技能介绍

在知识管理场景里，研究往往卡在「问题还没收敛、资料还没结构化、结论还不能直接进笔记或文档」这几步之间。人工翻资料、摘要点、对齐术语，再交给大模型续写，上下文容易断档，产出也难和既有知识库对齐。

llm-researcher（规范名 @user_0f287ac2/llm-researcher-cn）在 SkillHub 上被归入 knowledge-management，定位是让 Agent 在「研究」这一环节有相对稳定的技能边界，而不是每次用一段临时提示词硬凑流程。

公开 SKILL.md 正文较简，未展开逐步指令；从技能标识可合理理解其侧重：

研究向对话：围绕明确主题收集、归纳与核对信息，输出便于沉淀的结构化表述（如要点列表、小节提纲、待核实项）。
与知识管理衔接：产物应能对接常见沉淀方式——个人笔记、项目 wiki、文献/链接清单——而不是只生成一段无法引用的闲聊。
在 Agent 中作为技能包加载：通过 SkillHub 安装提示词引用 skillhub.md 与 @user_0f287ac2/llm-researcher-cn，由宿主 Agent 按技能说明约束行为，减少「同一研究任务每次话术不同」的漂移。

若你本地或上游后续补充了更细的 SKILL.md（检索源、引用格式、输出模板等），应以你实际安装版本中的步骤为准；下文边界同样适用。

不要假设内置联网或专有数据库：未在资料中声明的能力（固定爬虫、付费 API、机构内网检索等）不应默认存在；需要外部数据时，应在对话中显式提供材料或接好你自己的工具链。
研究质量仍依赖输入与核验：技能能规范流程与输出形态，不能替代你对来源可信度、时效性与许可范围的判断；涉及合规、医疗、法律等专业领域时，务必人工复核。
与「通用聊天」的区分：其价值在于 repeatable 的研究型任务框架；若只是单次润色短文，可能不必加载完整技能。

总结：llm-researcher 适合在 Agent 里把「围绕主题做一轮可沉淀的研究整理」固定成可复用技能；具体能力上限以你安装的 SKILL.md 与 Agent 所接工具为准。