Deepdive 深度研究

它解决什么问题

在 Claude Code 里做深入调研时，多会话推进、来源记录和上下文压缩容易让研究过程失焦。Deepdive 把复杂问题拆成有依赖关系的子问题，并复用 Google Deep Research 的 DAG 规划思路，在 Claude Code 内用 Agent subagents 并行执行，最终产出可复核的研究报告。

核心流程

1. 拆成 DAG：节点包含 id、question、depends_on。先写无依赖的基础或上下文问题，再写依赖答案的分析、比较问题；目标 4–8 个节点，最多 12 个。子问题应能通过 1–3 次网络搜索回答，且对没有额外背景的研究者足够具体。
2. 打印计划并执行：先把 DAG 打印成表格，然后立即开始，不等待确认。每个节点创建 TaskCreate 任务；同时创建 Gap analysis 和 Synthesize report 任务，wave 启动时标记 in_progress，subagent 返回后标记 completed。
3. 按依赖顺序执行：Wave 1 启动无依赖节点；每轮结束后把来源追加到 /tmp/deep-dive-sources-[topic-slug].json，避免上下文压缩后丢失引用。Wave 2+ 再启动依赖已满足的节点，并把依赖节点结论放入 subagent prompt。
4. 缺口迭代一轮：汇总 findings 与 gaps。缺口轻微或不影响结论则跳过；只有可能改变结论的缺口才生成 1–3 个新子问题，跑最后一波并行任务。最多一轮，不做无限循环。
5. 合成并持久化：报告要综合成连贯文档，而不是拼接 subagent 输出；没有明确答案就如实说明。最终写入相关项目的 docs/deep-dive/，文件名使用日期加主题 slug，例如 2026-04-02-jira-docs-from-microservices.md，不只留在 /tmp。

注意点

它适合可拆解、有公开资料的研究型任务，不适合实时系统诊断或必须由单一专家连续判断的复杂决策。节点数和一轮缺口迭代会带来边界；问题过宽时应先收敛范围。/tmp 来源文件适合短中期单机任务，长期归档仍以项目内最终报告为准。