[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-83445":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":15,"subscribersCount":15,"size":15,"stars1d":16,"stars7d":17,"stars30d":17,"stars90d":15,"forks30d":15,"starsTrendScore":18,"compositeScore":19,"rankGlobal":10,"rankLanguage":10,"license":10,"archived":20,"fork":20,"defaultBranch":21,"hasWiki":22,"hasPages":20,"topics":23,"createdAt":10,"pushedAt":10,"updatedAt":24,"readmeContent":25,"aiSummary":10,"trendingCount":15,"starSnapshotCount":15,"syncStatus":14,"lastSyncTime":26,"discoverSource":27},83445,"deep-research","hoolulu\u002Fdeep-research","hoolulu","深度调研报告生成 Skill — 一个命令，十分钟，多语言，一份深度专业的调研报告 \u002F Professional deep research report generation Skill · Supports 19 languages","",null,"Python",282,26,2,0,16,196,150,4.29,false,"main",true,[],"2026-06-12 02:04:34","# Opencode deep-research Skill\n\n**OpenCode 深度调研报告生成 Skill。**\n\n> **当前版本：** 见 [`VERSION`](VERSION) · [查看更新](https:\u002F\u002Fgithub.com\u002Fhoolulu\u002Fdeep-research\u002Fcommits\u002Fmain)\n\n**一个命令，六分钟，一份深度专业的调研报告。**\n\n---\n\n**非 OpenCode 独占。** Claude Code、Codex CLI、Cursor、Windsurf、Cline、Aider、Continue.dev 等主流 AI 编码工具读取本项目后稍作改造即可使用。\n\n多 agent 编排（OpenCode 的 `task()`）思路通用，各平台有自己的等价机制，照猫画虎就行。Scrapling（Python 抓取库）和搜索 API 都是标准 Python\u002FHTTP 工具，不绑定平台。Scrapling 是保证抓取效率和质量的核心依赖，推荐必装。\n\n本 skill 的核心价值在于实现思路，而非适配某个特定工具。\n\n如果你用不同的 CLI 工具，你可以定义任何搜索工具，或者在 Rules.md 和 Types.md 中修改对特定行业的需求。\n\n注意，适配调研任何主题，不光是能做行业研报哦！看我出的案例报告就知道啦。\n\n---\n\n## 一、为什么你需要这个\n\n让 AI 帮你做调研，你大概率碰过这些坑：\n\n搜索 + 总结 → 太浅，出来几条摘要，没有纵深。  \n行业报告按份收费 $50–500+ → 太贵，个人用不起。  \n海外工具 → 搜不到国内资源如：百度百科、知乎、199IT、艾瑞。  \nAI 编数字 → 看起来合理，但找不到来源。\n\n这个 skill 走完 **4 层流程**才交报告。不是搜完就出，是析→搜验→写→验。\n\n## 二、谁适合用\n\n**独立开发者**、**独立研究者**、**小团队**。  \n需要专业级调研能力，但不想依赖付费数据库或研究机构的人。\n\n## 三、一次标准模式调研的输出\n\n| 指标      | 数据                                                        |\n| ------- | --------------------------------------------------------- |\n| 报告长度    | 620 行 \u002F 约 15,000 字                                        |\n| 数据表     | 26 张，覆盖市场规模、产能分配、技术参数、区域竞争等多个维度                           |\n| 分析段落    | 155 段（每段含结论 + 数据 + 因果 + 判断）                               |\n| 引用的独立机构 | 18+（中国信通院、艾瑞咨询、国家统计局、百度百科、知乎、36氪、澎湃新闻等） |\n| 反方观点    | 8 处（产能过剩担忧、技术可行性分歧、市场饱和争议等）                               |\n| 数据收集    | ~30-45 秒                                                  |\n| 报告生成    | ~3-4 分钟                                                   |\n| 总耗时     | ~6 分钟                                                     |\n\n📂 **[查看全部案例报告 →](案例报告\u002F)** 点此浏览所有已生成的调研报告，可直接点击打开阅读。