AutoGLM DeepResearch Skill
对用户课题进行少量搜索 + 有限深读，先展示中间结果，再生成结构化调研报告。
依赖 API
1. Web Search — 搜索网页
POST |
| 请求体 |
{"queries": [{"query": "<搜索词>"}]} |
| 返回 |
data.results[].webPages.value[] →
name / url / snippet |
2. Open Link — 打开页面获取详细内容
POST |
| 请求体 |
{"url": "<页面链接>"} |
| 返回 |
data.text → 页面正文内容 |
脚本启动时会先向本地服务发起 HTTP GET 请求获取 token：
GET |
| 返回 |
Bearer xxx（直接作为 Authorization 头使用） |
若返回值不含 Bearer 前缀，脚本会自动补全。
两个 API 使用相同的签名 Headers：
- -
X-Auth-Appid: INLINECODE11 - INLINECODE12 : 当前秒级 Unix 时间戳
- INLINECODE13 : MD5(
100003 + "&" + timestamp + "&" + 38d2391985e2369a5fb8227d8e6cd5e5)
执行脚本
使用同目录下的脚本：
# 搜索
python web-search.py "搜索关键词"
# 打开页面
python open-link.py "https://example.com"
深度研究流程
收到用户的研究课题后，按以下步骤执行：
Step 1：拆解子问题
将课题拆解为 1～2 个最关键的搜索方向，不要扩散成过多子问题。优先选择最能直接回答用户问题的维度，例如：
- - 背景与定义
- 最新现状 / 关键数据
- 代表性案例（仅在确有必要时）
如果用户的问题本身已经很具体，可以直接进入搜索，不必额外拆很多子问题。
Step 2：多轮搜索
调用 web-search.py 进行 1～2 次搜索，总量必须受控：
- - 默认先做 1 次搜索。
- 只有当第一次搜索结果明显不够、结果质量差、或缺少关键维度时，才进行第 2 次搜索。
- 不要为了“完整性”机械扩展搜索轮次。
每次搜索后，先整理并向用户呈现中间结果，再决定是否继续。中间结果至少应包含：
- - 本次搜索使用的查询词
- 2～5 条最相关结果的 INLINECODE16
- 对当前信息是否足够的简短判断
Step 3：筛选重要页面并深度阅读
从搜索结果中筛选 1～3 个 最相关的页面 URL，再调用 open-link.py 获取页面全文（data.text）。
控制规则：
- - 默认只打开 1 个页面。
- 仅当第 1 个页面信息不足、存在明显缺口、或需要交叉验证时，再增加到 2 或 3 个。
- 不要批量打开多个相似来源。
筛选标准：
- - snippet 信息量丰富、与课题高度相关
- 来源权威（官方网站、知名媒体、学术机构）
- 避免重复来源
每次打开页面后，也应先展示中间提炼结果，再继续下一步。中间结果建议包含：
- - 页面标题或 URL
- 3～6 条关键信息点
- 与用户问题的相关性说明
如果前 1～2 个页面已经足够回答问题，应停止继续调用。
Step 4：综合分析，生成报告
在完成有限搜索和有限深读后，先给出一个简短的“中间结论 / 当前发现”小节，再输出最终总结。
整合所有搜索 snippet 和页面全文，按以下结构输出报告：
CODEBLOCK1
执行约束
- -
web-search.py 最多调用 2 次。 - INLINECODE20 最多调用 3 次。
- 优先少调用、快返回；够用即可，不追求“穷尽式”检索。
- 每一轮搜索或打开页面后，都尽量把中间结果先展示出来。
- 当已有信息足以回答用户问题时，立即停止进一步调用并进入总结。
AutoGLM DeepResearch 技能
对用户课题进行少量搜索 + 有限深读，先展示中间结果，再生成结构化调研报告。
依赖 API
1. Web Search — 搜索网页
| 项目 | 内容 |
|---|
| 地址 | https://autoglm-api.zhipuai.cn/agentdr/v1/assistant/skills/web-search |
| 方式 |
POST |
