← 返回 Skills 市场
muqi98-michael

Deep Search-mpro

作者 muqi98-michael · GitHub ↗ · v1.0.0 · MIT-0
cross-platform ⚠ suspicious
304
总下载
1
收藏
0
当前安装
2
版本数
在 OpenClaw 中安装
/install deep-search-mpro
功能描述
专业深度研究与报告生成技能。支持企业竞争分析、产品竞争分析、行业分析、市场规模/竞争格局、AI大模型厂商、AI工具学习指南等领域。基于 Agent 内置 `web_search` + `web_fetch`（无需 API key），三阶段工作流（主题确认→框架生成→报告输出），运用PESTEL、SWOT、波特五力...
使用说明 (SKILL.md)

专业研究报告技能

概述

该技能用于生成专业、咨询级别的研究报告，覆盖市场分析、AI 大模型厂商、SaaS 厂商、AI 工具学习指南、竞争情报、行业研究等领域。

核心能力

  • ✅ 多源检索能力：使用 Agent 内置 web_search + web_fetch（无需 API key）
  • ✅ 三阶段工作流：主题理解与确认 + 分析框架生成 + 报告生成
  • ✅ 交互式确认：支持用户确认、修改、提问等交互式反馈
  • ✅ 双格式输出：Markdown + HTML，深蓝色政务风格

何时使用本技能

  • 用户请求市场分析、消费者洞察报告、财务分析、行业研究
  • 用户输入具体 AI 工具名称，需要生成学习指南（如"Cursor 学习指南"）
  • 用户需要专业的咨询风格研究报告
  • 用户提供研究主题，并在数据收集前需要结构化分析框架

整合的技能与能力

本技能整合了以下核心搜索能力，提供多源数据搜索与分析支持：

整合来源 路径 能力说明 版权归属
web_search 内置 Agent 内置快速搜索能力，用于获取基础信息 Agent 内置
web_fetch 内置 Agent 内置深度抓取/检索能力，用于获取更详细页面内容 Agent 内置

能力集成说明：

本技能使用 Agent 内置 web_search 与 web_fetch 完成数据采集与检索（无需 API key）

三阶段工作流

阶段 0：主题理解与确认

目的：确保正确理解用户的研究需求，避免方向偏差。

工作流程：

  1. 解析用户输入

    • 识别研究主题、分析领域、搜索范围、特定角度

  2. 推断分析领域

根据主题关键词推断分析领域，加载对应的领域文档：

主题类型 关键词示例 领域文档
行业分析 "{行业名}行业分析"、"ERP行业趋势"、"AI Agent行业" references/domains/industry-analysis.md
企业竞争分析 "{公司名}分析"、"{公司名}竞争分析"、"{公司名}研究"、金蝶、用友、SAP等 references/domains/company-analysis.md
产品竞争分析 "{产品名}分析"、"{产品名}研究"、"{产品名}竞争力" references/domains/product-analysis.md
市场规模/竞争格局 "市场规模分析"、"竞争格局研究"、"市场机会评估" references/domains/market-analysis.md
AI 大模型厂商 OpenAI、Anthropic、DeepSeek、智谱AI等 references/domains/ai-vendor-analysis.md
AI 工具学习指南 "AI工具使用指南"、"Gemini教程" references/domains/ai-tool-learning-guide-framework.md

推断逻辑：

  1. 行业关键词（行业分析、行业趋势、行业研究）→ 行业分析

  2. 企业名称 + 分析/研究 → 企业竞争分析

  3. 产品名称 + 分析/研究 → 产品竞争分析

  4. 市场规模/竞争格局关键词（市场规模、竞争格局、市场机会）→ 市场规模/竞争格局分析

  5. AI 厂商名（OpenAI、DeepSeek等）→ AI 厂商分析

  6. 生成确认提示

向用户展示以下确认项，等待用户确认或修改：

确认项 说明 示例
研究主题 解析后的核心研究对象 "金蝶企业竞争分析"
研究方向 分析领域及分析角度 "企业竞争分析：商业模式 + 竞争格局 + 近期动态"
时间范围 数据收集的时间窗口 "近一周" / "近一月" / "自定义（如2024Q1）"

