【專案篇】我們怎麼做 deep-research skill
這是專案自己的 deep-research skill 設計全公開。核心選擇：只用 Groundlane MCP 做為網頁工具、嚴格的來源品質分級（A/B/C/D）、研究完交 post skill 發文。不是最強的，但是最適合我們的。
#groundlane
8 篇文章Groundlane 實戰系列（篇 6）：Document 工具全家桶 — effort 旋鈕、field-aware chunking 與 confidence routing
document_parse 新增 effort 參數（fast/standard/deep）把 anydoc WASM、OCR.space、Docling VLM 三條路徑統一成一個旋鈕；document_chunk 的 fieldAware 模式從表格 header 和 metadata 抽欄位名附到 chunk，解決 RAG 的 attribute conflation；document_smart_parse 回傳 confidence 分數讓 agent 自己決定要不要升級。
Groundlane 實戰系列（篇 7）：Selector Healing、Retrieval Test 與品質 Benchmark
Groundlane v0.1.0 新增四個品質機制：web_extract 的 selector healing（三層確定性 fallback，不用 LLM）、corpus_retrieval_test（RAG 召回品質驗證，受 RAGFlow 啟發）、document benchmark CLI（character-level F1）、search benchmark framework（ground truth corpus + 多 provider 比較）。工具數從 54 增至 55。
Groundlane 實戰系列（篇 1）：為什麼 AI 代理需要一個受控的網路存取層
Groundlane 是一個開源 TypeScript 遠端 MCP 伺服器（v0.1.0），以單一穩定合約為 AI 代理提供 web_search、web_fetch、web_extract 三種能力，並把身份驗證、提供者替換與資源限制留在操作者邊界內。
Groundlane 實戰系列（篇 2）：三個 MCP 工具的參數、回傳與錯誤處理
以實際呼叫範例說明 web_search（十適配器、RRF 合併、雙提供者預設）、web_fetch（format/render 策略、finalUrl 來源證據）、web_extract（CSS selector 結構、無 LLM 隱式步驟），並整理回傳結構與錯誤邊界。
Groundlane 實戰系列（篇 3）：與傳統方案的對比 — WebFetch、stealth_fetch、puppeteer 與 requests
從確定性、可替換性、身份邊界、維運成本四維度比較 Groundlane 三工具與傳統本機方案（WebFetch、stealth_fetch、puppeteer、requests），指出各方案適合與不適合的場景。
Groundlane 實戰系列（篇 4）：在 quidproquo 站內的應用 — 以現有 MCP 工具與流程為事實
以站內 .claude/skills/groundlane 的 usage-modes 流程為事實，說明如何把 web_fetch 與 web_extract 整合進文章參考驗證與每日 digest 資料收集，而不假設未實作功能。
Groundlane 實戰系列（篇 5）：踩坑與最佳實踐 — timeout、selector、render 模式與安全邊界
整理實戰中最常見的操作陷阱：timeout 與位元組上限導致的 truncated、selector 設計錯誤、render 模式切換的成本與確定性風險、版本變動（v0.1.0 早期預覽）的可重現驗證方式，以及預設安全邊界不可繞過的原因。