Deep Research

Deep Research（深度调研编排工作流）

把“深度调研”当作一个可复用、可并行的生产流程来执行：主控负责澄清目标、拆解子目标、调度子进程、聚合与精修；子进程负责采集/抽取/局部分析并输出结构化 Markdown 素材；最终交付物必须是独立成品文件而不是聊天贴文。

关键约束（必须遵守）

• 保持默认模型与配置不变：不要显式覆盖 --model 或用额外 -c 覆写默认模型/推理设置；只有在用户明确授权时才调整相关配置。
• 默认最小权限：子进程默认在 --sandbox workspace-write 下运行；仅在必要时启用网络等权限。若子任务必须执行“需要 shell 联网”的命令（例如 curl/wget），在 codex exec 中添加 -c sandbox_workspace_write.network_access=true。
• 联网优先走 skills，其次 MCP：优先使用已安装 skills；若必须使用 MCP，则优先 firecrawl，其次 tavily；确实无法满足时再考虑 curl/wget。
• 非交互式友好：子进程不使用 plan 工具，不与用户“等确认/等反馈”式互动；以文件落地、日志可追溯为主。
• 文件交付优先：最终交付物必须落地为独立文件，禁止在聊天中贴出完整成稿。
• 每一步输出决策与进度日志：尤其在拆分、调度、聚合、精修、交付前。

任务目标

1. 从用户的高层目标推导出可并行的子目标集合（如链接清单、数据分片、模块列表、时间切片等）。
2. 为每个子目标启动独立的 codex exec 子进程，并为其分配合适权限（默认 sandbox；必要时启网）。
3. 并行执行并产出子报告（自然语言 Markdown，可含小节/表格/列表）；失败时输出带原因的错误说明与后续建议。
4. 用脚本按顺序聚合子输出，生成统一的基础稿。
5. 对基础稿做理智检查与最小化修复，然后给出最终 artefact 路径与关键发现摘要。

交付标准

• 交付物必须是结构化、洞察驱动的整体成品；禁止把子任务 Markdown 直接拼接当作最终稿。
• 需要保留子任务原文时，将其另存为内部文件（例如 .research//aggregated_raw.md），在成品中仅吸收关键洞察/证据。
• 润色与修订要按章节逐段迭代，不得整篇删除后一次性重写；每次修改后核对引用、数据与上下文，保证可追溯。
• 默认交付详实、深入的分析型报告。
• 交付前做“双重体检质检”：

1) 检查是否真的是“分章节、多轮整合”产出；若只是一次性生成，退回按章节重写。 2) 评估是否足够细致；若偏单薄，先判断是“子任务素材不足”还是“统稿时压缩过度”：前者驱动补充/追加调研，后者在既有素材上继续扩展润色，直至达到详细标准。

端到端流程（严格按序执行）

1. 预执行规划与摸底（必做；主控亲自完成）

• 先澄清目标、风险、资源/权限约束，并识别后续扩散依赖的核心维度（主题簇、人物/组织、地域、时间切片等）。
• 若存在公开目录/索引（标签页、API 列表等），用最小化方式抓取缓存并统计条目；若不存在，做“案头调研”获取真实样本（新闻、资料、数据集等），记录来源/时间/要点作为证据。
• 形成清单前至少展示一次真实检索或浏览的代表样本；只靠经验推测不算完成摸底。
• 摸底阶段必须至少通过一次“可追溯的工具链”拿到真实样本并记录引用：优先使用已安装 skills；若需要 MCP，则优先 firecrawl，其次 tavily；若都不可用，记录原因并选择替代方案（必要时再降级到最小化直接联网抓取）。
• 输出初步（或草拟）清单：列出发现的维度、各维度已掌握的选项及样本、规模估算，并标注不确定性/缺口。若尚未获得真实样本，先补齐调研，禁止进入下一步。
• 依据上述结构补全可执行计划（拆分、脚本/工具、输出格式、权限、超时策略等），用用户语言汇报维度统计与计划内容；在得到明确“执行/开始”回应前保持等待。

1. 初始化与总体规划

• 明确目标、预期输出格式与评价标准。
• 根据当前任务生成一个语义化且不重复的名字 name（建议：--，全小写、短横线分隔、无空格）。
• 创建运行目录 .research//，并把所有产物都保存到该目录下（子目录如 prompts/、logs/、child_outputs/、raw/、cache/、tmp/）。
• 保持默认模型与配置不变；需要调整任何模型/推理/权限相关设置时先征得用户同意，并在日志中注明变更原因与影响范围。

