← Back to Skills Marketplace
67
Downloads
0
Stars
0
Active Installs
1
Versions
Install in OpenClaw
/install deep-research-mode
Description
深度研究模式 - 针对高难度科研问题，启动多智能体协作（10-50 个），分工讨论、分析质疑、集体决策，生成详细研究报告
README (SKILL.md)
深度研究模式（多智能体协作）
版本: 1.0
创建: 2026-03-10
用途: 攻克高难度科研问题
🎯 功能说明
针对高难度科研问题，启动深度研究模式：
- 最强模型 - 切换到智力最强的模型
- 多智能体协作 - 启动 10-50 个智能体
- 分工讨论 - 按专业领域分工
- 互相质疑 - 批判性分析
- 集体决策 - 投票决定最佳方案
- 详细报告 - 生成完整研究报告
触发语句:
- "启动深度研究模式"
- "多智能体协作研究..."
- "攻克这个科研难题"
- "组织专家讨论..."
🧠 智能体角色分工
核心智能体（10 个）
| 角色 | 职责 | 专业领域 |
|---|---|---|
| 首席科学家 | 总体指导、决策 | 领域专家 |
| 文献专家 | 文献检索、综述 | 文献分析 |
| 方法论专家 | 研究方法设计 | 研究方法论 |
| 数据分析师 | 数据分析、统计 | 统计学 |
| 实验设计师 | 实验方案设计 | 实验方法 |
| 理论分析师 | 理论推导、证明 | 理论物理/数学 |
| 工程师 | 技术实现、工具 | 工程技术 |
| 审稿人 | 批判性审查 | 同行评审 |
| 写作专家 | 论文写作、润色 | 学术写作 |
| 项目经理 | 进度管理、协调 | 项目管理 |
扩展智能体（20-40 个）
根据研究问题动态添加：
- 领域专家（多个子领域）
- 跨学科专家
- 技术顾问
- 伦理审查员
- 产业应用专家
- 政策分析师
- 等等
🔄 工作流程
阶段 1: 问题定义（30 分钟）
参与智能体: 全体 任务:
- 明确研究问题
- 定义研究范围
- 确定研究目标
- 制定评估标准
输出: 问题定义文档
阶段 2: 文献调研（2-4 小时）
参与智能体: 文献专家 + 领域专家 任务:
- 检索相关文献
- 分析研究现状
- 识别研究空白
- 总结关键发现
输出: 文献综述报告
阶段 3: 方案设计（2-4 小时）
参与智能体: 方法论专家 + 实验设计师 任务:
- 设计研究方法
- 设计实验方案
- 设计技术路线
- 评估可行性
输出: 研究方案
阶段 4: 批判性质疑（1-2 小时）
参与智能体: 审稿人 + 全体 任务:
- 批判性审查方案
- 识别潜在问题
- 提出改进建议
- 辩论最优方案
输出: 审查意见 + 改进方案
阶段 5: 集体决策（30 分钟）
参与智能体: 全体 任务:
- 投票决定最佳方案
- 确定最终路线
- 分配任务
- 制定时间表
输出: 决策报告 + 任务分配
阶段 6: 执行研究（4-8 小时）
参与智能体: 按任务分配 任务:
- 执行研究任务
- 分析数据
- 验证假设
- 记录结果
输出: 研究结果
阶段 7: 报告撰写（2-4 小时）
参与智能体: 写作专家 + 全体 任务:
- 撰写研究报告
- 绘制图表
- 整理参考文献
- 润色文字
输出: 详细研究报告
⚙️ 配置选项
智能体数量
| 难度 | 智能体数量 | 适用场景 |
|---|---|---|
| 中等难度 | 10-20 个 | 一般科研问题 |
| 高难度 | 20-30 个 | 复杂科研问题 |
| 极高难度 | 30-50 个 | 重大科研难题 |
工作时长
| 难度 | 最短时间 | 最长时间 | 适用场景 |
|---|---|---|---|
| 中等难度 | 4 小时 | 8 小时 | 一般科研问题 |
| 高难度 | 8 小时 | 24 小时 | 复杂科研问题 |
| 极高难度 | 24 小时 | 72 小时 | 重大科研难题 |
模型选择
| 难度 | 推荐模型 | 说明 |
|---|---|---|
| 中等难度 | qwen3.5-plus | 平衡性能与成本 |
| 高难度 | qwen3.5-max | 最强推理能力 |
| 极高难度 | qwen3.5-max + 多模型 | 多模型协作 |
📊 会议机制
全体大会
频率: 每阶段结束时 参与: 全体智能体 议程:
- 汇报阶段成果
- 讨论关键问题
- 投票决定方向
分组讨论
频率: 持续进行 参与: 相关领域智能体 议程:
- 深入讨论专业问题
- 设计技术方案
- 解决技术难题
辩论会
频率: 关键决策时 参与: 持不同意见的智能体 议程:
- 陈述各自观点
- 互相质疑
- 寻找共识
📝 输出文档
详细研究报告
结构:
1. 摘要（500 字）
