ClaudeSkills deep-research v8设计理念拆解单Agent优先与thin harness fat skill深度解析【免费下载链接】ClaudeSkills13 curated Agent Skills for research, product decisions, decks, publishing, audits, and more — portable across skills-compatible agents.项目地址: https://gitcode.com/gh_mirrors/cl/ClaudeSkillsClaudeSkills deep-research深度研究技能是开源项目 ClaudeSkills 中最有工程味的一枚技能它让 AI Agent 产出带引用、有取舍、结论清晰的基于证据的研究报告。v8 版本用两条核心思想重塑了整个流程——单 Agent 优先与thin harness fat skill薄框架、厚技能。本文拆解这两大设计理念并讲透它如何靠最小上下文加载、确定性脚本与质量门禁把做研究这件模糊的事变成可诊断、可改进的流水线。deep-research 是什么带证据与引用的深度研究技能 简单说你问它帮我调研 X它不会直接甩给你一段文字而是走一套完整流程最终交付输出类型适用场景典型篇幅简报 memo要一个有证据的简洁结论800-1800 词完整报告综述、文献回顾、决策文档2500-6000 词Delta 增量更新说继续第二轮有什么变化600-1800 词v8 的开场白很直白这是给证据密集型产出准备的技能不是所有带分析俩字的问题都该触发。它的技能定义在 skills/Geek-skills-deep-research/SKILL.mdv8.1.2标注为 production-candidate 成熟度。设计理念一单 Agent 优先拒绝为了并行而并行 v8 的第一条原则是Single-agent first先用一个主 Agent 干活只有当并行工作能明显带来收益时才拆出子 Agent。在 v8 的 P0范围与路由阶段编排模式的选择规则写得很硬编排模式何时选择单 Agent默认绝大多数任务主 Agent 子 Agent存在 3 条以上可拆分的研究线索或有明显的并行价值Delta 增量更新延续上一轮研究SKILL.md 里有一句被加粗的话Do not fan out just because subagents exist.不要仅仅因为子 Agent 存在就拆出去。为什么这很重要多 Agent 意味着多份上下文、多次工具调用、更高的 token 成本和更长的延迟。单 Agent 优先本质上是成本与质量的双优化单 Agent 默认一个 Agent 从笔记出发工作上下文连贯决策链完整子 Agent 只在3 可拆分线索时启用且每个子 Agent 只负责一条聚焦线索避免重复劳动P1 阶段要求。设计理念二thin harness fat skill——判断力放进技能确定性交给脚本 ️第二条原则是 v8 的灵魂Thin harness, fat skill——把可复用的判断和工作流沉淀在技能里而把确定性的检查放进脚本。用一句话理解LLM 擅长判断脚本擅长核对。deep-research v8 把两者分工得非常干净职责承载者代表文件研究方法论、流程判断技能references 文档references/methodology.md、references/report-assembly.md来源评分基线启发式确定性脚本scripts/source_evaluator.py引用完整性检查fail-closed确定性脚本scripts/verify_citations.py运行观测数据输出确定性脚本scripts/emit_run_summary.pySKILL.md 对脚本的定位很克制source_evaluator.py是助手不是神谕——权威分只是启发式来源是否最终采信仍由断言与来源的匹配度这个判断来决定。而verify_citations.py是硬门禁确定性检查失败了先修产物不要跟脚本争辩。这就是 thin harness fat skill 的精髓框架harness保持轻薄可迁移真正的品味和判断力fat skill沉淀在技能文档里换任何兼容的 Agent 宿主都能带走。最小上下文包不塞 prompt按需加载 v8 的第三点直接回应了prompt stuffing把所有文档一股脑塞进上下文的旧习惯Context organization over prompt stuffing.技能定义了一个最小活跃上下文包active context bundle始终只加载 4 份SKILL.md、references/methodology.md、references/report-assembly.md、references/research-notes-format.md其余全部按需加载subagent-prompt.md只在真的派子 Agent 时读tension-discovery.md争议话题挖掘只在对抗性、决策重的话题读landscape-scan.md领域全景扫描只在文献密集型话题读上下文被压缩后只重载研究计划、当前任务笔记、来源登记表registry.md和未解决问题清单而不是把整个技能树重新灌进去。对新手来说这意味着同样的研究任务v8 消耗的上下文窗口更小、跑偏的概率更低。5 道质量门禁 运行摘要让每次运行都可诊断 v8 第四点Eval and observability built in——报告写得好不够运行本身必须可诊断、可改进。5 道门禁回答 5 个生产问题详见references/quality-gates.md路由正确性该触发时触发了吗不该触发时闭嘴了吗流程完整性研究计划、笔记、来源登记表、草稿证据链齐了吗落地与引用完整性有编造来源引用了被剔除的来源——硬性失败。效率工具/时间/token 成本可接受吗安全与治理是否尊重策略边界、诚实处理不确定性每轮运行结束时用scripts/emit_run_summary.py输出run-summary.json记录编排模式、搜索/抓取次数、来源数、引用数、评估结论等结构化字段规范见references/observability.md。更重要的是它记录**什么真正起了作用**单 Agent、子 Agent、tension discovery、反向搜索……——这就是技能能随时间自我改进的依据。配套的路由评测集在evals/routing-evals.json运行手册在evals/runbook.md其中有一条地面规则很值得品味不要仅因为某个 demo 更好看就宣布 V8 更好。像对待代码一样对待它对比运行、检查产物、寻找回归。30 秒上手安装并使用 deep-research 技能 clone 仓库git clone https://gitcode.com/gh_mirrors/cl/ClaudeSkills然后一条命令安装任何 skills 兼容的 Agent 均可python3 scripts/install_skill.py deep-research想装到项目级加--project参数会写入./.claude/skills/。之后直接说帮我调研 XX深度研究 XX 竞品技能就会按 v8 流程自动工作也可以用/deep-research显式触发。ClaudeSkills 里还有哪些同水准的技能 deep-research 是 ClaudeSkills 四大旗舰之一另外三个是 deck-studio、product-manager、wechat-article-writer。这个仓库共 13 个精选技能覆盖研究、产品决策、演示文稿、发布与审计。下图是同一仓库中 deck-studio 技能生成的演示文稿样例封面可以感受一下这个技能库的整体水准另一套构成主义风格样例是 deck-studio 用自身设计宪法做的 dogfood 案例总结v8 教给普通用户的 3 件事 ✅克制能单 Agent 就不拆能简报就不写长报告能按需加载就不塞 prompt分工判断力放在技能文档fat skill确定性核对交给脚本thin harness可诊断每次运行留下结构化摘要与门禁记录让这次为什么好/坏有答案。这三件事不只适用于研究技能——它几乎可以当作给 AI Agent 做任何事的设计清单。【免费下载链接】ClaudeSkills13 curated Agent Skills for research, product decisions, decks, publishing, audits, and more — portable across skills-compatible agents.项目地址: https://gitcode.com/gh_mirrors/cl/ClaudeSkills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考