\n\n## 四、工作逻辑\n\n整个流程分 4 个阶段，按顺序自动执行：\n\n```\n① 分析大纲 — 分析主题，生成调研框架和搜索计划\n         ↓\n② 采集数据 — SearXNG \u002F Exa 级联搜索 + Scrapling 批量抓取 + 数据池提取 + 预检（合并完成）\n         ↓\n③ 并行撰写 — 多章节同时撰写，事实直接嵌入 prompt，不做工具调用\n         ↓\n④ 验收装配 — 批量 validate → assemble-report → convert-citations → qa-report（主 agent 内联执行）\n```\n\n## 五、搜索链路与内置资源\n\n所有工具已内置，无需额外购买。系统采用 **三层级联搜索** 策略：SearXNG（作者已部署的元搜索引擎，70+ 引擎含百度\u002F搜狗）→ Exa（OMO 内置冷备）→ 十多个免费搜索引擎 + 国内数据源（最终兜底）。每层引擎检测通过即用，不继续探测下级，确保响应速度。整个流程如下：\n\n```\nLayer 1 — SearXNG（作者部署，70+ 引擎含百度\u002F搜狗，开箱即用）\n  ↓ 不可用时\nLayer 2 — Exa（OMO 内置冷备，零费用）\n  ↓ 不可用时\nLayer 3 — 免费源补强（兜底）\n  ├─ 搜索补强线      │  已知源补强线\n  ├─ DuckDuckGo      │  百度百科 \u002F 维基百科\n  ├─ Bing 国内版     │  知乎 \u002F 36氪 \u002F 澎湃新闻\n  ├─ Brave \u002F Mojeek  │  199IT \u002F 艾瑞咨询 \u002F 东方财富\n  ├─ Semantic Scholar│  国家统计局 \u002F 微博 \u002F CSDN\n  └─ GDELT \u002F arXiv   │  豆瓣 \u002F 虎嗅\n```\n\n> 搜索补强线可**动态发现**任意其他网站，不限于上述列表。所有来源的 URL 最终统一由 Scrapling 批量抓取全文。\n\n> 个人和机构的差距以前是\"调研团队 + 付费数据库\"。现在一个人 + 一个命令可以覆盖海内外全网公开信息。\n\n## 六、报告独特亮点\n\n\n| 维度          | 说明                         |\n| ----------- | -------------------------- |\n| **纯中文专业行文** | Oracle 直接写中文，不是英译中         |\n| **每个数字有来源** | 标注\"（机构，年份）\"。找不到来源的数字不写     |\n| **正反观点并存**  | 每章呈现争议和反对观点，不回避矛盾             |\n| **置信度分级**   | 末章汇总表（高\u002F中\u002F低），什么可靠什么有争议一目了然 |\n| **数据防坑机制**    | 自动识别常见数据错误——单位搞混、数据造假、张冠李戴，不让有问题的数据混进报告 |\n| **段落重于行数**  | 每章 8-12 段正文为核心，表格和空行灌不了水   |\n\n\n## 七、三种深度\n\n\n| 命令 | 用途 | 最少章数 | 最少段落\u002F章 | 字数上限（字符） | 参考耗时 |\n|------|------|---------|------------|----------------|---------|\n| `\u002Fresearch 主题` | standard 默认 | 8 | ≥ 5 | ≤ 12,000 | ~6–10 min |\n| `\u002Fresearch 主题 -quick` | 快速洞察 | 5 | ≥ 4 | ≤ 8,000 | ~5–8 min |\n| `\u002Fresearch 主题 -deep` | 极致深度 | 10 | ≥ 6 | ≤ 25,000 | ~12–18 min |\n> 以上参数见 `profiles.json`，修改该文件后重启软件即全局生效。字数 = 去掉空格和 Markdown 语法的纯字符数。\n\n## 八、运行截图\n\u003Cimg width=\"1807\" height=\"1449\" alt=\"image\" src=\"https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Ff13fccef-dee1-43ef-a1bc-1aabda02b86f\" \u002F>\n\n\n\n## 九、安装\n\n### 🧠 方式一：AI 傻瓜安装（推荐）\n\n把下面这段提示词复制到 OpenCode 聊天框发送，AI 会自动完成一切：\n\n```text\n请调研 https:\u002F\u002Fgithub.com\u002Fhoolulu\u002Fdeep-research 项目，根据文档要求，依次完成：\n\n1. 安装所有前置依赖（根据 Scrapling 官方文档和你当前的操作系统，自行确定安装方式并验证成功）\n2. 注册 Scrapling MCP Server，并确保用户重启 CLI 工具后正常使用\n3. 注册 \u002Fresearch 和 \u002Fresearch-update 命令\n\n每完成一步都确认结果，所有步骤完成后读取 VERSION 文件确认版本号，并总结安装状态（哪些成功、哪些失败、下一步需要用户做什么）。\n```\n\nAI 会读取项目文档→理解系统类型→逐项安装→验证可用性。不需要手动执行任何命令。\n\n### 🔧 方式二：非 OpenCode 用户（Claude Code \u002F Codex CLI \u002F Cursor 等）\n\n把这段提示词粘贴到你的 AI 编码工具中：\n\n```text\n请调研 https:\u002F\u002Fgithub.com\u002Fhoolulu\u002Fdeep-research 项目，根据文档要求自动安装前置依赖，适配我的 CLI 工具。需要完成：\n\n1. 安装 Python 和 Scrapling（根据 Scrapling 官方文档和你当前的操作系统自行确定安装方式并验证）\n2. 注册 Scrapling MCP Server，并确保用户重启 CLI 工具后正常使用\n3. 注册等价于 \u002Fresearch 和 \u002Fresearch-update 的自定义命令\n4. 