Claw Deep Research — Claw Deep Re搜索

Open Deep Re搜索

拒绝表面文章。用迭代搜索 + 递归深挖，像人类研究者一样层层深入，产出真正有深度的分析报告。

这是什么

一个给 AI 代理 用的深度研究工作流。

灵感源自 dzhng/deep-re搜索（17.8k ⭐）的广度×深度算法，并结合了 MiroMind/MiroThinker（GAIA 80.8%/BrowseComp 88.2 的 SOTA 深度研究模型）的架构思路——多轮多阶段迭代 + 交叉验证 + 矛盾驱动深挖。

与纯算法驱动的研究模型不同，本 技能：

不需要额外的 API Key — 复用 OpenClaw 已有的 网页_搜索 + 网页_fetch 不需要额外部署 — 一份 技能.md，放到 技能s 目录就能用 模型无关 — 你用什么 LLM 就跑什么模型，当前对话的模型就是引擎 前置条件

任何正常运行且配置了 网页_搜索 提供商的 OpenClaw 实例：

网页_搜索 — 已配置（MiniMax / Tavily / Brave / Perplexity / Google 均可） 网页_fetch — 可用（默认开启） 以上，没有其他依赖。

不挑搜索提供商，不挑 LLM，不挑操作系统。

核心算法：多阶段迭代研究

核心思想：不是"搜几次"的问题，而是"搜完之后怎么用"的问题。

MiroMind 的研究模型（MiroThinker-1.7，235B 参数）有三大核心特征：

交互式扩展 — 把"工具交互深度"作为独立于模型规模和上下文长度的第三维度 步进可验证推理 — 每一步生成的中间结果都经过验证，确认后再进入下一步 长链工具调用 — 单次任务支持最多 300-400 次工具调用

我们虽然不能匹配模型级别的优化，但可以通过结构化的工作流来逼近同样的效果。

五阶段流水线 阶段1: 全景扫描 ──→ 阶段2: 矛盾识别 ──→ 阶段3: 定向深挖 ──→ 阶段4: 交叉验证 ──→ 阶段5: 综合报告 (3-5条宽搜索) (找矛盾/盲区) (6-10条精准搜索) (验证关键数据) (完整报告)

不同于传统的 breadth×depth 树形递归，这是流水线式多轮迭代——每轮结束后暂停、反思、规划下一轮，而非机械地递归。

执行模式

提供两种执行模式，根据环境和用户偏好选择：

模式 A：内联执行（默认，首次使用建议）

在当前会话中逐步执行各阶段，用户实时看到进展。

优点：透明，可随时打断追问 缺点：会话时间长，深度研究时可能被其他消息中断 适用场景：话题明确、范围中等、首次体验 技能 模式 B：子 代理 执行（推荐，有并发模型能力时）

使用 会话s_spawn 创建专用的研究子 代理，让研究在后台异步执行。

什么时候用：

当前 OpenClaw 实例有可用的子 代理 并发能力 研究深度为「深入」或「极致」（即预计研究时间较长） 用户没有要求实时查看进展

执行流程：

当前会话 子 代理（后台研究） │ │ ├─ 会话s_spawn ───────→ │ │ 任务：完整研究流程 │ │ 上下文：研究计划 │ │ 标签：deep-re搜索-xxx │ │ ├─ 阶段1：全景扫描 │ ├─ 阶段2：矛盾识别 │ ├─ 阶段3：定向深挖 │ ├─ 阶段4：交叉验证 │ ├─ 阶段5：综合报告 │ │ │ 子 代理 自动返回结果 │ │←─────────────────────────┤ │ 收到报告，呈现给用户 │ │ │

子 代理 的任务指令模板：

深度研究任务

研究主题：[用户问题] 研究深度：[深入/极致]

请严格按照 claw-deep-re搜索 工作流执行：

• 阶段1：全景扫描 — 先做3-5条宽搜索
• 阶段2：矛盾识别 — 找矛盾点和盲区
• 阶段3：定向深挖 — 针对矛盾精准搜索
• 阶段4：交叉验证 — 关键数据多源验证
• 阶段5：输出结构化报告

注意每轮搜索后必须暂停反思，不要机械重复。 完成后将完整报告返回。

子 代理 执行的关键规则：

会话s_spawn 时 上下文 设为 "isolated"（独立上下文，不继承父会话的对话历史） 给子 代理 设置 label 为 deep-re搜索-<话题英文缩写>，方便后续追踪 子 代理 的任务描述要把本 技能.md 的工作流完整传过去（或引用 技能 名称，由子 代理 自己加载） 子 代理 完成任务后会自动返回结果到父会话 用户可通过 sub代理s 列出 查看研究进度

优点：

当前会话不阻塞，用户可以继续做其他事 长时间的研究不会被其他消息打断 可以同时运行多个研究任务 执行模式选择逻辑 if 用户明确要求「先看结果」或「后台研究」: 按用户要求选择 elif 子 代理 并发可用 AND 研究深度 >= "深入": 自动选择 模式B（子 代理 执行） 通知用户：「🔬 研究将在后台进行，完成后通知你」 else: 选择 模式A（内联执行）

完整工作流 阶段 0：解析输入

用户触发后，提取：

主题 — 研究的核心对象 范围 — 关注的维度（技术/商业/政策/历史/竞品/学术……） 格式偏好 — 报告/对比/时间线/列表/问答……（默认结构化报告） 研究深度 — 标准/深入/极致（影响轮次数量，默认"深入"） 深度级别 总搜索次数 说明 标准 ~5-8 次 1-2 轮，适合话题范围明确 深入 ~12-20 次 3 轮（全景→深挖→验证），默认 极致 ~25-40 次 4-5 轮，适合复杂跨界主题