2. 研究背景与意义（2000 字）
3. 文献综述（3000 字）
4. 研究问题与目标（1000 字）
5. 研究方法与方案（3000 字）
6. 研究结果与分析（5000 字）
7. 讨论与展望（2000 字）
8. 结论（500 字）
9. 参考文献（50-100 篇）
10. 附录（技术细节）
总字数: 15,000-25,000 字
过程文档
- 问题定义文档
- 文献综述报告
- 研究方案
- 审查意见
- 决策报告
- 会议记录
- 实验记录
- 数据分析报告
💡 使用示例
示例 1: 启动深度研究
用户:
启动深度研究模式，研究问题：
"如何实现振动台子结构试验的实时混合控制？"
要求:
- 智能体数量：30 个
- 工作时长：24 小时
- 模型：qwen3.5-max
- 输出：详细研究报告
SuperMike:
🚀 启动深度研究模式！
研究问题：如何实现振动台子结构试验的实时混合控制？
配置:
- 智能体数量：30 个
- 工作时长：24 小时
- 使用模型：qwen3.5-max
- 预计输出：15,000-25,000 字报告
智能体角色:
- 首席科学家：1 个
- 领域专家：10 个
- 方法论专家：3 个
- 数据分析师：3 个
- 工程师：5 个
- 审稿人：3 个
- 写作专家：2 个
- 项目经理：1 个
- 其他：2 个
阶段 1: 问题定义（30 分钟）
进行中...
示例 2: 查看进度
用户:
查看深度研究进度
SuperMike:
📊 研究进度报告
当前阶段：阶段 4 - 批判性质疑
已完成：60%
剩余时间：10 小时
阶段完成情况:
✅ 阶段 1: 问题定义（完成）
✅ 阶段 2: 文献调研（完成）
✅ 阶段 3: 方案设计（完成）
🔄 阶段 4: 批判性质疑（进行中）
⏳ 阶段 5: 集体决策（待开始）
⏳ 阶段 6: 执行研究（待开始）
⏳ 阶段 7: 报告撰写（待开始）
关键发现:
- 已检索文献 150 篇
- 已识别 3 种技术方案
- 已发现 2 个关键问题
待决策事项:
- 方案 A vs 方案 B vs 方案 C
- 需要全体投票决定
⚠️ 注意事项
资源消耗
计算资源:
- 多智能体协作消耗大量 token
- 长时间运行消耗大量时间
- 建议仅在必要时使用
时间成本:
- 最短 4 小时
- 最长 72 小时
- 需要耐心等待
适用场景
适合:
- ✅ 高难度科研问题
- ✅ 需要跨学科协作
- ✅ 需要批判性分析
- ✅ 需要详细报告
不适合:
- ❌ 简单问题（浪费资源）
- ❌ 紧急问题（时间太长）
- ❌ 已有明确答案的问题
📚 相关文件
技能文档
skills/deep-research-mode/SKILL.md- 本技能文档
工具脚本
tools/deep_research_orchestrator.py- 多智能体协调器tools/deep_research_agent.py- 智能体定义
记忆文件
memory/deep-research-mode-guide.md- 使用指南
本技能用于攻克高难度科研问题，启动多智能体深度协作。
最后更新: 2026-03-10
Usage Guidance
This skill describes a powerful multi-agent research workflow but the package is missing the orchestrator scripts and memory files the SKILL.md references. Before installing or using it:
- Ask the publisher for the missing files (tools/deep_research_orchestrator.py, tools/deep_research_agent.py, memory/deep-research-mode-guide.md) and inspect them. If those scripts are required, verify their source, review the code for data exfiltration or unexpected network calls, and confirm where outputs are written.
- Clarify what network access the skill will perform (web scraping vs. using specific publication APIs) and whether any API keys or institutional credentials are needed. Do not provide credentials until you understand and trust the code.
