这段时间，除了 AI 编程，我用得最多的一类能力就是深度研究。
学术研究要读论文、核引文；商业研究要看市场、竞品和人；职场里临时接到一个陌生课题，也得在有限时间内把资料、判断和建议交出来。它们底层是一件事：先弄清问题，再拿到可信材料，最后给出别人能据此行动的结论。
深度研究不是一个大 Skill，而是一支临时研究团队：有人负责看外部信号，有人负责整理手头材料，有人负责核证据，有人负责把判断收敛成行动。
下面这 10 个 是我日常最常拿来组合的 Skills。每一个都写了适合的任务、它最强的地方，以及使用边界。你不需要全装，先补自己研究链条里最常断掉的那一环。
一、先看外面：市场、公司和人正在发生什么
1. Last30days：先去看人们最近在讨论什么
最适合：产品调研、内容选题、市场热度判断。
它会在 Reddit、X、YouTube、Hacker News、GitHub 等地方找近期讨论，并把互动信号一起带回来。
我现在把它配给了 OpenClaw，设成定时任务：每天早上和傍晚各跑一次，只研究 AI Agent 相关的话题。这样做不是为了多收一份资讯摘要，而是让它持续盯住哪些新项目冒出来、哪些观点开始有讨论、哪些问题在一线反复出现。等我真正需要写东西或做判断时，手里已经有一条连续的信号线。
它的优势是新鲜，边界也在这里：热度只能决定「值不值得继续挖」，不能替你证明「市场一定成立」。
访问地址：
https://github.com/mvanhorn/last30days-skill
2. People Search Agent：研究公司之前，先把人找对
最适合：公司研究、公开尽调、角色与采购路径判断。
「目标客户是中大型企业」是一句很空的话。企业里有使用者、推动者、审批者，也有根本不想换流程的人。People Search Agent 适合从公开信息里梳理公司背景、招聘、技术栈和关键角色，让「一类人」落到具体的人和场景。
它能帮你校准研究对象，但公开信息不能证明对方一定有预算或购买意愿。这一步是找对人，不是替你拿下订单。
访问地址：
https://github.com/LessieAI/lessie-skill/tree/main/people-search
二、再读材料：别让 PDF、访谈和内部文件变成废纸
3. NotebookLM Research Skill：让回答回到你给它的材料里
最适合：已有 PDF、访谈、报告和内部资料包。
它最大的价值不是回答漂亮，而是答案被你的资料约束。二十份报告、十场访谈、几版方案，先让它找出重复观点、互相打架的数字和能追溯到原文的证据，再开始写，后面就少很多返工。
边界很清楚：资料池太薄，它也无法替你发现一个没给它的新世界。
访问地址：
https://nanoskill.ai/skills/notebooklm-skill
4. Local Deep Research：材料不能出门时，就换一条研究链路
最适合：敏感资料、私有知识库、长期内部研究。
客户合同、经营数据、未公开复盘，不应该为了省时间就直接传到外部服务。Local Deep Research 的价值，是让模型、检索和文件留在可控环境里，同时研究网页、论文和本地资料。
它的边界不是能力，而是成本：环境怎么搭、模型怎么选、知识库怎么维护，都得有人负责。只有数据边界真的重要时，这笔账才值得算。
访问地址：
https://github.com/LearningCircuit/local-deep-research
三、把问题问对：研究不是多搜几轮
5. Deep Research Skills：先写研究问题，再让 Agent 出门
最适合：技术选型、竞品比较、商业尽调。
这套工作流不鼓励一上来就写报告，而是先定研究大纲、对象和字段，再去深挖、汇总。比如研究 AI 客服，究竟要看行业需求、接入成本、定价，还是验收方式？四个问题的资料来源完全不同。
它最强的地方是让研究先有边界。边界也在于：框架不能代替判断，研究什么、不研究什么，还是要人拍板。
访问地址：
https://github.com/Weizhena/Deep-Research-skills
6. Six Advisors：别急着下结论，先让六种思维框架把它问一遍
最适合：客户项目、产品方向、战略取舍、合作投资和执行风险的商业判断。
Six Advisors 不是名人角色扮演。它把德鲁克、乔布斯、原研哉、芒格、巴菲特和马斯克的思维框架，分别放在客户价值、产品体验、系统简化、失败预演、能力圈和第一性原理这些决策席位上。面对复杂问题，它可以一层层推演，也可以收敛成一份有建议、风险、缺口和 7 天验证动作的决策报告。
它不适合百科式事实查询，也不替代法律、财务或医疗意见。信息不足时，它应该先追问，而不是装作已经有答案。