时间范围说明：

  • 近一周：聚焦最新动态、热点事件、近期发布
  • 近一月：平衡时效性与深度，适合大多数分析
  • 自定义：特定时间段（如财报季、产品发布周期）

时间参数传递：

  • 时间范围确认后，记录为全局参数 search_time_range
  • 在阶段1数据收集时，自动转换为搜索时间过滤条件
  • 示例：search_time_range = "近一周" → 搜索引擎添加 &before=2026-03-18&after=2026-03-11
  1. 处理反馈
    • 用户确认 → 记录时间参数，进入阶段 1
    • 用户修改 → 更新确认项后重新确认
    • 用户提问 → 解答后重新确认

详细流程和示例：见 references/workflow/phase0-details.md

阶段 1：分析框架生成

目的：生成完整的分析框架，作为后续数据收集与报告生成的蓝图。

工作流程：

  1. 理解研究主题

    • 识别核心对象和分析领域
    • 加载对应的领域文档（references/domains/*.md）

  2. 选择分析模型

    • 根据领域文档推荐，按需加载模型文件（references/models/*.md）
    • 每次研究只加载 2-4 个模型，避免堆砌
    • 模型索引：references/models/README.md

  3. 设计章节骨架

    • 每章包含：分析目标、分析逻辑、核心假设
    • 典型结构：3-5 个主要章节

  4. 定义数据需求

    • 每条需求包含：指标、类型、来源、搜索方法、优先级
    • P0 数据必须收集，P1 重要，P2 补充

  5. 定义可视化方案

    • 为每章定义图表类型和数据来源

详细流程和示例：见 references/workflow/phase1-details.md

阶段 2：报告生成

目的：将分析框架和数据整合为最终的咨询级报告。

工作流程：

  1. 接收并校验输入

    • 确认分析框架和数据包齐全
    • 检查 P0 数据完整性

  2. 映射报告结构

    • Abstract → Introduction → Body Chapters → Conclusion → References

  3. 撰写报告

    • 遵循"视觉锚点 → 数据对比 → 综合分析"流程
    • 每个小节以充分的分析段落结尾（≥200字）

  4. 撰写摘要和结论

    • 摘要：3-5 句话，200-300 字
    • 结论：纯客观综合判断，不使用 bullet points

  5. 整理参考文献

    • 按 GB/T 7714-2015 格式列出

  6. 生成输出文件

    • Markdown 文件：assets/report-template.md
    • HTML 文件：根据分析模型组合模块化模板

HTML 模板系统：

位于 assets/templates/ 目录，提供 10 个模块化模板：

模板文件 分析模型
product-overview-template.html 产品概览
target-users-template.html 目标用户分析
core-features-template.html 核心功能
business-model-canvas-template.html 商业模式画布
porter-five-forces-template.html 波特五力分析
swot-analysis-template.html SWOT 分析
pestel-analysis-template.html PESTEL 分析
competitor-matrix-template.html 竞品对比矩阵
timeline-template.html 关键时间线
key-metrics-template.html 关键指标

模板组合建议：

研究类型 推荐模板组合
AI 厂商/产品 产品概览 → PESTEL → 目标用户 → 竞品矩阵 → 商业模式画布 → SWOT → 核心功能
市场竞争 产品概览 → PESTEL → 波特五力 → 竞品矩阵 → 关键指标
商业模式 产品概览 → PESTEL → 商业模式画布 → SWOT
行业研究 产品概览 → PESTEL → 波特五力 → 关键指标 → 时间线

详细流程和示例：见 references/workflow/phase2-details.md

数据收集策略

两层搜索方案（web_search -> web_fetch）

第一层：Agent 内置 web_search（优先使用）

  • 快速获取基础信息
  • 参数：query、max_results（建议 3-10）
  • 适用场景：验证“信息是否存在”、获取初始线索

第二层：web_fetch 深度搜索

  • 直接访问搜索引擎获取详细结果
  • 只抓取与本次研究结论直接相关的页面/段落（不进行自动遍历、批量爬取）
  • 支持使用常见搜索运算符（如站点限定/文件类型限定/时间过滤），具体见 references/technical/search-engines.md
  • 详细使用方法：见 references/technical/search-engines.md
  • 适用场景：当需要更详细的页面内容/报告片段时

边界说明：

  • 本技能不自动运行仓库内的本地采集脚本（例如 scripts/data_collector.py）。如需在本地执行任何网络采集脚本，请显式启用网络请求、设置请求上限，并遵守目标站点的 robots 与访问条款。

