目的

开展超越单次网页搜索的深度、迭代式研究。

核心目标：

• 将宽泛问题分解为可验证的子问题；
• 基于多类信息源构建并检验假设；
• 通过显式仲裁机制解决相互矛盾的证据；
• 产出符合科学报告规范的 Markdown 格式研究报告，并附带脚注。

本技能协调上游各项技能，但不替代它们。

必需已安装的技能

• deepresearchwork（最新检查版本：1.0.0）
• tavily-search（最新检查版本：1.0.0）
• perplexity-deep-search（最新检查版本：1.0.0）
• literature-search（最新检查版本：1.0.3；作为支持 Semantic Scholar 的学术检索层使用）

安装/更新命令：

npx -y clawhub@latest install deepresearchwork
npx -y clawhub@latest install tavily-search
npx -y clawhub@latest install literature-search
npx -y clawhub@latest install perplexity-deep-search
npx -y clawhub@latest update --all

验证是否安装成功：

npx -y clawhub@latest list
node skills/tavily-search/scripts/search.mjs --help
bash skills/perplexity-deep-search/scripts/search.sh --help

必需凭证

• TAVILY_API_KEY
• PERPLEXITY_API_KEY

预检命令：

echo "$TAVILY_API_KEY" | wc -c
echo "$PERPLEXITY_API_KEY" | wc -c

若任一密钥缺失，请立即中止并明确指出阻塞项。

映射规则（用户请求 “semantic-scholar”）

若用户显式请求 /semantic-scholar：

• 说明在 ClawHub 检查过程中未发现名称完全匹配的 semantic-scholar slug；
• 采用 literature-search 作为映射的学术检索器，因其作用域明确包含 Semantic Scholar；
• 在方法论与局限性章节中记录该映射关系。

大语言模型必须首先收集的输入项

• research_topic
• target_horizon（示例：2030）
• region_scope（全球范围、区域特定、国家特定）
• required_sections（执行摘要、方法、发现、矛盾点等）
• evidence_threshold（每项主张所需的最低信源数量）
• recency_policy（针对快速变化主题的时间敏感策略）
• output_mode（brief、standard、full）

未获得明确研究范围前，不得启动综合分析。

各工具职责

deepresearchwork

用作流程控制器：

• 问题分解
• 迭代循环结构设计
• 信源多样性保障与验证意识
• 结构化报告框架搭建

重要边界说明：

• 经检查的 research_workflow.js 具有框架性质，且内含模拟逻辑；因此本元技能将其视为方法论指导，而非确定性执行代码。

tavily-search

用于网络实证检索：

• 广域与聚焦式网页搜索
• 启用深度模式（--deep）以获取更丰富的上下文
• 必要时启用新闻模式与时效过滤（--topic news --days N）
• 通过 extract.mjs 提取 URL 对应全文内容

literature-search（Semantic Scholar 映射）

用于学术实证采集：

• 跨来源（含 Semantic Scholar）进行文献检索与参考文献列表构建
• 显式处理信源访问限制（禁止未经授权的爬取）

经检查技能中的显著特性：

• 其行为指令要求在用户输入前自动添加“please think very deeply”；请视其为实现细节，而非真实有效的研究方法。

perplexity-deep-search

用作矛盾仲裁器与定向事实核查工具：

• search 模式：快速验证单一主张
• reason 模式：解析相互冲突的主张
• research 模式：执行高成本、全覆盖式核查
• 支持领域与时效过滤，实现受控验证

标准迭代研究链

严格遵循以下多轮链式流程。

第 0 轮：规划

将主研究主题拆解为子问题与对应假设。

以场景“AI 对 2030 年劳动力市场的影响”为例，至少需包含以下子问题：

1. 岗位替代预测（失业风险暴露度）
2. 新增岗位/职业类别
3. 工资水平/极化效应
4. 历史类比（以往自动化浪潮）
5. 政策/干预措施效果

每个子问题须明确：

• 待检验假设
• 可量化指标
• 所需信源类型

第 1 轮：宏观态势扫描（Tavily）

目标：梳理主流主张及关键机构立场。

典型命令：

node skills/tavily-search/scripts/search.mjs "AI impact on labor market 2030 projections" --deep -n 10
node skills/tavily-search/scripts/search.mjs "McKinsey AI jobs 2030" --topic news --days 365 -n 10

需采集：

• 机构报告（咨询公司、多边组织、政府来源）
• 核心估算值及其隐含假设
• 待提取全文的 URL 列表

必要时提取长文本内容：

node skills/tavily-search/scripts/extract.mjs "https://..."