访问地址：
https://github.com/kingqiu/six-advisors-skill
7. K-Dense literature-review：别把「我看过几篇」当成证据
最适合：系统文献综述、前沿技术判断、需要核验的研究结论。
它把跨数据库检索、引文核验、去重和主题归纳连成一个流程。你要判断一个技术有没有研究基础，或一种干预方法是否真的有效，它比随手拼几篇论文可靠得多。
查一个事实或写一段短评时，不必上这么重的流程。它解决的是证据质量，不是速度。
访问地址：
https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/scientific-skills/literature-review
8. Academic Research Suite：在 Codex 里把研究过程走完整
最适合：研究问题收窄、系统综述、论文审阅和实验设计。
它把深度调研、元分析、审阅、实验设计和研究写作拆给不同的 Skill。研究题还没定清楚时尤其有用：先逼你回答要验证什么，而不是先生成一份漂亮目录。
它偏研究型工作流，不是为快速出一份市场简报准备的；赶时间做商业扫描时，第 5 个会更轻。
访问地址：
https://github.com/Imbad0202/academic-research-skills-codex
四、把研究做成闭环：实验、写作与交付
9. Hermes Research Paper Writing：论文不是检索工作的终点
最适合：机器学习、AI 论文从研究到发表的完整循环。
它把文献综述、实验、分析、起草和修改接在一条链上。这个设计提醒了一件事：实验结果会推翻原假设，评审意见会逼你回到数据里重做分析；把写作当最后一步，通常太晚。
它围绕 Hermes 的委派、调度和记忆机制设计，普通市场调研没有必要把流程拉得这么重。
访问地址：
https://github.com/NousResearch/hermes-agent/blob/main/skills/research/research-paper-writing/SKILL.md
10. Content Research Writer：不要把一堆链接交给要做决定的人
最适合：公众号、白皮书和客户方案这类研究型写作。
它把研究笔记、原始材料、提纲和版本化草稿放在同一个工作区。改到第三版时，你还能找到每个关键判断的出处，而不是把报告里的话、访谈里的话和自己的猜测混成一团。
它擅长把研究交付出来，不替代前期开放式调研。先有材料，再让它写，效果才好。
访问地址：
https://github.com/ComposioHQ/awesome-claude-skills/tree/master/content-research-writer
如果要做一次复杂的商业研究，我会怎样把它们串起来
假设团队想判断：要不要做一款面向销售团队的 AI 培训产品。
先用 Deep Research Skills 开题，把需求、竞品、目标角色和进入门槛拆成字段；然后用 Last30days 找一线销售和销售管理者最近反复遇到的问题，再用 People Search Agent 把「目标客户」落到具体公司、岗位和采购入口。
接着回到自己的材料：客户访谈、销售复盘和已有项目文件交给 NotebookLM Research Skill；涉及敏感信息，就切到 Local Deep Research。外部信号只能说明别人有没有需求，内部材料才能说明我们有没有机会解决它。
如果核心前提是「模拟对话训练能否提升销售能力」，再让 K-Dense 查证据；问题、实验和核验更复杂时，用 Academic Research Suite 往下走。最后把所有材料交给 Six Advisors：客户到底会不会付钱？最可能失败在哪里？现在该做、延后，还是先用 7 天做一个最小验证？
确定方向后，再用 Content Research Writer 出决策文件：做不做、先打哪类客户、先验证什么、还缺什么证据。这样交出去的不是一堆链接，而是一条能继续推进的行动链。
最后叨叨几句
AI 研究真正拉开差距的地方，不在于它能不能一口气读完一百个网页，而在于你是否知道：什么时候该听外部信号，什么时候该回到自己的材料，什么时候必须补证据，什么时候应该停下来重问一次。
这 10 个 Skills 不需要全装。题目总跑偏，就先用第 5 个；材料总失控，就从第 3 个开始；结论总经不起追问，第 6 个最合适。研究不是多一个工具就更深，而是每一步都留下可追溯、可反驳、能继续往下做事的东西。
下次你再接到一句「帮我研究一下」时，先别急着开搜索框。先问问自己：这一次，到底缺的是信号、材料、证据，还是判断？
