ttttstc DeepResearch — Think 阶段的深度调研引擎
启动宣告： "正在使用 vibeflow-deepresearch — 深度调研引擎启动。"
目标
在用户启动新项目前，系统性地分析同领域高星项目的：
- 竞品发现（GitHub 高星项目）
- 能力矩阵（功能对比）
- 技术栈分布（语言、框架、依赖）
- 产品护城河（竞品的核心壁垒）
- 差异化机会（Gap 识别）
核心价值： "了解已有方案"是创新的前提，不是负担。站在巨人肩膀上找差异化。
输入
- 必需：用户提供的领域关键词或问题描述
- 可选：已有的
brief.md（已有项目背景）
执行流程
用户输入领域关键词
│
├──▶ Agent 1: 竞品发现（先行）
│ → 输出: Top 5-10 竞品列表
│
└──▶ 3 Agent 并行（基于竞品列表）
├── Agent 2: 技术栈分析
├── Agent 3: 能力矩阵
└── Agent 4: 护城河调研
│
↓
聚合输出
├── 竞品分析报告（Markdown）
├── 护城河矩阵
├── 差异化机会矩阵
└── 技术选型建议
注意：Agent 2/3/4 依赖 Agent 1 的输出（竞品列表），必须串行执行。
Phase 1: 竞品发现（Agent 1）
竞品发现
使用 GitHub Search API 搜索同领域高星项目：
# 搜索策略
gh search repos "<领域> framework" --sort stars --limit 20
gh search repos "topic:<领域>" --sort stars --limit 20
筛选条件：
- stars > 500
- 最近更新 < 12 months
- 按 stars 降序排列
输出： Top 5-10 竞品列表（项目名、Stars、最新更新、简介、技术栈）
Phase 2: 并行调研（3 Agents）
基于 Agent 1 的竞品列表，3 个 Agent 并行执行：
Agent 2: 技术栈分析
对竞品列表中的项目，读取其依赖文件：
# 对每个竞品项目
gh repo view <owner>/<repo> --json name,primaryLanguage
# 读取依赖文件（使用 GitHub API）
gh api repos/<owner>/<repo>/contents/package.json
gh api repos/<owner>/<repo>/contents/Cargo.toml
gh api repos/<owner>/<repo>/contents/requirements.txt
gh api repos/<owner>/<repo>/contents/go.mod
分析内容：
- 主要语言（TypeScript/Python/Rust/Go 等）
- 框架（React/Vue/Express/FastAPI 等）
- 关键依赖
- 架构模式（微服务/单体/Serverless）
输出： 技术栈分布统计表
Agent 3: 能力矩阵
对竞品列表中的项目，读取 README.md 提取功能列表：
gh api repos/<owner>/<repo>/contents/README.md
分析内容：
- Features 章节下的功能列表
- 支持的功能矩阵（认证、API、数据库、部署等维度）
- 缺失的功能（机会点）
输出： 功能对比矩阵表
Agent 4: 产品护城河调研
分析竞品的核心壁垒和护城河：
# 获取 Stars 增长趋势
gh api repos/<owner>/<repo> --jq '{stars: .stargazers_count, forks: .forks_count, pushed: .pushed_at}'
# 获取贡献者数量
gh api repos/<owner>/<repo>/contributors?per_page=1 --jq '.length'
# 获取开源协议
gh repo view <owner>/<repo> --json license
# 获取 README 中的亮点描述
gh api repos/<owner>/<repo>/contents/README.md
分析维度：
- 生态锁定：插件数量、集成数量、SDK 支持
- 网络效应：贡献者数量、社区活跃度、star 趋势
- 数据积累：学习资源数量、文档完善度
- 品牌先发：开源时间、版本号、社区规模
- 技术积累：独特架构设计、性能优化、专有算法
输出： 护城河分析矩阵（每个竞品的核心壁垒）
Phase 2: 聚合输出
将 4 个 Agent 的结果聚合为结构化报告：
输出路径： docs/deepresearch/<timestamp>-<领域>.md
报告结构：
# DeepResearch Report: <领域>
**生成时间**: YYYY-MM-DD HH:mm
**调研深度**: <N> 个竞品
## 1. 竞品发现
[表格：项目名、Stars、最新更新、简介]
## 2. 能力矩阵
[功能对比矩阵表]
## 3. 技术栈分布
[语言占比、框架模式、热门依赖]
## 4. 产品护城河
[每个竞品的核心壁垒分析]
## 5. 差异化机会
[Gap 矩阵：机会 vs 竞品覆盖度]
## 6. 技术选型建议
[基于分析的建议]
---
*由 vibeflow-deepresearch 生成*
并行执行说明
4 个 Agent 使用 Agent 工具并行启动，每个 Agent：
- 独立运行，拥有完整上下文
- 按领域关键词执行调研
- 将结果写入临时存储或直接输出
Agent 提示词模板 详见 references/analysis-prompts.md
使用场景
DeepResearch 是独立工具，不是 Think 阶段的嵌入步骤。
核心定位
- 开发者竞品输入工具：在实现某个功能前，先调研同类产品的能力分布、技术选型和护城河
- 调研结果归档：
docs/deepresearch/<领域>-<timestamp>.md - 按需读取：只有当用户明确要实现某个功能时，才读取对应调研内容进行方案规划
典型流程
用户：我要做一个 AI Agent 框架，先调研一下竞品
│
├──▶ 调用 vibeflow-deepresearch
├──▶ 4 个 Agent 并行调研
├──▶ 报告归档到 docs/deepresearch/ai-agent-framework-2026-03-29.md
│
└── 用户决定实现某个具体功能时（如"支持 Tool Calling"）
│
└──▶ 读取 docs/deepresearch/ai-agent-framework-2026-03-29.md
└──▶ 参考竞品能力矩阵和护城河分析
└──▶ 制定差异化实现方案
使用示例
用户：/vibeflow-deepresearch
Assistant：
请提供您想调研的领域或关键词：
> AI Agent 框架
正在启动竞品发现 Agent...
[发现 8 个高星竞品]
正在启动 3 个并行分析 Agent...
[调研完成]
报告已保存至 docs/deepresearch/ai-agent-framework-2026-03-29.md
---
用户：我要实现 Tool Calling 功能，先看看竞品怎么做的
Assistant：
正在读取调研报告 docs/deepresearch/ai-agent-framework-2026-03-29.md...
竞品分析：
- LangChain: 原生支持，生态丰富
- AutoGPT: 基础支持，文档完善
- 差异化机会：...
集成
调用方式： 用户主动调用 /vibeflow-deepresearch
产出归档： docs/deepresearch/<领域>-<timestamp>.md
按需读取： 在 Plan/Design 阶段实现具体功能时，读取相关调研报告
与 Think 的关系： 独立工具，不嵌入 Think 流程，但可作为 Think 的前置输入
参考文档
- 搜索策略：
references/search-strategies.md - Agent 提示词模板：
references/analysis-prompts.md - 报告模板：
references/output-template.md