搜索策略执行逻辑

对于每个数据需求（P0/P1/P2）：

1. 先使用 web_search 快速获取
   - 成功：进入数据提取
   - 失败：进入第2层

2. 使用 web_fetch 深度搜索
   - 成功：进入数据提取
   - 失败：标注"数据暂不可得"

数据提取：
- 从搜索结果中提取关键数据
- 多源交叉验证（至少2个来源）
- 标注数据可信度（high/medium/low）

内置搜索能力说明

本技能已内置整合以下搜索能力，用户无需额外安装任何子技能：

搜索层 能力来源 说明
第1层 Agent 内置 web_search 默认优先使用
第2层 Agent 内置 web_fetch 深度搜索
（仅两层：web_search 与 web_fetch）。所有检索通过 Agent 内置这两个能力完成（无需 API key）。所有通用 URL 模板与使用方法见 references/technical/search-engines.md

数据真实性协议

严格遵循规则：报告中呈现的所有数据，必须直接来源于提供的 Data Summary 或 External Search Findings。

  • 禁止幻觉：不得编造、估算或模拟数据
  • 可追溯来源：每个重要结论和图表都必须能够追溯到输入的数据包
  • 数据缺失处理：如数据缺失，明确写出"数据暂不可得"

输出格式

Markdown 文件

  • 文件名：{主题关键词}-report-{日期}.md
  • 模板：assets/report-template.md

HTML 文件

  • 文件名：{主题关键词}-report-{日期}.html
  • 模板：assets/html-template.html
  • 风格：深蓝色政务/企业内报风格
  • 布局：左侧树状导航（固定）+ 右侧内容展示

格式与语气标准

  • 语气：麦肯锡 / BCG 风格 —— 权威、客观、专业
  • 数字格式：千位分隔使用英文逗号（1,000）
  • 数据强调：重要观点和关键数字需加粗
  • 标题编号：使用标准编号（1.、1.1）
  • 参考文献：必须严格遵循 GB/T 7714-2015

参考文档体系

领域分析框架

文档 说明
references/domains/industry-analysis.md 行业分析框架（PESTEL + 波特五力 + 价值链）
references/domains/company-analysis.md 企业竞争分析框架（含 SaaS 厂商分析，商业模式画布 + SWOT + 竞品矩阵）
references/domains/product-analysis.md 产品竞争分析框架（目标用户 + 竞品矩阵 + 核心功能）
references/domains/market-analysis.md 市场规模/竞争格局分析框架（TAM-SAM-SOM + 波特五力）
references/domains/ai-vendor-analysis.md AI 大模型厂商分析框架
references/domains/ai-tool-learning-guide-framework.md AI 工具学习指南生成框架
references/domains/hotspot-analysis.md 热点分析公共模块（企业/产品/AI/SaaS/全球AI热点）

工作流程详细文档

文档 说明
references/workflow/phase0-details.md 阶段0 详细流程和示例
references/workflow/phase1-details.md 阶段1 详细流程和示例
references/workflow/phase2-details.md 阶段2 详细流程和示例
references/workflow/examples-complete.md 完整示例集（5个场景）

技术指南

文档 说明
references/technical/search-engines.md 多源搜索引擎使用指南
references/technical/data-quality-guidelines.md 数据质量控制标准
references/technical/format-conversion.md 格式转换指南

HTML 模板

文档 说明
assets/templates/README.md 模板使用说明
assets/templates/*.html 10 个模块化 HTML 模板

分析模型库

文档 说明
references/models/README.md 模型索引和使用说明
references/models/strategic/*.md 战略模型（SWOT、PESTEL、波特五力、VRIO）
references/models/market/*.md 市场模型（STP、BCG、TAM-SAM-SOM）
references/models/competitive/*.md 竞争模型（商业模式画布、竞品矩阵、价值链）
references/models/consumer/*.md 消费者模型（决策旅程、AARRR、RFM）
references/models/financial/*.md 财务模型（杜邦分析、DCF、可比公司）

方法论

文档 说明
references/methodology/deep-research-methodology.md 深度研究方法论
references/methodology/report-writing-guide.md 报告撰写指南

质量检查清单

阶段 0（主题理解与确认）

  • 研究主题已明确
  • 分析领域已识别
  • 搜索范围已确定
  • 用户已确认

阶段 1（分析框架）

  • 框架覆盖了该领域自然应有的全部分析维度
  • 每章均有明确的分析目标、分析逻辑与核心假设
  • 数据需求具体、可衡量，并指定了推荐搜索方法
  • 每章至少有一个可视化方案

