结构化知识探索与深度研究引擎

结构化研究管理工具，支持交互式与深度异步两种研究模式，自动生成可迭代的Markdown文档与PDF导出

基本信息

• 技能名称?Research
• 中文名称?结构化知识探索与深度研究引擎
• 作者?brennerspear
• 分类?专业技能
• 版本?1.1.0
• 标签?research, knowledge-management, documentation, markdown, async-research, cli-integration

使用方法

使用说明
核心用法
Research Skill 是一款面向知识工作者的结构化研究管理工具，采用"文档即产物"的设计理念。它将对话视为临时过程，最终输出为可持久化的Markdown研究文档。
两种研究模式

1. 交互式研究（默认）
   适合与用户协作探索的实时研究场景。系统会自动创建标准化文件夹结构（ ~/.openclaw/workspace/research/ / ），包含 prompt.md （研究问题）和 research.md （动态更新的研究发现）。每次对话循环执行：搜索资料→更新文档→展示进度→引导下一步探索。
2. 深度研究（异步）
   针对复杂课题的全面调查，通过 parallel-research CLI调用Parallel AI API。支持多档处理器（lite至ultra8x），耗时从分钟到数小时不等，最终生成详细Markdown报告。
   文档生命周期
   研究文档包含六大标准模块：待解决问题、研究发现、方案对比、资源引用、下一步行动。支持合成检查点（每5-10轮对话）、状态标记（Active/Complete/Ongoing/Graduated）、以及向项目规格文档的晋升流转。
   显著优点
   研究过程资产化 ：将分散的对话转化为结构化知识库，避免重复劳动
   双轨制灵活适配 ：轻量探索用交互式，复杂课题用深度模式
   开放生态集成 ：预留 parallel-research 、 export-pdf 等CLI扩展接口
   渐进式完善 ：支持从研究直接"毕业"为项目规格，无缝衔接开发
   局限性与风险
   外部工具依赖 ：深度研究需用户自行安装Parallel AI CLI并配置API密钥
   无原生PDF渲染 ：依赖PyMuPDF，表格会退化为堆叠行显示
   研究质量边界 ：工具本身不保证研究结论准确性，取决于底层搜索能力与用户判断
   成本不透明 ：Parallel AI调用可能产生费用，但技能文档未明确计费说明
   适合人群
   产品经、技术负责人、学术研究者、独立开发者等需要系统性探索课题、对比方案、建立知识档案的专业人士。特别适合在立项前进行技术选型、市场分析、竞争格局研究等场景。
   常规风险
   API密钥管理不当可能导致泄露
   长期研究文档若缺乏版本控制可能丢失历史
   深度研究任务的异步特性需要用户自行设计轮询或cron检查机制