@geekbb: Opencode 深度研究报告生成 Skill 传统深度调研成本高，行业报告按份 $50–500+，个人研究者/独立开发者无力承担；AI 直接调研又太浅（搜几条摘要就出结论）或编造数字。 这个项目用 4 阶段流水线（大纲→数据采集→并行撰…

X AI KOLs Timeline 工具
deep-research opencode research report-generation open-source cost-effective

摘要

一个开源项目，提供Opencode Skill，通过四阶段流水线（大纲→数据采集→并行撰写→验收装配）自动生成对标券商/研究机构标准的深度调研报告。成本低于0.6元，耗时10–20分钟，支持19种语言输出，适合独立开发者和研究者。

Opencode 深度研究报告生成 Skill 传统深度调研成本高，行业报告按份 $50–500+，个人研究者/独立开发者无力承担；AI 直接调研又太浅（搜几条摘要就出结论）或编造数字。 这个项目用 4 阶段流水线（大纲→数据采集→并行撰写→验收装配）生成对标券商/第三方研究机构标准的深度调研报告，一次 ~10–20 分钟，成本 < 0.6 元。 https://github.com/hoolulu/deep-research…
查看原文
查看缓存全文

缓存时间: 2026/06/08 15:28

Opencode 深度研究报告生成 Skill

传统深度调研成本高，行业报告按份 $50–500+，个人研究者/独立开发者无力承担；AI 直接调研又太浅（搜几条摘要就出结论）或编造数字。

这个项目用 4 阶段流水线（大纲→数据采集→并行撰写→验收装配）生成对标券商/第三方研究机构标准的深度调研报告，一次 ~10–20 分钟，成本 < 0.6 元。

https://github.com/hoolulu/deep-research…

hoolulu/deep-research

Source: https://github.com/hoolulu/deep-research

deep-research Skill

🇨🇳 中文 · 🇬🇧 English

深度调研报告生成 Skill · 支持 19 种语言输出

当前版本： 查看更新

✨ 一分钟看懂
🎯 一个命令/research 你的主题 → 全自动调研，无需人工干预
⏱ 十分钟出报告quick 模式约 8–12 分钟，standard 约 10–15 分钟
🌍 19 种语言主题用什么语言写，报告就用什么语言出，自动检测
🔧 非 OpenCode 独占Claude Code、Cursor、Codex CLI、Windsurf、Cline 等均可适配
命令说明
/research 中国新能源汽车产业发展现状中文报告
/research Competitive landscape of AI cloud computingEnglish report
/research Анализ рынка нефти и газа в РоссииОтчёт на русском
/research 日本のアニメ産業のグローバル市場戦略日本語レポート
/research 한국 반도체 산업의 글로벌 경쟁력 분석한국어 보고서

是全程以设定语言与你交互，并搜索目标语言的资料，不是简单的翻译输出。

一、为什么你需要这个

让 AI 帮你做调研，你大概率碰过这些坑：

搜索 + 总结 → 太浅，出来几条摘要，没有纵深。 行业报告按份收费 $50–500+ → 太贵，个人用不起。 海外工具 → 搜不到国内资源如：百度百科、知乎、199IT、艾瑞。 AI 编数字 → 看起来合理，但找不到来源。

这个 skill 走完 4 层流程才交报告。不是搜完就出，是析→搜验→写→验。

二、谁适合用

独立开发者、独立研究者、小团队。 需要专业级调研能力，但不想依赖付费数据库或研究机构的人。

三、一次标准模式调研的输出

指标数据（standard 模式示例）
报告长度500-700 行 / 约 12,000-18,000 字
数据表15-25 张，覆盖市场规模、竞争格局、技术参数等多个维度
分析段落80-120 段（每段含结论 + 数据 + 因果 + 判断）
引用的独立机构15-25 家（中国信通院、艾瑞咨询、国家统计局、百度百科、知乎、36氪、澎湃新闻等）
反方观点3-8 处，每章至少呈现一个争议或反对角度
数据收集~1-3 分钟
报告生成~8-15 分钟
总耗时~10-20 分钟

