Deep Research Skill

市面上绝大多数所谓的「AI 深度调研」，本质是 **Wide Research**：并行搜一堆来源，按主题分好类，给你一份工整的 checklist。看起来很全，事实也没错，但没用——它只有目录，没有判断。

这个 skill 把 Agent 掰到另一条路上：**Deep Research**。精读一手源，把它们之间的矛盾挑出来，最后落到一个业内人真的会跟你争论的判断上。

一个区分，决定一切

Wide Research 是 LLM 的出厂设置，产出的是「正确的废话」。这个 skill 就是一套护栏，把它从默认模式里拽出来。

文件里装了什么

一套四阶段工作流，以及比工作流更重要的东西：不让 Agent 跳过 Phase 0 的纪律。

**`Phase 0`　元思考 — 绝不外包** 一次搜索都还没发起，先拷问问题本身：为什么问这个？隐藏假设是什么？有没有一个「显而易见但其实不对」的标准答案，而这篇报告的全部价值就是说清它为什么不对？然后写下「好答案」该长什么样：核心论点摆到一屋子业内人面前得能吵起来，而不是集体点头。

**`Phase 1`　一手源精读** 找到那 3 到 5 篇真正的原始文献（财报、创始人自己写的博文、电话会议逐字稿、论文原文），完整读完。二手总结每转一手，洞见就蒸发一层。

**`Phase 2`　对比与反例** 选 2 到 3 个案例做深度对比，专门去挖失败案例和批评声音。收敛本身是发现，分歧背后的原因是更大的发现。

**`Phase 3`　交叉验证** 多源印证的可信，单源的标注存疑，互相矛盾的——这才是最有意思的地方，去分析这个矛盾意味着什么。

**`Phase 4`　把论证写出来** 段落优先于表格，每一章只推进一个论点，诚实标注不知道的部分。最后一道自检：如果核心结论放到业内不会引发任何争论，重写。

六种翻车方式，以及怎么当场抓住自己

这个文件最值钱的部分是「翻车目录」：把 Agent 最容易走的捷径一条条写下来，每条都配一个**检测信号**，让你（或 Agent）当场判断是不是正在犯。

**1　·　跳过 Phase 0 直接搜** 没有假设引导，subagent 返回的是信息碎片，不是论证素材。

检测信号：subagent 的 prompt 里没有「假设」或「待验证的论点」。

**2　·　拿 subagent 的返回结构当报告骨架** 你会得到一个伪装成分析的主题目录。

检测信号：章节标题拿去当搜索关键词刚好合适（「定价对比」「适合谁」）——那是文件柜，不是论证。

**3　·　用表格和 bulle