yaron9 Deep Research 深度研究
基于 dzhng/deep-research 思路，用 Claude Code 原生能力实现。
研究流程
收到研究请求后，按以下步骤执行：
1. 分解查询（广度）
根据主题生成 3-5 个不同角度的搜索查询：
- 基础概念/定义
- 最新进展/动态
- 技术实现/原理
- 应用场景/案例
- 对比/竞品
2. 迭代搜索（深度）
对每个查询：
WebSearch获取搜索结果WebFetch抓取 2-3 个高质量页面详情- 提取关键信息，发现新问题
- 对新问题继续搜索（迭代 1-2 轮）
2.5 NotebookLM 补充查询（可选）
如果用户的 NotebookLM 中有与主题相关的笔记本，可作为私有知识源补充公开搜索的盲区：
# 搜索是否有相关笔记本
python ~/.claude/skills/notebooklm-skill/scripts/run.py notebook_manager.py search --query "关键词"
# 查询笔记本获取有引用的回答
python ~/.claude/skills/notebooklm-skill/scripts/run.py ask_question.py --question "具体问题" --notebook-id ID
使用时机：
- 话题涉及用户个人积累的领域知识（已上传到 NotebookLM）
- 公开搜索结果不够深入，需要私有资料补充
- 用户主动要求"查一下我的 NotebookLM"
不要每次调研都自动查 NotebookLM，只在相关时使用。
3. 综合报告
整合所有信息，输出结构化报告：
# [主题] 深度研究报告
## 摘要
[3-5 句核心发现]
## 背景与定义
## 技术原理/核心机制
## 最新进展
## 应用场景
## 竞品对比（如适用）
## 未来展望
## 参考来源
使用示例
用户说：
- "深度研究一下 AI Agent"
- "调研 MCP 协议的最新进展"
- "research Claude Code 的竞品"
输出位置
报告写入：/tmp/research_report.md