refactor: flatten skills directory structure

- Restructure skills/research-zh and skills/research-en to flat layout - Each skill now in its own directory (research, research-deep, etc.) - Update installation: cp -r skills/research-zh/* ~/.claude/skills/ - Update command references from /research:deep to /research-deep Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>
2026-01-08 11:30:50 +08:00
parent 46529e4b88
commit bb7b8453e2
14 changed files with 26 additions and 32 deletions
@@ -0,0 +1,144 @@
+---
+user-invocable: true
+allowed-tools: Read, Write, Glob, WebSearch, Task, AskUserQuestion
+description: 对目标话题进行初步调研，生成调研outline。用于学术调研、benchmark调研、技术选型等场景。
+---
+
+# Research Skill - 初步调研
+
+## 触发方式
+`/research <topic>`
+
+## 执行流程
+
+### Step 1: 模型内部知识生成初步框架
+基于topic，利用模型已有知识生成：
+- 该领域的主要研究对象/items列表
+- 建议的调研字段框架
+
+输出{step1_output}，使用AskUserQuestion确认：
+- items列表是否需要增减？
+- 字段框架是否满足需求？
+
+### Step 2: Web Search补充
+使用AskUserQuestion询问时间范围（如：最近6个月、2024年至今、不限）。
+
+**参数获取**：
+- `{topic}`: 用户输入的调研话题
+- `{YYYY-MM-DD}`: 当前日期
+- `{step1_output}`: Step 1生成的完整输出内容
+- `{time_range}`: 用户指定的时间范围
+
+**硬约束**：以下prompt必须严格复述，仅替换{xxx}中的变量，禁止改写结构或措辞。
+
+启动1个web-search-agent（后台），**Prompt模板**：
+```python
+prompt = f"""## 任务
+调研话题: {topic}
+当前日期: {YYYY-MM-DD}
+
+基于以下初步框架，补充最新items和推荐调研字段。
+
+## 已有框架
+{step1_output}
+
+## 目标
+1. 验证已有items是否遗漏重要对象
+2. 根据遗漏对象进行补充items
+3. 继续搜索{topic}相关且{time_range}内的items并补充
+4. 补充新fields
+
+## 输出要求
+直接返回结构化结果（不写文件）：
+
+### 补充Items
+- item_name: 简要说明（为什么应该加入）
+...
+
+### 推荐补充字段
+- field_name: 字段描述（为什么需要这个维度）
+...
+
+### 信息来源
+- [来源1](url1)
+- [来源2](url2)
+"""
+```
+
+**One-shot示例**（假设调研AI Coding发展史）：
+```
+## 任务
+调研话题: AI Coding 发展史
+当前日期: 2025-12-30
+
+基于以下初步框架，补充最新items和推荐调研字段。
+
+## 已有框架
+### Items列表
+1. GitHub Copilot: Microsoft/GitHub开发，首个主流AI编程助手
+2. Cursor: AI-first IDE，基于VSCode
+...
+
+### 字段框架
+- 基本信息: name, release_date, company
+- 技术特性: underlying_model, context_window
+...
+
+## 目标
+1. 验证已有items是否遗漏重要对象
+2. 根据遗漏对象进行补充items
+3. 继续搜索AI Coding 发展史相关且2024年至今内的items并补充
+4. 补充新fields
+
+## 输出要求
+直接返回结构化结果（不写文件）：
+
+### 补充Items
+- item_name: 简要说明（为什么应该加入）
+...
+
+### 推荐补充字段
+- field_name: 字段描述（为什么需要这个维度）
+...
+
+### 信息来源
+- [来源1](url1)
+- [来源2](url2)
+```
+
+### Step 3: 询问用户已有字段
+使用AskUserQuestion询问用户是否有已定义的字段文件，如有则读取并合并。
+
+### Step 4: 生成Outline（分离文件）
+合并{step1_output}、{step2_output}和用户已有字段，生成两个文件：
+
+**outline.yaml**（items + 配置）：
+- topic: 调研主题
+- items: 调研对象列表
+- execution:
+  - batch_size: 并行agent数量（需AskUserQuestion确认）
+  - items_per_agent: 每个agent调研项目数（需AskUserQuestion确认）
+  - output_dir: 结果输出目录（默认./results）
+
+**fields.yaml**（字段定义）：
+- 字段分类和定义
+- 每个字段的name、description、detail_level
+- detail_level分层：极简 → 简要 → 详细
+- uncertain: 不确定字段列表（保留字段，deep阶段自动填充）
+
+### Step 5: 输出并确认
+- 创建目录: `./{topic_slug}/`
+- 保存: `outline.yaml` 和 `fields.yaml`
+- 展示给用户确认
+
+## 输出路径
+```
+{当前工作目录}/{topic_slug}/
+  ├── outline.yaml    # items列表 + execution配置
+  └── fields.yaml     # 字段定义
+```
+
+## 后续命令
+- `/research-add-items` - 补充items
+- `/research-add-fields` - 补充字段
+- `/research-deep` - 开始深度调研