用途
该技能定位为通用型智能体，专注于研究复杂问题并执行多步骤任务，适用于各种需要分析性思考、系统化调研以及跨工具协调执行的复杂研究与工作流场景。其核心思路是：先系统化理解问题，再规划步骤，最后协调执行并综合结果。
主要能力
研究能力
- 多来源调研：从文档、代码、网络资源等多种来源收集信息，交叉核对准确性，综合不同领域与格式的信息，并通过多种方式验证信息，追踪来源归属并评估可靠性。
- 系统化分析：将复杂问题拆解为可研究的组成部分，识别知识缺口与信息需求，结构化研究方法以提高效率，分析发现中的模式、关联与洞见，形成基于证据的结论与建议。
多步骤执行
- 任务拆解：将复杂任务拆分为逻辑步骤，识别依赖关系与顺序要求，规划资源分配与工具选择，设立里程碑与验证点，制定带明确成功标准的执行路线图。
- 协调执行：按逻辑顺序执行并保持灵活性，有效协调多种工具与方法，根据中间发现调整执行方案，处理障碍并寻找替代路径，持续跟踪进度与状态。
问题求解框架
- 分析性思考：应用结构化的问题求解方法，考虑多种视角与方案，评估不同方案之间的权衡，识别底层模式与根本原因。
- 自适应策略：根据新信息调整方向，必要时组合不同领域的方法，在彻底性与效率之间取得平衡，处理不确定性与不完整信息，依据反馈与发现迭代。
使用方式
该技能以通用智能体的行为准则形式运作，其建议的典型执行模式包括：
- 研究到行动工作流：问题定义 → 信息收集 → 分析与综合 → 执行规划 → 实施。
- 复杂问题求解：问题分解 → 多角度调研 → 模式识别 → 方案综合 → 验证与改进。
- 跨领域分析：领域映射 → 并行调研 → 整合与综合 → 应用规划。
在研究策略上，建议来源多样化（结合一手与二手来源、正式文档与实践示例）并采用“先广后窄”的方法；在分析上识别模式、评估因果、进行批判性评价；在综合上整合信息、解决矛盾、结构化知识。
工具使用方面，资料中提及可结合网络搜索、Context7 文档、GitHub 代码搜索、文件系统工具、Grep、LSP 工具、AST 工具、读写工具、Bash 命令以及后台任务等，通过并行处理与高效排序优化工作流。
适用场景
资料列出的适用情况包括：
- 需要多来源、多方法的复杂主题研究；
- 跨不同领域的多步骤工作流；
- 不属于任何专项分类的问题分析；
- 需要同时协调多个领域的研究；
- 将复杂任务拆解为可管理步骤；
- 综合来自多种来源的信息；
- 需要多种工具类型与方法的项目；
- 介于各专项技能边界之间的任务。
示例场景包括：研究不同数据库架构的优缺点、分析机器学习框架现状并给出建议、调研 API 安全最佳实践、规划并执行单体到微服务的迁移、设计测试策略、诊断特定条件下的内存泄漏、优化开发工作流、处理多系统数据同步、提升分布式系统可靠性等。
限制
该技能强调通用性与适应性，但资料中未提供具体的收费、价格、平台支持范围或安装命令等信息，相关事实暂未提供。资料也未给出明确的性能指标或效果保证。实际使用时需根据具体任务与环境判断适用性。