阶段 1→2（数据收集）

  • 所有 P0 数据任务已完成
  • 关键数据至少从 2 个来源验证
  • 数据来源已记录
  • 数据可信度已标注

阶段 2（报告生成）

  • Markdown 报告零幻觉
  • 每个小节均遵循"数据对比 → 综合分析"
  • 参考文献格式正确（GB/T 7714-2015）

配置项

output_locale = zh_CN  # zh/en
default_search_engines = ["baidu", "bing", "google"]
data_validation_required = true  # P0 数据必须验证
interactive_confirmation = true  # 交互式确认，支持用户修改研究参数

版本历史

  • v1.0.0: 正式版
    • 三阶段工作流（主题确认→框架生成→报告输出）
    • 使用 Agent 内置 web_search + web_fetch（无需 API key）
    • 支持市场分析、行业分析、AI/SaaS厂商分析、竞争情报、竞争分析等领域
    • 交互式主题确认，支持用户修改研究参数
    • 双格式输出（Markdown + HTML）
    • 两层搜索策略（web_search → web_fetch）
安全使用建议
What to check before installing/using this skill: 1) Inspect SKILL.md for hidden characters: the pre-scan flagged unicode control characters in SKILL.md — open the file in a hex or raw-text viewer to confirm there are no invisible characters embedding alternate instructions. Remove or reject the package if you find unexpected hidden text. 2) Review local scripts before running: the repo contains scripts (e.g., scripts/data_collector.py, scripts/data_collection_template.py, check_dependencies.sh). The SKILL.md says these are not run automatically, but if you run them locally or enable them you should audit their source to confirm they do not perform unexpected network calls, upload data, or execute shell commands. 3) Check templates for external resource loading: inspect generated HTML/templates for <script> tags or CDN URLs (Chart.js, ECharts, etc.). Rendering an HTML file could trigger network requests to third-party CDNs; sanitize or host required libs locally if that is a concern. 4) Confirm provenance & run in sandbox: source and homepage are unknown. If you need to trust this skill for sensitive work, prefer running it in an isolated environment first and/or obtain the package from a known/trusted repository. 5) Limit autonomous use if unsure: the skill can be invoked autonomously by the agent. If you are uncomfortable, restrict autonomous invocation or require user confirmation before the skill runs data collection or executes any local script. 6) If you plan to enable any script execution, set strict network limits and logs: require explicit opt-in, impose request rate limits, and monitor outbound connections to detect accidental data exfiltration. If you want, I can: (a) search for specific suspicious patterns inside the repo (e.g., network calls in data_collector.py), (b) show the raw SKILL.md with invisible characters highlighted, or (c) summarize what the helper scripts do based on their source — tell me which you prefer.
功能分析
Type: OpenClaw Skill Name: deep-search-m Version: 1.0.0 The deep-search-m skill bundle is a professional research and report generation tool designed for business and AI industry analysis. It defines a structured three-stage workflow in SKILL.md that utilizes built-in agent capabilities (web_search and web_fetch) to gather data and generate consulting-grade reports in Markdown and HTML formats. The included Python scripts (data_collector.py and data_collection_template.py) are utility tools for local data scraping that feature safety defaults, such as a mandatory '--enable-network' flag to prevent unintended network activity. No evidence of data exfiltration, malicious prompt injection, or unauthorized code execution was found across the scripts, templates, or documentation.
能力评估
✓ Purpose & Capability
Name/description (deep research + report generation) align with the delivered assets: many report templates, references, workflow docs, and HTML/Markdown generation guides. The skill states it uses the Agent built-in web_search + web_fetch and does not require credentials — that matches the lack of required env vars and no install spec. The included scripts and templates are coherent with producing the described outputs.
ℹ Instruction Scope
SKILL.md confines runtime behavior to using built-in web_search/web_fetch, building frameworks, and producing Markdown + HTML. It explicitly states it will not automatically execute local collection scripts (e.g., scripts/data_collector.py) unless explicitly enabled. However, the SKILL.md triggered a pre-scan prompt‑injection pattern (unicode-control-chars) — hidden control characters can change how a model parses instructions. Also the skill instructs the agent to read local reference and template files (expected) — these should be inspected for hidden content or external links before use.
✓ Install Mechanism
No install spec is present (instruction-only runtime), so nothing is automatically downloaded or written to disk by an installer. This is lower risk. The repository does include helper scripts and templates but the package does not declare an automated install step that would fetch remote code.
✓ Credentials
The skill requests no environment variables, no credentials, and no config paths. That is proportionate to a web-based research/reporting skill that relies on agent built-in search abilities. Note: generated HTML can reference chart libraries/CDNs (mentioned in docs) — such references could cause network requests when rendering HTML and should be reviewed.
✓ Persistence & Privilege
always:false and no claims to modify other skills or system settings. The skill does not request permanent presence or elevated privileges. Autonomous invocation is allowed by default (not a concern alone) and is not combined here with broad environment access.
如何使用
  1. 确保已安装 OpenClaw（本地或 Docker 部署）
  2. 在对话框中输入安装命令：/install deep-search-mpro
  3. 安装完成后，直接呼叫该 Skill 的名称或使用 /deep-search-mpro 触发
  4. 根据 Skill 的参数说明提供必要输入，即可获得结构化输出
版本历史
v1.0.0
deep-search-mpro v1.0.1 - 精简和统一数据检索方式，仅保留 Agent 内置的 web_search 与 web_fetch，无需 API key，去除第三方多源引擎集成。 - 精化数据采集策略，采用两层（web_search → web_fetch）优先级逻辑，简化执行流程和指引。 - 明确不自动启用本地脚本/采集程序，所有检索动作均通过内置检索能力完成。 - 优化描述与说明文档，新增英文介绍，突出报告结构、输出规范和模板体系。 - 保留完整三阶段研究报告生成工作流，完善模型库与场景适配建议。
v0.1.0
deepsearch-mpro v1.0.0 - 全新发布，面向专业深度研究与报告自动生成。 - 集成17个主流搜索引擎，支持多层数据检索与优先级策略，无需API密钥。 - 三阶段工作流：主题确认→分析框架生成→高质量报告输出，支持用户交互式调整。 - 内建PESTEL、SWOT、波特五力等经典模型；分析流程标准化，覆盖行业、企业、产品及AI工具等领域。 - 输出深蓝色政务风格Markdown与HTML双格式咨询报告，自动生成目录与可视化模块。 - 严格遵循数据真实性与溯源协议，拒绝虚假/估算数据，支持多源交叉验证。
元数据
Slug deep-search-mpro
版本 1.0.0
许可证 MIT-0
累计安装 0
当前安装数 0
历史版本数 2
常见问题