核心是理解多 agent 编排管道设计思路，把 Task 链式架构翻译成当前工具的等价实现\n\n每完成一步确认结果，安装完成后读取 VERSION 文件确认版本号，并总结安装状态（哪些成功、哪些失败、下一步需要用户做什么）。\n```\n\n不同工具的适配点：多 agent 编排需映射到各自的原生机制（Claude Code 的 sub-agent、Codex CLI 的多文件任务、Cursor 的 agent 模式等），搜索和抓取逻辑（python-scrapling + 搜索 API）可原样复用。\n\n### 还没有 OpenCode？\n\n```bash\ncurl -fsSL https:\u002F\u002Fopencode.ai\u002Finstall | bash\n```\n\n装完再选上面的方式安装。\n\n### 前置依赖\n\n\n| 组件                                   | 用途                                       | 获取方式                                                                   |\n| ------------------------------------ | ---------------------------------------- | ---------------------------------------------------------------------- |\n| **OpenCode**                         | AI 编码 agent 运行时                          | `curl -fsSL [https:\u002F\u002Fopencode.ai\u002Finstall](https:\u002F\u002Fopencode.ai\u002Finstall) |\n| **oh-my-openagent（OH-MY-OPENAGENT）** | 提供分析\u002F搜索等子 agent + 自动配置 MCP | `opencode plugins add oh-my-openagent`                                 |\n| **SearXNG**                         | 网页搜索（主力，作者已部署 70+ 引擎含百度\u002F搜狗） | 内置默认端点，开箱即用（替换教程见 FAQ）                                      |\n| **Exa MCP**                          | 网页搜索（冷备）                             | 由 OMO 自动配置                                                             |\n| **Scrapling + MCP Server**           | 网页全文抓取                                   | `pip install scrapling` + AI 自动在 `opencode.json` 中注册 MCP 配置 |\n\n\n> 本 skill 依赖 OH-MY-OPENAGENT 插件提供的子 agent。如果没有安装，`\u002Fresearch` 命令无法执行。\n\n## 十、使用方法\n\n安装并重启 OpenCode 后，在聊天框输入：\n\n```\n\u002Fresearch 你的主题             # standard 模式，~6-10 分钟\n\u002Fresearch 你的主题 -quick       # quick 模式，~5-8 分钟\n\u002Fresearch 你的主题 -deep        # deep 模式，~12-18 分钟\n```\n\n检查更新：`\u002Fresearch-update`\n\n### 发送后会发生什么\n\n整个流程自动运行，你不需要做任何操作：\n\n```\n① 分析大纲 — 分析主题，生成调研框架和搜索计划\n② 采集数据 — SearXNG \u002F Exa 级联搜索 → Scrapling 批量抓取 → 数据池提取 → 预检验证（合并完成）\n③ 并行撰写 — 多章节同时撰写，事实直接嵌入 prompt，不做额外工具调用\n④ 装配验收 — 批量 validate → assemble-report → convert-citations → qa-report（主 agent 直接执行，不派 sub-agent）\n```\n\n> 以上累计 ~4-5 分钟。复杂主题可能延长，简单主题可能缩短。\n\n### 输出文件\n\n报告以 Markdown 格式保存到 skill 目录下的 `案例报告\u002F` 文件夹，文件名包含日期时间戳：\n\n```\n~\u002F.opencode\u002Fskills\u002Fdeep-research\u002F案例报告\u002F\n```\n\n可以用任何 Markdown 阅读器（Typora \u002F Obsidian \u002F VS Code 等）打开。\n\n你也可以指定报告的存放路径，让 AI 帮你修改。\n\n👉 **[浏览所有已生成的案例报告](案例报告\u002F)** — 点击即可查看历史报告列表。