使用示例

bash

基本搜索

使用 JSON 格式输出

指定搜索引擎和结果数量

支持的搜索引擎

环境变量

输出格式

文本格式（默认）

每条结果包含序号、标题、链接和摘要：

搜索 Python 异步编程 找到 3 条结果：

[1] Python asyncio 完整指南
链接: https://example.com/asyncio-guide
摘要: 本文介绍了 Python asyncio 模块的核心概念...

[2] ...

JSON 格式（--json）

json
{
query: Python 异步编程,
count: 3,
results: [
{
title: Python asyncio 完整指南,
url: https://example.com/asyncio-guide,
snippet: 本文介绍了 Python asyncio 模块的核心概念...
}
]
}

运行要求

• - Python 3.10+
• 仅使用标准库（urllib、json、re、html），无强制第三方依赖
• 可选安装 duckduckgo_search 库以提升 DuckDuckGo 搜索质量
• 脚本启动时会自动进行网络连通性检测

注意事项

• - 根据返回的搜索结果（标题、链接、摘要）组织答案，不新增或臆造内容
• 使用非 DuckDuckGo 引擎前，请确保对应的 API Key 环境变量已正确设置
• 如网络不可用，脚本会输出警告信息但仍会尝试执行搜索

进度跟踪

系统实时显示搜索进度：

• - 格式：{index + 1}/{depth}th search executed.
• 例如：1/3th search executed.

使用场景

适用场景

1. 1. 复杂主题研究: 需要对特定主题进行深入、全面的研究
2. 最新信息分析: 需要基于最新网络信息生成详细分析报告
3. 多角度探索: 需要从不同角度和维度探索一个主题
4. 系统化调查: 需要系统化的调查和证据收集

典型用例

• - 市场趋势分析
• 技术发展研究
• 竞争对手分析
• 学术文献综述
• 产品调研

技术特点

智能特性

1. 1. 自适应搜索: 每轮搜索后由LLM分析结果，智能决定下一步搜索方向
2. 避免重复: 系统记录已搜索主题，避免重复搜索相同内容
3. 深度推理: 使用专门的推理模型进行综合分析

系统特性

1. 1. 多轮迭代: 支持指定深度的多轮搜索
2. 并行能力: 支持最多10个并行搜索
3. 状态管理: 完整的变量管理和状态跟踪
4. 进度可视: 实时显示搜索进度和状态

集成特性

1. 1. LLM集成: 结合GPT-4o进行智能分析，deepseek-reasoner进行深度推理
2. 网络搜索: 集成web-search技能获取实时网络信息
3. JSON处理: 使用JSON解析工具处理结构化数据

工作流示例

输入示例

markdown
用户查询: 人工智能在医疗领域的最新发展
研究深度: 3

执行流程

1. 1. 第1轮:

1. 2. 第2轮:

1. 3. 第3轮:

1. 4. 综合分析:

输出示例

markdown

人工智能在医疗领域的最新发展研究报告

执行摘要

主要发现

1. 1. AI在医疗诊断方面的最新进展

1. 2. 医疗影像AI技术突破

1. 3. AI在药物研发中的应用

结论与建议

未来研究方向

注意事项

工作流限制

1. 1. 无执行脚本: 本skill是一个工作流描述文档，不包含可执行脚本
2. 外部依赖: 依赖web-search技能执行实际搜索
3. 参数简化: 搜索时仅使用query参数，忽略其他搜索配置

使用建议

1. 1. 深度设置: 根据研究复杂度设置合适的depth值
2. 查询优化: 提供清晰具体的研究主题
3. 结果验证: 对生成的报告进行必要的事实核查

最佳实践

1. 1. 渐进式研究: 从宽泛主题开始，逐步深入具体方向
2. 多源验证: 结合多个来源的信息进行交叉验证
3. 及时更新: 对于快速发展的主题，建议定期重新研究

故障排除

常见问题

1. 1. 搜索无结果: 检查query是否过于具体或专业，尝试更通用的搜索词
2. 迭代过早结束: 调整LLM的temperature参数或提供更多上下文
3. 结果重复: 系统已内置避免重复机制，如仍出现可手动干预

性能优化

1. 1. 并行搜索: 充分利用系统的并行能力（最多10个并行）
2. 缓存利用: 对于相同主题的多次研究，可考虑结果缓存
3. 增量更新: 对于持续研究，可采用增量更新策略