输出： 研究计划（大纲 + 深度级别）

阶段 1：全景扫描

目标：快速覆盖话题的各个维度，建立全局认知地图。

根据主题生成 3-5 条独立搜索方向，覆盖不同维度 每条调用 网页_搜索(查询, count=5) 对有价值的结果条目用 网页_fetch(url) 获取详细信息 从所有结果中提炼：

认知卡片（Re搜索 Cards） — 每条卡片包含：

• 方向：[命题/维度名称]
• 发现：关键信息（含具体实体、数字、日期）
• 来源：URL
• 置信度：高/中/低（数据质量评估）
• 矛盾点/异常：与该方向内其他发现不一致的地方

同时记录未覆盖维度和初步矛盾

外化研究状态 — 为防止长流程中上下文滚动丢失信息，将研究状态写为临时文件：

路径：~/.OpenClaw/workspace/.deep-re搜索-缓存/[topic-哈希]-learnings.json 内容：全部认知卡片（JSON 数组） 每完成一轮搜索后更新该文件 下一轮开始时优先从文件恢复已有认知，避免重复搜索 研究完成后清理缓存文件 阶段 2：矛盾识别与分析

这是区别于普通"搜索+总结"的关键步骤。

在完成全景扫描后，不要立刻继续搜索。先对已有材料做三件事：

① 找矛盾（Contradiction Mining）

同一话题的不同来源给出了不同结论？ 数据和宣传不一致？ 时间线上的变化？

② 找盲区（Gap 检测ion）

哪些维度完全没有覆盖到？ 哪些数据只有单一来源？ 哪些环节逻辑链不完整？

③ 定优先级（Priority Ranking）

哪些矛盾/盲区对理解话题最重要？ 哪些方向可能只需要一次搜索就能澄清？ 哪些方向需要多轮深挖？

输出： 一张清晰的"剩余问题清单"，每条标注优先级

阶段 3：定向深挖

基于阶段 2 的剩余问题清单，精准打击。

特点与阶段 1 不同：

搜索方向更窄、更具体（不再是大维度，而是具体问题） 搜索词更精准（包含矛盾的关键词、实体名、排除词） 对低置信度的认知做针对性求证 每条搜索后有明晰的判断：是解决了问题？还是发现了新的矛盾？

为什么比简单的"递归减半"更好？

原版算法：breadth/2, depth-1，机械地降低宽度进入子层。 改进后：不按固定比例减半，而是根据实际发现的矛盾点数量和质量决定下一轮搜索数量和方向。

阶段 4：交叉验证

在报告初稿之前，对关键数据进行来源交叉验证。

验证规则：

关键数据/数字：至少两个独立来源支持（不同媒体、不同立场） 趋势判断：需要时序数据支撑（不仅说"增长"，还要说"从X到Y"） 争议性结论：需要正反双方的观点 单一来源的认知：标记为"待确认"，在报告中注明局限性

验证工具：

网页_搜索(查询, count=3) 带上原文关键词+补充关键词搜索 如果多个来源一致 → 提升置信度 如果来源矛盾 → 记录为争议点，报告中呈现双方观点 如果找不到第二个来源 → 报告中标注"仅单一来源" 阶段 5：生成报告

基于全部认知卡片，生成结构化报告：

# [主题] — 深度研究报告

摘要

300-500 字综述，涵盖所有关键发现和结论

研究范围与方法

• 搜索轮次、搜索量、覆盖维度说明
• 置信度说明（哪些数据经过交叉验证，哪些仅单一来源）

核心发现

子主题一（置信度：高）

发现 + 数据 + 分析 + 来源标注

子主题二（置信度：中）

发现 + 数据 + 分析 + 来源标注 ...

矛盾与争议

呈现研究过程中发现的数据矛盾或观点分歧

综合洞察

跨维度的趋势判断、矛盾点分析、独特见解

局限性

• 研究范围的限制
• 未充分覆盖的维度
• 不确定性较高的结论

来源

• 标题
• 标题

...

报告产出格式： Markdown

研究记忆

如果用户对同一个话题再次发起深度研究，自动检查上次的研究成果：

使用 memory_搜索 搜索当前话题相关的历史记录 如果找到之前同一话题的研究报告，在开始时提示用户： 「📂 发现该话题的历史研究报告（[日期]），需要在此基础上继续深挖，还是重新开始？」 如果用户选择继续深挖，把上次的研究认知卡片作为阶段1的输入起点 标记新增和更新的发现，最终报告中标注「本次新增 vs 上次已有」 自适应参数

不再使用固定的 breadth 和 depth 数值，而是根据话题特征动态调整：

话题特征 阶段1扫描 阶段3深挖 总搜索量 窄话题：如「某公司季度营收」 3条（覆盖业绩/对比/原因） 3-5条（验证关键数字） ~8次 中等话题：如「新能源汽车竞争」 4条（技术/市场/政策/玩家） 6-8条（深挖矛盾/争议） ~15次 宽话题：如「令牌出海生态」 5条（多维度覆盖） 8-12条（多个矛盾点深挖） ~20次 学术/争议性话题 4条（不同立场） 10-15条（多角度验证） ~20次 交互反馈

根据执行模式，呈现方式不同：

模式A（内联执行）— 实时进展 起步 → 「🔬 开始深度研究：[主题]，覆盖 5 个维度，预计搜索 15-20 次」 阶