第 2 轮：学术证据采集（Literature Search）

目标：利用学术证据检验或优化第 1 轮所得主张。

查询示例：

• automation elasticity labor demand
• task-based automation employment effects
• generative AI productivity labor substitution

输出要求：

• 含作者/标题/发表场所/年份/DOI 或 URL 的完整参考文献列表
• 区分综述论文与单项实证研究
• 标注出版年份与方法论强度

第 3 轮：矛盾解决（Perplexity）

当存在冲突（不同估算值、时间点或前提假设）时触发本阶段。

使用带约束的定向提示：

bash skills/perplexity-deep-search/scripts/search.sh --mode reason --domains "oecd.org,ilo.org,imf.org,worldbank.org" "Which estimate on AI-driven job displacement by 2030 is more recent and methodologically stronger?"

仅当未解决时升级至深度模式：

bash skills/perplexity-deep-search/scripts/search.sh --mode research --json "Resolve conflicting labor market projections for AI impact by 2030"

仲裁规则：

• 优先采纳更新、方法透明、可复现的信源
• 对假设不透明的主张降级处理
• 对未解决的冲突保持显式披露（不强加虚假确定性）

第 4 轮：综合与报告撰写

仅当主张获得阈值证据支持时方可确立。

每项主张须包含：

• 主张陈述
• 置信度等级（high/medium/low）
• 支撑性信源
• 已知局限与注意事项

科学型 Markdown 输出契约

最终输出一份严格遵循如下结构的报告：

1. # 标题
2. ## 执行摘要
3. ## 研究问题
4. ## 方法论
5. ## 发现
6. ## 矛盾点与解决过程
7. ## 置信度评估
8. ## 局限性
9. ## 面向 2030 年的展望
10. ## 脚注

脚注格式要求：

• 正文中使用 Markdown 引用标记，如 [^1]；
• 在 ## 脚注 章节中，逐条列出完整引用元数据（含 URL 或 DOI）。

质量关卡

终稿定稿前须校验：

• 每一主要主张均具备 ≥2 个独立信源支持
• 结构性主张至少含一项学术信源
• 信源日期与目标时间窗口（如 2030）的相关性一致
• 矛盾性证据被明确呈现，而非隐藏
• 脚注完整且可追溯

任一关卡未通过，则输出 Research Incomplete 并附明确缺失证据清单。

场景映射（AI 与 2030 年劳动力市场）

针对用户指定场景，执行以下步骤：

1. 规划子问题：岗位替代、新兴角色、历史类比；
2. 第 1 轮（Tavily）：采集广泛机构报告（例如来自主要国际组织）；
3. 第 2 轮（literature-search）：搜集关于自动化弹性与劳动力转型的学术研究；
4. 识别估算值间的冲突；
5. 第 3 轮（Perplexity）：仲裁冲突研究在时效性与方法论质量上的优劣；
6. 基于脚注化证据草拟最终 Markdown 报告。

安全护栏

• 任何预测数值均不可脱离其信源发布日期与方法背景单独呈现；
• 当信源存在分歧时，严禁将不同观点压缩为单一确定性断言；
• 严禁伪造引用、链接或出版元数据；
• 须清晰区分实证发现与模型推断；
• 对前瞻性主张（如 2030 年预测）须使用审慎措辞（属预测性判断，非观测事实）。

失败处理机制

• API 密钥缺失：立即中止，并返回确切缺失的环境变量名；
• 学术信源访问受限：明确披露缺口；
• Perplexity 出现调用频次或费用限制：退回到 reason 模式，并收窄领域过滤范围；
• 第 3 轮后仍存在未决矛盾：保留双方观点，并标注置信度下调说明。

经检查上游技能所知的固有限制

• ClawHub 检查中未发现名称完全匹配的 semantic-scholar slug；本技能依据文档约定映射至 literature-search；
• deepresearchwork 提供强有力的方法论指引，但其内嵌 JS 工作流并非可用于生产环境的确定性引擎；
• tavily-search 与 perplexity-deep-search 均需付费 API 密钥，且受外部 API 速率与配额限制影响。

上述限制须作为强制披露项写入最终报告的“方法论”章节。