1. 子目标识别

• 通过脚本/命令提取或构造子目标列表。
• 源数据不足时（例如页面只给两个主链接），如实记录原因，然后由主进程直接接手完成剩余工作。

1. 生成调度脚本

• 创建调度脚本（例如 .research//run_children.sh），要求：
• 接收子目标列表（可存 JSON/CSV）并逐项调度。
• 为每个子目标构造 codex exec 调用，推荐要点：
• 推荐形式：codex exec --full-auto --sandbox workspace-write ...（以 codex exec --help 为准）。
• 在 prompt 中声明：一切联网需求优先使用已安装 skills（技能优先）；若必须走 MCP，则优先 firecrawl，其次 tavily；确实没办法才用 curl/wget；不使用 plan 工具与“人工交互等待”。
• 非经用户要求不传 --model，也不要用额外 -c 覆写默认模型/推理设置；仅在用户明确授权且结果质量确实不足时才考虑调整。
• 为子输出指定落盘路径（例如 .research//child_outputs/.md）。
• 明确禁止使用已废弃参数（如 --prompt-file、--mcp、--name），并提醒先运行 codex exec --help 获取最新说明。可引用如下调用模板（仅演示参数，不涉及并行）：

```bash timeout 600 codex exec --full-auto --sandbox workspace-write \ --output-last-message "$output_file" \

• /logs/.log 等方式保证实时刷新，便于 tail -f` 观察进度。
• 注意 codex exec 不提供 --output、--log-level 等参数；需要通过管道写文件，并在多段管道后用正确的 PIPESTATUS 索引确认退出码。运行前可用 codex exec --help 复核可用参数。
• 数据量足够时，主控尽量不亲自承担下载/解析等重活；把这些工作交给子进程完成，主控专注于 prompt、模板与环境准备。

1. 设计子进程 Prompt

• 动态生成 prompt 模板，至少包含：
• 子目标描述、输入数据、约束边界。
• 规划阶段限制联网检索/抽取的总轮数不超过 X（按复杂度选择；通常建议 10），信息足够就收敛结束；工具优先级：skills → MCP（firecrawl → tavily）→ 最小化直接抓取。
• 结果输出为自然语言 Markdown：包含结论、关键证据列表、引用链接；出现错误时给出 Markdown 形式的错误说明与后续建议。
• 生成实际 prompt 文件时，优先用 printf/逐行写入注入变量，避免 Bash 3.2 在多字节字符场景下 cat /child_prompt_template.md）以便审计与复用。
• 在启动调度脚本前，逐一快速审阅生成的 prompt 文件（例如 cat .research//prompts/.md），确认变量替换正确、指令完整后再派发任务。

1. 并行执行与监控

• 运行调度脚本。
• 记录每个子进程的开始/结束时间、耗时与状态。
• 对失败/超时子进程做明确决策：标记、重试、或在最终报告中说明；触及 15 分钟超时上限时记录 prompt/流程待排查。长任务执行中可提示用户用 tail -f .research//logs/.log 追踪实时输出。

1. 程序化聚合（生成基础稿）

• 用脚本（例如 .research//aggregate.py）读取 .research//child_outputs/ 下所有 Markdown，按预设顺序聚合为初版主文档（例如 .research//final_report.md）。

1. 解读聚合结果并设计结构

• 通读 .research//final_report.md 与关键子输出。
• 设计精修报告章节大纲与“素材映射”（例如 .research//polish_outline.md），明确目标受众、章节顺序与每章核心论点。

1. 分章精修与出稿

• 新建精修稿（例如 .research//polished_report.md），按大纲逐章撰写；每写完一章立刻自查事实、引用与语言要求，必要时回溯子稿核实。
• 避免一次性全篇重写；坚持“按章迭代”以维持一致性并降低遗漏风险，同时记录每章亮点、问题与处理方式。
• 对重复信息、引用格式、待确认条目做统一整理，同时保留核心事实与量化数据。

1. 落地交付

• 确认精修稿满足交付标准（结构完整、语气统一、引用准确），以该成品作为对外报告。
• 最终交付物必须落地为独立文件（位于 .research//）；通过提供文件路径与必要摘要向用户回报，禁止在聊天中贴出完整成稿。
