AutoGLM DeepResearch Skill

对用户课题进行少量搜索 + 有限深读，先展示中间结果，再生成结构化调研报告。

依赖 API

1. Web Search — 搜索网页

2. Open Link — 打开页面获取详细内容

脚本启动时会先向本地服务发起 HTTP GET 请求获取 token：

若返回值不含 Bearer 前缀，脚本会自动补全。

两个 API 使用相同的签名 Headers：

• X-Auth-Appid: 100003
• X-Auth-TimeStamp: 当前秒级 Unix 时间戳
• X-Auth-Sign: MD5(100003 + "&" + timestamp + "&" + 38d2391985e2369a5fb8227d8e6cd5e5)

执行脚本

使用同目录下的脚本：

# 搜索
python web-search.py "搜索关键词"

# 打开页面
python open-link.py "https://example.com"

深度研究流程

收到用户的研究课题后，按以下步骤执行：

Step 1：拆解子问题

将课题拆解为 1～2 个最关键的搜索方向，不要扩散成过多子问题。优先选择最能直接回答用户问题的维度，例如：

• 背景与定义
• 最新现状 / 关键数据
• 代表性案例（仅在确有必要时）

如果用户的问题本身已经很具体，可以直接进入搜索，不必额外拆很多子问题。

Step 2：多轮搜索

调用 web-search.py 进行 1～2 次搜索，总量必须受控：

• 默认先做 1 次搜索。
• 只有当第一次搜索结果明显不够、结果质量差、或缺少关键维度时，才进行第 2 次搜索。
• 不要为了“完整性”机械扩展搜索轮次。

每次搜索后，先整理并向用户呈现中间结果，再决定是否继续。中间结果至少应包含：

• 本次搜索使用的查询词
• 2～5 条最相关结果的 name / url / snippet
• 对当前信息是否足够的简短判断

Step 3：筛选重要页面并深度阅读

从搜索结果中筛选 1～3 个 最相关的页面 URL，再调用 open-link.py 获取页面全文（data.text）。

控制规则：

• 默认只打开 1 个页面。
• 仅当第 1 个页面信息不足、存在明显缺口、或需要交叉验证时，再增加到 2 或 3 个。
• 不要批量打开多个相似来源。

筛选标准：

• snippet 信息量丰富、与课题高度相关
• 来源权威（官方网站、知名媒体、学术机构）
• 避免重复来源

每次打开页面后，也应先展示中间提炼结果，再继续下一步。中间结果建议包含：

• 页面标题或 URL
• 3～6 条关键信息点
• 与用户问题的相关性说明

如果前 1～2 个页面已经足够回答问题，应停止继续调用。

Step 4：综合分析，生成报告

在完成有限搜索和有限深读后，先给出一个简短的“中间结论 / 当前发现”小节，再输出最终总结。

整合所有搜索 snippet 和页面全文，按以下结构输出报告：

# [课题名称] 深度调研报告

## 中间发现
（先列出搜索和页面阅读阶段已经确认的关键事实、主要来源、仍未确认的点）

## 概述
（2～3 句话概括核心结论）

## 背景
（课题的基本定义、背景信息）

## 现状分析
（关键数据、现状描述）

## 典型案例 / 代表性观点
（具体案例或多方观点）

## 发展趋势
（未来走向判断）

## 总结
（综合结论与建议）

## 参考来源
1. [页面标题](URL)
2. [页面标题](URL)
...

执行约束

• web-search.py 最多调用 2 次。
• open-link.py 最多调用 3 次。
• 优先少调用、快返回；够用即可，不追求“穷尽式”检索。
• 每一轮搜索或打开页面后，都尽量把中间结果先展示出来。
• 当已有信息足以回答用户问题时，立即停止进一步调用并进入总结。