TL;DR10+ 個社群開源的 deep-research skill 代表了 10+ 種「怎麼做研究」的哲學。從 hyperresearch 的持久化 vault 到 jamoeight v2 的 Co-Scientist 6-agent，從對抗驗證到 benchmark 對齊。這篇把它們放在一張表裡看。
上一篇講專案自己的 skill。這篇講社群。
從 2025 年底到 2026 年初，社群湧現了 10+ 個 deep-research skill。它們代表的不是同一種解法，而是 10+ 種「怎麼做研究」的哲學。
社群全景
按核心設計分類
| 類別 | 代表 | 核心思路 |
|---|---|---|
| 持久化知識庫 | hyperresearch | SQLite 索引，研究知識跨任務累積 |
| 企業級 | hashbulla | NATO Admiralty grading、CRAG grounding |
| SOTA 論文落地 | jamoeight v2 | Co-Scientist、AlphaEvolve、BrowseConf |
| 對抗驗證 | tolmachevmaxim | Optimist/Pessimist/Fact-Checker 三 agent |
| 規模化 | kaynquang | 13 個專門 agent 各司其職 |
| 學術導向 | Silence-view | STORM-inspired、citation chasing |
| 平台相容 | ramit-mitra | skills.sh 相容、30+ agent 平台 |
| 通用適配 | Bhllcoder1 | 15 runtime adapters |
| 數據驅動 | Socialpranker | 75 report blocks、29 channels、280+ stat sources |
| 工程師導向 | robertnowell | 6-phase、source quality gates |
| 人類回圈 | Weizhena | Human-in-the-loop、OpenCode/Codex 相容 |
詳細比較
hyperresearch（jordan-gibbs）
- 核心：16-step pipeline + 持久 vault + MCP server + 16 agents
- 獨特：「Patch 不 regenerate」——研究知識持續累積到 SQLite
- 優勢：跨任務知識複用
- 缺點：架構複雜、維護成本高
jamoeight/claude-code-deep-research-v2
- 核心：Co-Scientist 6-agent + AlphaEvolve + BrowseConf + BATS
- 獨特：v1→v2 升級了 novel hypothesis generation 和 evaluator-driven search
- 數據：+10.3pp on deep-research benchmarks
- 優勢：最新 SOTA 論文落地
- 缺點：依賴 Claude Code 生態
hashbulla/deep-research
- 核心：7-phase + NATO Admiralty 2×6 grading + CRAG grounding loop
- 獨特：企業級 grading system
- 優勢：結構化評估體系
- 缺點：框架較重
tolmachevmaxim/deep-research-skill
- 核心：3 agents（Optimist/Pessimist/Fact-Checker）
- 獨特：對抗驗證——不是自己驗證自己，而是三個角色互論
- 優勢：簡潔有效、file-based state
- 缺點：依賴模型品質
Silence-view/deep-research
- 核心：10 phases、STORM-inspired、citation chasing、Chain-of-Verification
- 獨特：學術導向，嚴格引用追蹤
- 優勢：學術可靠性
- 缺點：速度較慢
Socialpranker/deepdive
- 核心：7 phases、75 report blocks、29 channels、280+ stat sources
- 獨特：方法論最完整、auto-sync
- 優勢：極度結構化
- 缺點：設定複雜
robertnowell/deep-research
- 核心：6-phase、source quality gates、codebase-aware
- 獨特：工程師導向，重視 source quality
- 優勢：適合技術研究
- 缺點：通用性較弱
共通架構模式
縱觀所有 skill，以下是幾乎都有的共通模式：
| 共通模式 | 描述 | 為什麼幾乎都有 |
|---|---|---|
| 多 agent parallel research | 2-13 agents 同時研究 | 覆蓋廣度 + 速度 |
| 來源可信度評分 | tier 分級 / 6 維度 / NATO Admiralty | 過濾低品質來源 |
| 對抗驗證 | Pessimist/Fact-Checker/Red-team | 防止過度樂觀 |
| 聯合三角測量 | 3+ 獨立來源 | 確保事實準確 |
| 檔案化中間狀態 | crash recovery | 長時間研究不丟失進度 |
| 多層深度模式 | quick/standard/deep/ultradeep | 適應不同需求 |
| Progressive Disclosure | SKILL.md + references/ | 可維護性 |
與專案的對比
| 維度 | 專案 skill | 外部開源 skill |
|---|---|---|
| 工具邊界 | 嚴格只用 Groundlane | 多用 Tavily/Exa/Brave/Serper |
| 輸出目標 | .research/ → post skill 發文 | 直接輸出報告 |
| 學術品質 | 有 A/B/C/D 分級 | 部分有（hashbulla、Silence-view） |
| 對抗驗證 | ❌ | ✅ 幾乎都有 |
| 持久化知識庫 | ❌ | ✅ hyperresearch 有 |
| benchmark 對齊 | ❌ | jamoeight v2 有 BrowseConf |
| 跨平台 | ❌ 僅限 agent 環境 | ✅ skills.sh / 多 runtime |
值得學習的設計
- hyperresearch 的持久化 vault——研究知識跨任務累積，而非每次從零開始
- tolmachevmaxim 的三角色對抗——簡潔但有效的對抗驗證
- Socialpranker 的 75 blocks——將報告拆解為可管理的小塊
- robertnowell 的 source quality gates——在研究前過濾低品質來源
值得警覺的趨勢
- Skill 數量爆炸——10+ 個 skill 代表了方法論的碎片化
- 依賴特定平台——大多數 skill 綁定 Claude Code 或 Codex
- 基準遊戲——有些 skill 為了 benchmark 數字優化，而非真實研究品質
- 複雜度上升——16 個 agent、10 個 phase，可能過度設計
參考資料
- hyperresearch (jordan-gibbs) — 16-step pipeline + 持久 vault。
- jamoeight/claude-code-deep-research-v2 — Co-Scientist + AlphaEvolve。
- tolmachevmaxim/deep-research-skill — 三角色對抗驗證。
- Socialpranker/deepdive — 75 blocks 方法論。
- deep-research skill 定義 — 專案內的 skill 定義。
- deep-research-survey-overview — 本系列上篇文章：三階段全景分類。
Glossary
Loading...