以上为 standard 模式典型范围，实际因主题复杂度、数据可获取性、搜索引擎响应等因素有所浮动。|

📂 查看全部生成报告 → 点此浏览所有已生成的调研报告，可直接点击打开阅读。

四、工作逻辑

整个流程分 4 个阶段，按顺序自动执行：

① 分析大纲 — 分析主题，生成调研框架和搜索计划
         ↓
② 采集数据 — SearXNG / Exa 级联搜索 → Scrapling 批量抓取 → 数据池提取 → 数据质检
         ↓
③ 并行撰写 — 多章节同时撰写，事实直接嵌入 prompt，不做工具调用
         ↓
④ 验收装配 — 批量 validate → assemble-report → convert-citations → qa-report

五、搜索链路与内置资源

所有工具已内置，无需额外购买。系统采用 三层级联搜索 策略：SearXNG（作者已部署的元搜索引擎，70+ 引擎含百度/Google/Brave）→ Exa（OMO 内置冷备）→ 十多个免费搜索引擎 + 国内数据源（最终兜底）。每层引擎检测通过即用，不继续探测下级，确保响应速度。整个流程如下：

Layer 1 — SearXNG（作者部署，70+ 引擎含百度/Google/Brave，开箱即用）
  ↓ 不可用时
Layer 2 — Exa（OMO 内置冷备，零费用）
  ↓ 不可用时
Layer 3 — 免费源补强（兜底）
  ├─ 搜索补强线      │  已知源补强线
  ├─ DuckDuckGo      │  百度百科 / 维基百科
  ├─ Bing 国内版     │  知乎 / 36氪 / 澎湃新闻
  ├─ Brave / Mojeek  │  199IT / 艾瑞咨询 / 东方财富
  ├─ Semantic Scholar│  国家统计局 / 微博 / CSDN
  └─ GDELT / arXiv   │  豆瓣 / 虎嗅

搜索补强线可动态发现任意其他网站，不限于上述列表。所有来源的 URL 最终统一由 Scrapling 批量抓取全文。

六、报告独特亮点

维度说明
多语言专业行文自动检测主题语言，以 19 种语言直接撰写报告，非翻译模式
每个数字有来源正文标注 (N) 可点击引用，文末附参考来源列表。找不到来源的数字不写
正反观点并存每章呈现争议和反对观点，不回避矛盾
置信度分级末章汇总表（高/中/低），什么可靠什么有争议一目了然
数据防坑机制自动识别常见数据错误——单位搞混、数据造假、张冠李戴，不让有问题的数据混进报告
段落重于行数每章 8-12 段正文为核心，表格和空行灌不了水

七、三种深度

命令用途最少章数最少段落/章字数上限（字符）参考耗时
/research 主题standard 默认8≥ 5≤ 12,000~10–15 min
/research 主题 -quick快速洞察5≥ 4≤ 8,000~8–12 min
/research 主题 -deep极致深度10≥ 6≤ 25,000~15–25 min

参数见 profiles.json，修改后重启生效。字数为去空格和 Markdown 语法的纯字符数。

八、运行截图

Screenshot 2026-06-08 at 20-51-58

九、安装

🧠 方式一：AI 傻瓜安装（推荐）

把下面这段提示词复制到 OpenCode 聊天框发送，AI 会自动完成一切：

请调研 https://github.com/hoolulu/deep-research 项目，按照文档要求依次完成：

1. 安装前置依赖（根据 Scrapling 官方文档和你的操作系统确定安装方式）
2. 注册 Scrapling MCP Server，确保重启 CLI 后正常使用
3. 注册 /research 和 /research-update 命令

每完成一步都确认结果，完成后读取 VERSION 确认版本号，并总结安装状态。

AI 会读取项目文档→理解系统类型→逐项安装→验证可用性。不需要手动执行任何命令。

🔧 方式二：非 OpenCode 用户（Claude Code / Codex CLI / Cursor 等）

把这段提示词粘贴到你的 AI 编码工具中：

请调研 https://github.com/hoolulu/deep-research 项目，自动安装前置依赖并改造适配当前 CLI 工具：

1. 安装 Python 和 Scrapling（参考 Scrapling 官方文档和系统确定方式）
2. 注册 Scrapling MCP Server，重启后生效
3. 注册等价于 /research 和 /research-update 的自定义命令
4. 把 Task 链式架构翻译成当前工具的等价实现