• 在最终答复中概述核心结论与可执行建议；必要时补充待确认事项的跟进方式。
• 不对外附带中间稿或内部笔记，确保用户看到的是高质量成品。

注意事项

• 保持流程幂等：每次运行都生成新的 .research//，避免覆盖旧文件。
• 所有结构化输出必须是合法 UTF-8 文本。
• 仅在得到授权或确有必要时提升权限；避免使用 --dangerously-bypass-approvals-and-sandbox。
• 清理临时资源时保持谨慎，确保日志与输出可追溯。
• 对失败流程给出可降级的说明：抓取类任务至少尝试两次；仍失败则在 Markdown 中新增“失败原因/后续建议”小节，避免聚合阶段出现空白。
• 缓存优先：通过 skills/MCP 获取的原始资料，先写入 .research//raw/ 等缓存目录，后续处理优先读取本地缓存以减少重复请求。
• 先完整理解再总结：总结/提炼前先处理完整原文，不得机械截取固定长度（例如前 500 字符）。可写脚本做全文解析、提取关键句或生成要点，但不得依赖“硬截断”。
• 临时目录隔离：中间产物（脚本日志、解析结果、缓存、调试输出等）放在 .research//tmp/、.research//raw/、.research//cache/ 等子目录，必要时在流程结束后按需清理。
• 搜索服务优先级：联网操作优先使用已安装 skills；若需要 MCP，先查看可用 MCP server（例如运行 codex mcp list），并优先选择 firecrawl，其次 tavily；缺少 MCP 时再退回最小化直接抓取能力。
• MCP 参数与输出控制：对返回可能过大的工具，避免请求“原始全文”类字段导致响应膨胀；必要时分段抽取、先列目录后按需深入。
• 图像检索：若 MCP 支持图像搜索/描述，除非用户明确要求“仅纯文本”，否则开启并将图像线索与文本证据一起呈现。

通用经验与最佳实践

• 先验证环境假设：写调度脚本前用 realpath/test -d 等确认关键路径（如 venv、资源目录）存在；必要时用 dirname "$0" 推导仓库根路径并通过参数传入，避免硬编码。
• 让提取逻辑可配置：不要假设网页共享同一 DOM；解析脚本提供可配置选择器/边界条件/可读性解析器，跨站点复用时只需改配置。
• 先小规模跑通再并行：全面并行前先串行跑 1–2 个子目标验证 agent 配置、skills/MCP 工具链与输出路径；确认链路稳定后再提高并发，避免“起飞后看不清错误”。
• 分层日志便于追溯：调度器写 .research//dispatcher.log；子任务单独写 .research//logs/.log，失败时直接 tail 对应日志定位 MCP/调用细节。
• 失败隔离与重试：并行失败时先记录失败 ID 与日志，优先对单个失败任务重试；可维护 failed_ids 列表并在收尾阶段统一提示后续建议。
• 避免重复抓取：重试前先检查 .research//child_outputs/.md 是否已合法存在；存在则跳过，减少配额消耗与重复访问。
• 终审与润色：交付前必须审阅聚合与精修稿是否满足语言要求（例如要求中文则全程中文），并核对引用与数据点与源文件一致；润色时不丢失关键事实与量化信息，让成品具备洞察而非堆事实。
• 引用就地呈现：每条要点后直接用 Markdown 链接给来源（例如 [来源](https://example.com)），避免把链接集中到段尾，便于即时查证。
• 覆盖率校验脚本：批量生成后用轻量脚本统计缺失条目、空字段或标签数量，确保问题在报告前被发现并补救。
• 对子进程做边界约束：在子 prompt 中明确可访问范围（仅指定 URL/目录）与可用工具，降低越界与重复抓取风险，让流程在任意站点都安全可控。

思考与写作指南

先思考再动手：追求有深度、有独立思考、超出预期的洞见（但不要在回答里提到“惊喜”）；揣摩用户为什么会问这个问题、背后的假设是什么、有没有更本质的问法；同时明确你的答案应满足的成功标准，再围绕标准组织内容。

保持协作：你的目标不是机械执行指令、也不是在信息不足时强行给出确定答案；而是与用户共同推进，逐步逼近更好的问题与更可靠的结论。

写作风格要求：

• 不滥用 bullet points，把它们尽量限制在 top level；能用自然语言段落就用段落。
• 除非直接引用，否则不使用引号。
• 写作时保持亲切、深入浅出、理性克制的语气。

执行本技能时，在每一步输出清晰的决策与进度日志。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: feiskyer
• Source: feiskyer/codex-settings
• License: MIT

Install and usage instructions live in the source repository linked above.