\n\n## 十一、成本\n\n\n| 组件                       | 费用                                                                                                              |\n| ------------------------ | --------------------------------------------------------------------------------------------------------------- |\n| **LLM（你已经在用的）**          | **DeepSeek v4 Flash** 基准：quick 约 10–20 万 token \u002F \u003C 0.15 元，standard 约 15–35 万 \u002F \u003C 0.3 元，deep 约 30–60 万 \u002F \u003C 0.6 元 |\n| **SearXNG 搜索（作者部署）** | 已部署在 VPS，零费用，无限畅用                                                                              |\n| **Exa 搜索**               | OpenCode 内置，零额外费用（冷备引擎）                                                                                   |\n| **Scrapling 抓取**         | 纯本地运行，零费用                                                                                                       |\n| **国内源（百度百科\u002F维基百科\u002F知乎\u002F36氪\u002F澎湃\u002F199IT\u002F艾瑞\u002F东方财富\u002F国统局等）** | 直连零费用，不要代理                                                                                                      |\n| **OpenCode 运行时**         | MIT 开源，零费用                                                                                                      |\n\n\n> 以上 token 估算基于 DeepSeek v4 Flash。不同模型、不同复杂度的主题，Token 消耗和费用会有差异。仅供参考。\n\n## 十二、FAQ\n\n**1. 搜索额度？怎么保证搜索不中断？**\n\n系统采用 **三层级联搜索** 架构，每层引擎各自独立，上层失效自动降级到下层：\n\n- **Layer 1 — SearXNG（作者部署）**：作者在 VPS 上部署的元搜索引擎，聚合 70+ 搜索引擎（含百度\u002F搜狗\u002FGoogle\u002FBing），中文英文全覆盖。内置默认端点，开箱即用，无限畅用、不限速、无额度限制。\n- **Layer 2 — Exa（冷备）**：OpenCode 内置的搜索引擎，OMO 插件自动配置，零费用。如触发 rate limit，自动跳到 Layer 3。\n- **Layer 3 — 免费源补强（最终兜底）**：DuckDuckGo \u002F Bing \u002F Brave \u002F Mojeek \u002F Semantic Scholar \u002F GDELT \u002F arXiv + 百度百科 \u002F 知乎 \u002F 199IT \u002F 艾瑞 \u002F 36氪 \u002F 澎湃 \u002F 东方财富 \u002F 微博 \u002F CSDN \u002F 虎嗅 \u002F 豆瓣 等 20+ 源。不依赖任何 API Key，永远可用。\n\n**如果自己注册 Exa 的 API Key：**\n\n免费注册 Exa（https:\u002F\u002Fdashboard.exa.ai\u002Fapi-keys，每月 1,000 次，不绑卡），设置环境变量：\n```\n$env:EXA_API_KEY = \"你的exa-key\"\n```\n设置后 Exa 额度变为你的个人配额（1,000次\u002F月），绕过共享 Key 的 rate limit。\n\n**2. 数据安全吗？**\n\n所有处理在本地完成。不收集、不上传任何用户数据。\n\n**3. 如何更新到最新版本？**\n\nOpenCode 用户有两种方式：\n\n- **AI 命令**：输入 `\u002Fresearch-update`，AI 自动对比本地和远程版本号，如有更新则执行 `git pull`\n- **手动**：`cd ~\u002F.opencode\u002Fskills\u002Fdeep-research && git pull`\n\n版本号可通过 `cat ~\u002F.opencode\u002Fskills\u002Fdeep-research\u002FVERSION` 查看。\n\n**4. 非 OpenCode 用户能自动更新吗？**\n\n不能。`\u002Fresearch-update` 是 OpenCode 专属功能，其他 AI 编程工具没有对应的命令系统，没法一键更新。\n\n你可以让 AI 帮你做版本对比和更新适配。把下面这段提示词粘贴到你的 AI 编码工具中：\n\n```text\n请调研 https:\u002F\u002Fgithub.com\u002Fhoolulu\u002Fdeep-research 项目的最新版本代码，对比当前本地已有代码的差异，找出自上次安装以来上游新增了哪些功能、修复了哪些问题，然后逐项应用到本地的适配版本中。注意保持你所在平台的适配改动不变，只合并上游的通用改进。\n```\n\n## License\n\nMIT\n\n本项目采用 MIT 协议。选择 MIT 而非 GPL\u002FCC 等更严格的协议，是因为本项目的核心是一套可移植的方法论和管道设计，而非需要保护版权的成品库。MIT 能让它在不同平台和工具链中被最大化地复用和改造，与\"非 OpenCode 独占\"的定位一致。\n\n---\n\n> 社区讨论帖子：[LINUX DO](https:\u002F\u002Flinux.do\u002Ft\u002Ftopic\u002F2312664)\n","2026-06-11 04:11:11","CREATED_QUERY"]