用途
Auto Deep Research Guide 是一个面向学术主题的自动化深度研究技能，旨在超越表面的关键词检索，产出内容全面、有来源支撑的研究报告。它基于 Auto-Deep-Research（1K stars）实现，采用检索—分析—提炼的迭代循环，逐步加深对研究主题的理解。
深度研究与简单的文献检索的区别在于深度与综合：它不只返回一份论文清单，而是形成对主题的结构化理解——包括其历史、当前状态、关键争论、方法路径、开放问题与未来方向。
该技能尤其适用于：进入新领域的研究者、准备全面文献综述、撰写需要充分背景知识的基金申请、以及为学生指导其专业领域之外的相关课题。
主要能力
深度研究方法论（五阶段）
- 主题拆解：把初始研究问题解析为核心概念，识别学科背景与相关子领域，生成包含主要主题与子主题的初步主题图，拟定 5–10 个覆盖主题广度的种子问题，并为每个子主题设定深度目标（综述级、工作知识级、专家级）。
- 广度优先探索：将种子问题作为检索式跨学术数据库执行，按相关性、引用影响力和时效性对结果排序，阅读摘要并挑选信息量最大的来源，按子主题组织形成初步参考书目，识别该主题的关键作者、机构与发表渠道。
- 深度优先调查：对每个子主题挑选质量最高的来源做详细分析，提取关键论点、证据与方法细节，找出各来源之间的共识与分歧，记录方法趋势及其随时间的变化，并基于理解缺口生成后续问题。
- 迭代精炼：用后续问题驱动更多定向检索，追查二手文献引用的原始来源，寻找相互矛盾的证据或替代视角，用新发现的主题更新主题图，直到收益递减（饱和）为止。
- 综合与报告：将发现组织为连贯的叙事结构，区分已确立知识、活跃争论与推测，对关键论点给出证据质量评估，识别影响最大的开放问题与研究机会，生成带完整引用的结构化报告。
检索策略自动化
- 查询扩展：用 LLM 生成语义相关的查询变体，应用领域特定词汇与缩写扩展，同时纳入当前术语与历史术语，在主题具有全球研究活动时生成多语言查询，并根据返回结果数量调整查询复杂度。
- 来源三角验证：检索多个独立数据库以避免来源偏差，交叉比对不同研究传统的发现，检查关键结论在独立研究中的可复现性，对系统综述与元分析的证据给予更高权重，并标注证据是否仅来自单一研究团队。
- 引文链分析：通过关键论文的后向引用寻找奠基性工作，通过前向引用寻找最新进展，识别指示不同研究群体的引用聚类，发现连接不同研究脉络的桥梁论文，并沿引文链梳理思想的时序演进。
报告生成
报告结构包括：执行摘要（含关键发现与置信水平）、追溯主题发展的历史背景、按子主题组织的当前知识状态、描述主流与新兴方法的方法学图景、含各方证据的关键争论与未解问题、未来方向与有前景的研究机会，以及按子主题与相关性组织的完整参考书目。
质量指标：每个论点标注证据强度（强、中、有限）；相互冲突的证据并列呈现并附分析；明确标出文献空白；区分实证发现与理论论证；评估来源可能存在的偏差或利益冲突。
定制选项
可按不同用途定制深度研究过程：基金申请背景（侧重近期进展、开放问题与潜在影响）、文献综述（侧重全面性、系统覆盖与空白识别）、新领域入门（侧重基础概念、关键术语与标志性论文）、论文选题背景（侧重在更广领域中的具体细分位置及其背景）、政策简报（侧重应用性发现、现实影响与证据质量）。
与其他研究能力集成
该技能使用文献检索能力执行数据库查询；将结果输送给论文转智能体（paper-to-agent）能力做详细论文分析；输出与引用管理能力兼容的结构化参考书目；连接写作能力起草综述章节；并将研究报告存入本地知识库供后续参考。
使用方式
资料未提供具体的安装命令、调用方式或操作界面说明，暂未提供。资料中提到的实践建议包括：始终从清晰、定义明确的研究问题开始；开始前设定时间预算与范围限制，以防无休止探索；定期审阅与调整自动化过程，而非完全无人值守地运行；通过阅读原始来源核实关键论点，而非只依赖抽取的摘要；在每个阶段保存中间结果以便中断后恢复；将生成的报告作为人工分析的起点，而非成品。
适用场景
- 研究者进入一个新的研究领域
- 撰写全面的文献综述
- 准备需要充分背景知识的基金申请
- 为学生指导其专业领域之外的相关课题
- 论文选题的背景调研
- 政策简报所需的证据梳理
限制
资料未提供具体的数据库覆盖范围、支持的学科领域限制、语言支持范围、运行环境要求或收费信息，暂未提供。资料明确提示：生成的报告应作为人工分析的起点，关键论点仍需回到原始来源核实。