| 请求体 | {queries: [{query: <搜索词>}]} |
| 返回 | data.results[].webPages.value[] → name / url / snippet |
2. Open Link — 打开页面获取详细内容
| 项目 | 内容 |
|---|
| 地址 | https://autoglm-api.zhipuai.cn/agentdr/v1/assistant/skills/open-link |
| 方式 |
POST |
| 请求体 | {url: <页面链接>} |
| 返回 | data.text → 页面正文内容 |
脚本启动时会先向本地服务发起 HTTP GET 请求获取 token：
| 项目 | 内容 |
|---|
| 地址 | http://127.0.0.1:53699/get_token |
| 方式 |
GET |
| 返回 | Bearer xxx（直接作为 Authorization 头使用） |
若返回值不含 Bearer 前缀，脚本会自动补全。
两个 API 使用相同的签名 Headers：
- - X-Auth-Appid: 100003
- X-Auth-TimeStamp: 当前秒级 Unix 时间戳
- X-Auth-Sign: MD5(100003 + & + timestamp + & + 38d2391985e2369a5fb8227d8e6cd5e5)
执行脚本
使用同目录下的脚本：
bash
搜索
python web-search.py 搜索关键词
打开页面
python open-link.py https://example.com
深度研究流程
收到用户的研究课题后，按以下步骤执行：
步骤 1：拆解子问题
将课题拆解为 1～2 个最关键的搜索方向，不要扩散成过多子问题。优先选择最能直接回答用户问题的维度，例如：
- - 背景与定义
- 最新现状 / 关键数据
- 代表性案例（仅在确有必要时）
如果用户的问题本身已经很具体，可以直接进入搜索，不必额外拆很多子问题。
步骤 2：多轮搜索
调用 web-search.py 进行 1～2 次搜索，总量必须受控：
- - 默认先做 1 次搜索。
- 只有当第一次搜索结果明显不够、结果质量差、或缺少关键维度时，才进行第 2 次搜索。
- 不要为了完整性机械扩展搜索轮次。
每次搜索后，先整理并向用户呈现中间结果，再决定是否继续。中间结果至少应包含：
- - 本次搜索使用的查询词
- 2～5 条最相关结果的 name / url / snippet
- 对当前信息是否足够的简短判断
步骤 3：筛选重要页面并深度阅读
从搜索结果中筛选 1～3 个 最相关的页面 URL，再调用 open-link.py 获取页面全文（data.text）。
控制规则：
- - 默认只打开 1 个页面。
- 仅当第 1 个页面信息不足、存在明显缺口、或需要交叉验证时，再增加到 2 或 3 个。
- 不要批量打开多个相似来源。
筛选标准：
- - snippet 信息量丰富、与课题高度相关
- 来源权威（官方网站、知名媒体、学术机构）
- 避免重复来源
每次打开页面后，也应先展示中间提炼结果，再继续下一步。中间结果建议包含：
- - 页面标题或 URL
- 3～6 条关键信息点
- 与用户问题的相关性说明
如果前 1～2 个页面已经足够回答问题，应停止继续调用。
步骤 4：综合分析，生成报告
在完成有限搜索和有限深读后，先给出一个简短的中间结论 / 当前发现小节，再输出最终总结。
整合所有搜索 snippet 和页面全文，按以下结构输出报告：
[课题名称] 深度调研报告
中间发现
（先列出搜索和页面阅读阶段已经确认的关键事实、主要来源、仍未确认的点）
概述
（2～3 句话概括核心结论）
背景
（课题的基本定义、背景信息）
现状分析
（关键数据、现状描述）
典型案例 / 代表性观点
（具体案例或多方观点）
发展趋势
（未来走向判断）
总结
（综合结论与建议）
参考来源
- 1. 页面标题
- 页面标题
...
执行约束
- - web-search.py 最多调用 2 次。
- open-link.py 最多调用 3 次。
- 优先少调用、快返回；够用即可，不追求穷尽式检索。
- 每一轮搜索或打开页面后，都尽量把中间结果先展示出来。
- 当已有信息足以回答用户问题时，立即停止进一步调用并进入总结。