Deep Search-mpro 是什么？

专业深度研究与报告生成技能。支持企业竞争分析、产品竞争分析、行业分析、市场规模/竞争格局、AI大模型厂商、AI工具学习指南等领域。基于 Agent 内置 `web_search` + `web_fetch`（无需 API key），三阶段工作流（主题确认→框架生成→报告输出），运用PESTEL、SWOT、波特五力... 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 304 次。

如何安装 Deep Search-mpro？

在 OpenClaw 或 Claude Code 对话框中运行命令「/install deep-search-mpro」即可一键安装，无需额外配置。

Deep Search-mpro 是免费的吗？

是的，Deep Search-mpro 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。

Deep Search-mpro 支持哪些平台？

Deep Search-mpro 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。

谁开发了 Deep Search-mpro？

由 muqi98-michael（@muqi98-michael）开发并维护，当前版本 v1.0.0。

推荐 Skills
self-improving agent
Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Clau...
⬇ 463283 · by pskoett
Skill Vetter
Security-first skill vetting for AI agents. Use before installing any skill from ClawdHub, GitHub, or other sources. Checks for red flags, permission scope, and suspicious patterns.
⬇ 259410 · by spclaudehome
Polymarket
Query Polymarket prediction markets. Check odds, find trending markets, search events, track price movements.
⬇ 232503 · by joelchance
Self-Improving + Proactive Agent
Self-reflection + Self-criticism + Self-learning + Self-organizing memory. Agent evaluates its own work, catches mistakes, and improves permanently. Use when...
⬇ 200423 · by ivangdavila
Github
Interact with GitHub using the `gh` CLI. Use `gh issue`, `gh pr`, `gh run`, and `gh api` for issues, PRs, CI runs, and advanced queries.
⬇ 191115 · by steipete
ontology
Typed knowledge graph for structured agent memory and composable skills. Use when creating/querying entities (Person, Project, Task, Event, Document), linkin...
⬇ 190156 · by oswalpalash

💬 留言讨论