topic]` - [ ] 交互式澄清: 自动询问必要细节 - [ ] 进度可见: TodoWrite 跟踪进度 - [ ] 可中断和恢复: 保存中间状态 ### 11.3 技术指标 - [ ] Context 使用效率 > 80% - [ ] 智能体并行度 ≥ 5 - [ ] 引用准确率 > 95% - [ ] 幻觉率 < 5% --- ## 12. 总结和下一步 ### 12.1 核心价值 这个项目展示了一种使用 Claude Code 实现高质量深度研究的方法论。通过系统化的 7 阶段流程、Graph of Thoughts 框架和多智能体协作，可以生成超越传统单次查询的综合研究报告。 ### 12.2 改进方向 将 ChatGPT 依赖替换为 Claude Code 原生 Skills 和 Commands，实现： 1. 更流畅的工作流程 2. 更好的集成和自动化 3. 更低的复杂度和成本 4. 更充分利用 Claude Code 的能力 ### 12.3 立即行动 1. 审查本理解文档的准确性 2. 确认优先级和范围 3. 开始实施 Phase 1: 基础 Skills 4. 迭代开发和测试 --- *文档版本: 1.0* *最后更新: 2025-12-25* *作者: Claude (Sonnet 4.5)*