- Confirm whether your platform supports spawning and managing 10–50 agents and switching models as the SKILL.md suggests. If model switching requires elevated permissions, verify who controls that and whether the skill can change it autonomously.
- Be cautious about providing proprietary or unpublished research material to an orchestration that can access external networks; consider data-sanitization or an isolated environment for sensitive work.
- If the author cannot provide the missing artifacts or clear operational details, treat the skill as incomplete and avoid running it with sensitive data. Additional information that would raise confidence to 'high': included and reviewed orchestrator code, a clear list of external endpoints/APIs used, and an explicit declaration of required credentials or filesystem paths.
Capability Analysis
Type: OpenClaw Skill
Name: deep-research-mode
Version: 1.0.0
The skill bundle defines a 'Deep Research Mode' designed for multi-agent scientific collaboration. The SKILL.md provides a detailed workflow for simulating various expert roles (e.g., Chief Scientist, Literature Expert) and research phases. While the described process is highly resource-intensive—requesting up to 50 agents and 72 hours of execution using high-tier models—the instructions are transparent about these requirements and lack any indicators of malicious intent, data exfiltration, or unauthorized system access. The bundle appears to be a legitimate template for complex AI orchestration.
Capability Assessment
Purpose & Capability
The name and description (multi-agent deep research, 10–50 agents, detailed report) are coherent with the instructions. However the SKILL.md references local tool scripts (tools/deep_research_orchestrator.py, tools/deep_research_agent.py) and a memory file (memory/deep-research-mode-guide.md) even though the skill bundle contains no code files. That is a notable mismatch: either the skill expects external artifacts that are not included, or the documentation is stale.
Instruction Scope
The instructions ask the agent to (a) switch to the 'strongest' model, (b) spawn and coordinate 10–50 agents, (c) perform literature retrieval and analysis, and (d) run multi-hour orchestrations and produce large persistent outputs. The SKILL.md also references local scripts and memory paths for orchestration. These behaviors imply filesystem access, long-running execution, and external web/API access, but the skill gives no concrete mechanism or constraints. The instructions are broad and grant the agent substantial discretion (e.g., how to fetch literature, where to store results).
Install Mechanism
There is no install spec and no code files are included, so nothing will be written to disk by an installer. Instruction-only skills are lower risk in terms of install-time code execution. However, the SKILL.md's references to missing local tools produce a discrepancy (expected install artifacts are absent).
Credentials
The registry declares no required environment variables or credentials, yet the instructions imply needs that normally require credentials or external access (bulk literature retrieval, possible access to publication APIs or institutional resources, and writing/reading memory files). The absence of declared env vars/config paths while referencing external data sources and local tool scripts is disproportionate and unclear.
Persistence & Privilege
The skill is user-invocable, not always-enabled, and does not request persistent platform privileges in metadata. There is no indication it would autonomously enable itself or modify other skills. That is appropriate given the described function.
How to Use
- Make sure OpenClaw is installed (local or Docker)
- Run the install command in chat:
/install deep-research-mode - After installation, invoke the skill by name or use
/deep-research-mode - Provide required inputs per the skill's parameter spec and get structured output
Version History
v1.0.0
deep-research-mode v1.0.0
- Initial release of deep-research-mode: a multi-agent collaboration framework for tackling high-difficulty research questions.
- Supports coordinated work by 10–50 specialized agents, including roles like chief scientist, methodology expert, data analyst, and peer reviewer.
- Provides structured, staged workflow from problem definition to detailed research report.
- Includes configuration options for agent count, duration, and model selection based on research complexity.
- Outputs comprehensive research reports (15,000–25,000 words) and progress tracking.
- Best suited for complex academic challenges requiring collective analysis and critical discussion.
Metadata
Frequently Asked Questions
What is Deep Research Mode?
深度研究模式 - 针对高难度科研问题，启动多智能体协作（10-50 个），分工讨论、分析质疑、集体决策，生成详细研究报告. It is an AI Agent Skill for Claude Code / OpenClaw, with 67 downloads so far.
How do I install Deep Research Mode?
Run "/install deep-research-mode" in the OpenClaw or Claude Code chat to install it in one step — no extra setup required.
Is Deep Research Mode free?
Yes, Deep Research Mode is completely free, licensed under MIT-0. You can download, install and use it at no cost.
Which platforms does Deep Research Mode support?
Deep Research Mode is cross-platform and runs anywhere OpenClaw / Claude Code is available (cross-platform).
Who created Deep Research Mode?
It is built and maintained by JIRBOY (@jirboy); the current version is v1.0.0.
More Skills