每完成一步确认结果，完成后读取 VERSION 确认版本号并总结状态。

不同工具的适配点：多 agent 编排需映射到各自的原生机制（Claude Code 的 sub-agent、Codex CLI 的多文件任务、Cursor 的 agent 模式等），搜索和抓取逻辑（python-scrapling + 搜索 API）可原样复用。

前置依赖

组件用途获取方式
OpenCode（核心）AI 编码 agent 运行时访问 https://opencode.ai/
oh-my-openagent（必须）提供分析/搜索等子 agent + 自动配置 MCP让 AI访问oh-my-openagent官方文档帮你安装
Scrapling（必须）网页全文抓取让 AI 帮你安装并注册 MCP
SearXNG网页搜索（主力，作者已部署 70+ 引擎含Google/百度/Brave等）Skill内置默认端点，开箱即用，无需你安装
Exa MCP网页搜索（冷备）OMO自带，无需你安装

本 skill 依赖 oh-my-openagent 插件提供的子 agent。如果没有安装，/research 命令无法执行。其他编程工具有自己的多 agent 框架，可以不是必须。

十、使用方法

安装并重启 OpenCode 后，在聊天框输入：

命令说明参考耗时
/research 你的主题standard 模式~10-15 min
/research 你的主题 -quickquick 模式~8-12 min
/research 你的主题 -deepdeep 模式~15-25 min
/research-update检查更新—

发送后会发生什么

整个流程自动运行，你不需要做任何操作：

① 分析大纲 — 分析主题，生成调研框架和搜索计划
② 采集数据 — SearXNG / Exa 级联搜索 → Scrapling 批量抓取 → 数据池提取 → 数据质检
③ 并行撰写 — 多章节同时撰写，事实直接嵌入 prompt，不做额外工具调用
④ 装配验收 — 批量 validate → assemble-report → convert-citations → qa-report

以上累计 ~10-20 分钟。复杂主题可能延长，简单主题可能缩短。

输出文件

报告以 Markdown 格式保存到 skill 目录下的 reports/ 文件夹，文件名包含日期时间戳：

~/.opencode/skills/deep-research/reports/

可以用任何 Markdown 阅读器（Typora / Obsidian / VS Code 等）打开。

你也可以指定报告的存放路径，让 AI 帮你修改。

👉 浏览所有已生成的报告 — 点此浏览所有已生成的调研报告，可直接点击打开阅读。

十一、成本

组件费用
LLM（你已经在用的）DeepSeek v4 Flash 基准：quick 约 10–20 万 token / < 0.15 元，standard 约 15–35 万 / < 0.3 元，deep 约 30–60 万 / < 0.6 元
SearXNG 搜索（作者部署）已部署在 VPS，零费用，无限畅用
Exa 搜索OpenCode 内置，零额外费用（冷备引擎）
Scrapling 抓取纯本地运行，零费用
国内源（百度百科/维基百科/知乎/36氪/澎湃/199IT/艾瑞/东方财富/国统局等）直连零费用，不要代理
OpenCode 运行时MIT 开源，零费用

以上估算基于 DeepSeek v4 Flash，实际因模型和主题复杂度浮动。

十二、FAQ

1. 搜索额度？怎么保证搜索不中断？

系统采用 三层级联搜索 架构，每层引擎各自独立，上层失效自动降级到下层：

  • Layer 1 — SearXNG（作者部署）：作者在 VPS 上部署的元搜索引擎，聚合 70+ 搜索引擎（含百度/Google/Brave），中文英文全覆盖。内置默认端点，开箱即用，无限畅用、不限速、无额度限制。
  • Layer 2 — Exa（冷备）：OpenCode 内置的搜索引擎，OMO 插件自动配置，零费用。如触发 rate limit，自动跳到 Layer 3。
  • Layer 3 — 免费源补强（最终兜底）：DuckDuckGo / Bing / Brave / Mojeek / Semantic Scholar / GDELT / arXiv + 百度百科 / 知乎 / 199IT / 艾瑞 / 36氪 / 澎湃 / 东方财富 / 微博 / CSDN / 虎嗅 / 豆瓣 等 20+ 源。不依赖任何 API Key，永远可用。

