Research Workflow Skill — Productivity skill for Claude Code

调研工作流引擎

一个面向 Claude Code / Codex / Agent Skills 的结构化调研工作流。

它把“上网查一下”拆成可复用的路由系统：先判断调研深度 L1/L2/L3，再选择调研场景 W1-W6，最后按工具优先级、来源质量和持久化规则执行。目标不是让 Agent 更会搜索，而是让 Agent 在设计、选型和实现前先系统确认：有没有现成方案、别人怎么做、风险在哪里、证据从哪里来。

说明：当前设计是 **L1/L2/L3 三档调研深度 + W1-W6 六类调研场景**，不是 L1-L6。

解决什么问题

日常用 AI Agent 做开发或研究时，常见问题是：

• 太快进入实现，没有先确认有没有成熟方案。
• 技术选型只看一两个搜索结果，缺少对比和反面证据。
• 调研结果散落在对话里，后续无法复用。
• 复杂调研没有分工，主线程上下文被大量搜索结果淹没。
• 不同类型的问题都用同一种搜索方式，效率和质量不稳定。

这个工作流的处理方式：

• 简单问题快速查，直接回答。
• 标准调研交给一个 Researcher 子代理。
• 深度调研拆成多个方向，并行子代理执行。
• 关键声明附来源，区分事实和推测。
• 调研报告保存到项目或全局 research memory，并维护索引。

快速使用

确定性入口：

/research 调研 XXX 的 YYY

自然语言触发：

帮我调研一下 XXX
评估一下要不要用 YYY
找找有没有现成开源方案

触发后，Agent 会先声明调研配置：

[MODE: RESEARCH] 调研启动
- 级别: L2
- 工作流: W3 技术评估
- 验证深度: 🟡
- 时效性: 📅
- 工具: gh CLI, Tavily, Exa, Context7
- 执行方式: 单个子代理

调研分级

级别	适用场景	执行方式
L1 快查	确认用法、查配置、找文件、少量信息查询	主线程直接完成
L2 标准调研	技术选型、方案对比、GitHub 搜索、最佳实践调研	单个 Researcher 子代理
L3 深度调研	多方案对比、跨领域问题、高风险决策、需要网络和代码分析	多个 Researcher 子代理并行

默认判断规则：

• “查一下”“确认一下”通常是 L1。
• “选型”“比较”“找 GitHub 项目”通常是 L2。
• “完全未知领域”“多维度对比”“高风险决策”通常是 L3。
• 不确定时默认 L2，执行中发现范围扩大可以升级到 L3。

W1-W6 工作流

工作流	名称	适合的问题	模板
W1	方案发现	有没有现成工具、开源项目、竞品或替代方案	W1-discovery.md
W2	用户洞察	用户在抱怨什么、真实痛点是什么	W2-user-insight.md
W3	技术评估	能不能实现、怎么复用、有哪些技术路线	W3-tech-eval.md
W4	最佳实践	别人怎么做、行业内有哪些成熟做法	W4-best-practice.md
W5	知识扩展	最新技术、最新技巧、近期动态	W5-knowledge.md
W6	文献研究	学术上怎么看、理论依据和证据质量如何	W6-literature.md

复杂问题可以组合多个工作流。例如：

• “这个功能该不该自研，技术上可不可行”通常组合 W1 方案发现 + W3 技术评估。
• “评估一个产品方向有没有机会”通常组合 W1 方案发现 + W2 用户洞察 + W4 最佳实践。
• “系统研究某个学术问题”通常使用 W6 文献研究，并按 L3