深度研究

解决什么问题

在 Claude Code 中进行多步深度研究时，开发者常面临上下文压缩导致早期调研结果丢失、串行检索耗时过长、以及最终报告仅仅是子代理输出简单拼接等问题。Deep Dive 技能旨在提供一套纯本地、无外部依赖的自主深度研究工作流，复刻类似 Google Deep Research 的有向无环图（DAG）规划模式，但完全依托 Claude Code 的原生能力执行。

核心工作流

该技能的核心在于将复杂的研究问题拆解为可并行执行的子任务，并保证引用与最终报告的持久化：

• DAG 规划与任务拆解：将主问题分解为 4 到 8 个（上限 12 个）子问题，构建包含 id、question 和 depends_on 的 DAG。无依赖的基础问题构成第一波，后续分析问题依赖前置答案。
• 并行扇出与引用持久化：按拓扑序执行，无依赖节点作为并行 Agent 子代理同时运行。每波结束后，将来源追加至 /tmp/deep-dive-sources-[topic-slug].json，防止上下文压缩导致引用丢失。
• 缺口迭代与综合报告：子代理返回发现与缺口。若缺口影响结论，最多追加一轮定向研究。最终将结果综合（而非拼接）为连贯文档，并保存至项目的 docs/deep-dive/ 目录下，文件名包含日期与主题 slug。

适用边界与注意点

• 控制迭代轮次：缺口迭代严格限制为最多一轮，避免陷入无限研究的死循环。
• 诚实评估置信度：如果调研未能得出明确答案，必须在报告中如实说明，不可用推测填补空白。
• 报告落盘位置：最终报告绝不能仅写入 /tmp，必须持久化到当前工作目录对应的项目文档目录中，确保数据耐用性。