2. 如何使用本地资料生成报告？

你可以试试安装完skill后，发给ai这三段提示词，根据你自己的需要，但是最好你自己先解决让大模型能解析你的pdf和docx的内容，一般的文本、md文档，都可以直接读的。

  • 场景 1：本地资料 + 联网补充（推荐，调研最完整）
请使用 deep-research 这个 skill，根据 D:\我的笔记\项目A 的本地资料，生成一份关于 XX 的研究报告（quick 模式）。本地资料里的内容优先作为素材，不够的你在网上搜索补充。
  • 场景 2：只用本地资料，不联网（资料本身够多，担心网络搜了干扰主题）
请使用 deep-research 这个 skill，根据 D:\我的笔记\项目A 的本地资料，生成一份关于 XX 的研究报告（quick 模式）。只看本地资料，不要联网搜索。
  • 场景 3：纯本地，不用 skill，最轻量（不需要专业报告格式，简单整理即可）
根据 D:\我的笔记\项目A 的资料，帮我整理成一份结构化的研究报告，要有目录和章节标题。

3. 如何更新到最新版本？

版本策略：main 分支始终是最新代码，日常小修改直接推送。GitHub Releases 仅用于里程碑版本标记（如 v2.1.0 → v2.2.0），不必等到新 Release 才更新。

OpenCode 用户：

  • 自动：输入 /research-update，AI 自动执行 git pull 获取最新
  • 手动：cd ~/.opencode/skills/deep-research && git pull

版本号可通过 cat ~/.opencode/skills/deep-research/VERSION 查看。

4. 非 OpenCode 用户能自动更新吗？

可以直接让 AI 帮你做版本对比和更新适配。把下面这段提示词粘贴到你的 AI 编码工具中：

请对比 https://github.com/hoolulu/deep-research 最新版与本地版本的差异，
找出上游新增功能和修复，
逐项应用到本地适配版本中，
保留平台特定改动。

5. 数据安全吗？

所有处理在本地完成。不收集、不上传任何用户数据。

License

MIT

本项目采用 MIT 协议。选择 MIT 而非 GPL/CC 等更严格的协议，是因为本项目的核心是一套可移植的方法论和管道设计，而非需要保护版权的成品库。MIT 能让它在不同平台和工具链中被最大化地复用和改造，与“非 OpenCode 独占“的定位一致。

Created by hoolulu · 项目地址：github.com/hoolulu/deep-research

社区讨论：LINUX DO

相似文章

@neil_xbt: https://x.com/neil_xbt/status/2058536136901902728

X AI KOLs Timeline

介绍一款AI驱动的研究服务，能在数小时内生成高管级简报，而非以往的数周。每份报告定价350-500美元，月收入可达7000美元，目标用户是缺乏时间进行手动研究的资深高管。

@gaoren7716: 写论文这件事，可能要被流程化 AI 系统重写了 不是帮你润色，不是帮你改一句话，而是从选题开始就有 13 个 Agent 在协作 功能清单： Deep Research（13-agent 调研团队） Systematic Review（P…

X AI KOLs Timeline

介绍了一套名为Academic Research Skills的开源AI工具，通过13个Agent协作实现从选题到写作、审稿的全流程学术研究自动化，可作为Claude Code插件使用，将学术研究变为标准化生产线。

@IndieDevHailey: 科研党福音！这个开源神器，让你从文献海里杀出重围，一键搞定学术全流程。 还在为文献调研慢、写作卡壳、引用不严谨、审稿被怼头疼？推荐这个开源仓库：academic-research-skills 它不是AI代写工具，而是靠谱的人机协作框架—…

X AI KOLs Timeline

推荐开源仓库 academic-research-skills，提供一套人机协作的学术研究全流程工具，包括深度文献调研、论文写作、同行评审模拟和引用审计，支持AI辅助但保持用户主导，适合硕博生和研究者。