深度研究技能
深度研究技能 是 AI Skill Hub 本期精选Agent工作流之一。已获得 1.6k 颗 GitHub Star，综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
深度研究技能 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.0 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
深度研究技能 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
深度研究技能 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install deep-research-skills
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install deep-research-skills
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/Weizhena/Deep-Research-skills
cd Deep-Research-skills
pip install -e .
# 验证安装
python -c "import deep_research_skills; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
deep-research-skills --help
# 基本用法
deep-research-skills input_file -o output_file
# Python 代码中调用
import deep_research_skills
# 示例
result = deep_research_skills.process("input")
print(result)
# deep-research-skills 配置文件示例（config.yml） app: name: "deep-research-skills" debug: false log_level: "INFO" # 运行时指定配置文件 deep-research-skills --config config.yml # 或通过环境变量配置 export DEEP_RESEARCH_SKILLS_API_KEY="your-key" export DEEP_RESEARCH_SKILLS_OUTPUT_DIR="./output"
Deep Research Skill for Claude Code / OpenCode / Codex
If you find this project helpful, please give it a star! :star:
Inspired by RhinoInsight: Improving Deep Research through Control Mechanisms for Model Behavior and Context
A structured research workflow skill for Claude Code, OpenCode, and Codex, supporting two-phase research: outline generation (extensible) and deep investigation. Human-in-the-loop design ensures precise control at every stage.
Required: Install Python dependency
pip install pyyaml ```
Required: Install Python dependency
pip install pyyaml ```
Important: In OpenCode, ANY model's websearch requiresOPENCODE_ENABLE_EXA=1. A plainexportonly affects the current shell; writing it to~/.bashrcmakes it persistent. Without it, you only getweb fetch, which is weaker for the deep research phase.
Required: Install Python dependency
pip install pyyaml
Add or update `~/.codex/config.toml` using either method below:
**Option A: Automatic script**
**Option B: Manual edit**
[features] multi_agent = true default_mode_request_user_input = true
[agents.web_researcher] description = "Use this agent when you need to research information on the internet, particularly for debugging issues, finding solutions to technical problems, or gathering comprehensive information from multiple sources. This agent excels at finding relevant discussions. Use when you need creative search strategies, thorough investigation, or compilation of findings from multiple sources." config_file = "agents/web-researcher.toml" ```
Installation
git clone https://github.com/Weizhena/deep-research-skills.git
cd deep-research-skillsRequired: Install agent and modules
cp agents/web-search-agent.md ~/.claude/agents/ cp -r agents/web-search-modules ~/.claude/agents/
Required: Install agent and modules
cp agents/web-search-opencode.md ~/.config/opencode/agents/web-search.md cp -r agents/web-search-modules ~/.config/opencode/agents/
Required: Install web researcher agent and modules
cp agents-codex/web-researcher.toml ~/.codex/agents/ cp -r agents-codex/web-search-modules ~/.codex/agents/
Use Cases
- Academic Research: Paper surveys, benchmark reviews, literature analysis
- Technical Research: Technology comparison, framework evaluation, tool selection
- Market Research: Competitor analysis, industry trends, product comparison
- Due Diligence: Company research, investment analysis, risk assessment
Workflow & Example
Example: Researching "AI Agent Demo 2025"
Optional: make it permanent
echo 'export OPENCODE_ENABLE_EXA=1' >> ~/.bashrc source ~/.bashrc
(Optional) Not satisfied? Add more
/research-add-items
/research-add-fieldsReferences
- RhinoInsight: Improving Deep Research through Control Mechanisms for Model Behavior and Context
高质量的开源AI工作流项目
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，深度研究技能 在Agent工作流赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | Deep-Research-skills |
| Topics | claude-codedeep-research-agentgpt-skillsllm-agentpython |
| GitHub | https://github.com/Weizhena/Deep-Research-skills |
| License | MIT |
| 语言 | Python |
收录时间：2026-07-13 · 更新时间：2026-07-13 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。