autonomous-deep-research

给定开放研究问题，该 Skill 通过 research.py 执行分解、检索、综合、反思与迭代闭环，输出含子问题、发现、置信度、覆盖度、开放缺口和下一步的 report.json，并用 learner.py 记录检索与迭代模式以优化后续研究；可离线或在线双模运行。

qq435912743

热度 12.46

最近更新 2026-08-14 09:30:47

分类：搜索依赖：代码执行 / 读写文件应用场景：研究 / 报告撰写 / 摘要总结 / 工作流

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add autonomous-deep-research

Metadata

name: autonomous-deep-research
version: 1.0.0
description: 自主深度研究（整合与进阶·元能力）。给定一个开放研究问题，agent 自主完成：问题分解→多源检索(rag / web-fetch)→综合与交叉验证→反思覆盖度→迭代逼近答案。对标一线大模型智能体的「深度研究」能力（如 Deep Research），且可离线/在线双模运行、自带置信度校准与未解缺口标记。当需要对一个复杂、多侧面问题做有依据、可追溯、可迭代的研究时使用。
agent_created: true
visibility: public

autonomous-deep-research —— 自主深度研究

把「提出好问题 + 检索 + 综合」熔成一条可迭代、可追溯的研究闭环。这是目前一线大模型正重点攻关的方向，也是「强模型 vs 超级研究 agent」的分水岭。

闭环（research.py 真实实现）

分解 Decompose：把主问题拆成 3–5 个可独立检索的子问题（按连词/关键概念切分）。
检索 Retrieve：对每个子问题，优先调用 rag(本地知识库) 或 web-fetch(在线)；两者皆缺时降级为「本地启发式」，并显式标记 needs_web 供下一轮补齐。
综合 Synthesize：把各子答案按「主张 + 依据 + 置信度」结构聚合成研究报告。
反思 Reflect：检查每个子问题是否已有依据、是否存在自相矛盾，定位覆盖空洞。
迭代 Iterate：对空洞子问题进入下一轮检索（最多 max-iter 轮），逐步逼近完整答案。

使用

python autonomous-deep-research/scripts/research.py \
  --question "RAG 在 agent 架构里到底解决什么问题？和纯微调大模型相比边界在哪？" \
  --out report.json --max-iter 2

输出 `report.json`

{
  "question": "...",
  "sub_questions": ["...","..."],
  "findings": [{"sub":"...","answer":"...","confidence":0.8,"needs_web":false}],
  "synthesized_answer": "结构化综合结论（含分节与依据）",
  "coverage": 0.85,
  "open_gaps": ["尚未用在线数据验证 X"],
  "next_steps": ["对 X 补一次 web-fetch 检索"]
}

自我进化

自带 learner.py（由 skill-self-improve 注入）。每次研究后把「哪类问题最难检索 / 哪类主张最易缺依据 / 迭代轮次与覆盖度提升的关系」记入 learned_patterns.json，下一次自动调优分解粒度与检索策略。