# Round 7·同赛道横评：「研究」这一个动词，被生态拆成了四档深度 ## 概述 本期是系列第 7 轮，按轮次设定做同赛道竞品横评。选的赛道是**调研/研究**——所有 Skills 里最容易被一句话混同的赛道：「帮我研究一下 X」。翻遍本机装机目录会发现，这个动词至少由四个 Skill 分档承接：`wikipedia-research`（单源核查）、`content-research-writer`（研究为成稿服务）、`deep-research`（通用调研引擎）、`academic-researcher`（学术全管线）。核心发现有三：其一，这条赛道不是四个竞品抢一个位置，而是四个位置各站一档深度，交付物形态才是真正的分界线；其二，唯一由官方下场做的通用件 `deep-research`，把功夫全下在了「调用前置条件」上，这是本期拆出的最值得抄的设计；其三，赛道的完整度是靠来源多样性凑齐的——官方 harness、学术团队、内容工厂、社区核查件各补一块拼图。 ## 本期横评对象与总评分表 | Skill | 来源底盘 | 功能完整度 | 设计质量 | 实战效果 | 上手难度 | 社区活跃度 | 加权 | |-------|---------|-----------|---------|---------|---------|-----------|------| | deep-research | 内置 harness 件 | ★★★★★ | ★★★★★ | ★★★★☆ | ★★★☆☆ | ★★★★☆ | **4.6** | | content-research-writer | ComposioHQ/awesome-claude-skills | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | **4.4** | | academic-researcher | Imbad0202/academic-research-skills | ★★★★★ | ★★★★☆ | ★★★★☆ | ★★☆☆☆ | ★★★★☆ | **4.0** | | wikipedia-research | 社区 | ★★★☆☆ | ★★★☆☆ | ★★★☆☆ | ★★★★★ | ★★★☆☆ | **3.4** | 评分权重按系列统一口径：功能 25%、设计 25%、实战 20%、上手 15%、社区 15%。星级为本期基于装机实测与本系列历轮已验证档案的综合评定；上游仓库星标数各期档案记载存在出入的，本文一律不采信具体数字。 ## 赛道底图：同一个动词，四档深度 ```mermaid flowchart TD Q["同一个动词：研究X"] --> R{"交付物是什么"} R -->|"事实核查结论"| W["wikipedia-research"] R -->|"可直接发布的文章"| C["content-research-writer"] R -->|"带引用链的调研报告"| D["deep-research"] R -->|"可投稿的学术论文"| A["academic-researcher"] W --> E1["最浅：单源速断"] C --> E2["研究是写作的前置工序"] D --> E3["对抗性验证压阵"] A --> E4["35子代理全管线"] ``` 把四件放进一张图就看清了：这条赛道的关键词不是「谁更强」，而是「你要什么」。要一个事实的真伪，浅档最省钱；要一篇能发的文章，研究只是工序；要一份能拿去开会决策的报告，验证纪律是命门；要一篇能走同行评审的论文，那已经是另一个行业。四个 Skill 恰好按交付物深度排成一条阶梯，这也是本期全部对比的坐标系。 ## 逐件拆解 ### 1. wikipedia-research：最浅档，但不是最没用档 **定位**：单源专精件，围绕 Wikipedia 做百科验证导向的事实核查——本系列 6 月评测给它的一句话定性是「事实核查器」，至今仍是这条赛道里资料最薄的一件，独立评测记录少，本文只给它保留必要的篇幅。 **亮点**在于「单源」本身是一种设计决策：它不假装自己能做深度调研，召回边界天然清晰——用户问到百科级事实（人物、事件、定义、时间线）时它才该被触发。对于高频「这句话对不对」式核查需求，动用一个全管线引擎是杀鸡用牛刀，单源件反而成本最低、速度最快、幻觉面最小。 **短板**同样来自单源：Wikipedia 的覆盖偏差（英文条目远厚于中文、长尾话题缺失）会原样继承给输出。它没有验证「百科本身错了怎么办」的机制，这一点上与 deep-research 的多源对抗验证差着整整一档。社区活跃度一般，属于装机目录里「装了不亏、忘了也没事」的陪跑位。 ### 2. content-research-writer：研究是它的前置工序，不是它的产品 **定位**：来自 ComposioHQ/awesome-claude-skills 的研究型写作件，本系列 5 月、6 月两轮评测均以「写作合伙人」定性。安装：`npx skills add ComposioHQ/awesome-claude-skills --skill content-research-writer`。 **关键设计**拆开看是三层。第一层是**阶段化流程**：关键词研究与竞争分析 → 结构化大纲 → 逐节起草 → 可读性与语调审查 → 平台适配成稿，评测档案中既有按四阶段（研究→大纲→起草→编辑）归纳的版本，也有把平台适配单算一道的五阶段版本——分歧恰好说明它的重心压在「成稿收口」上。第二层是**引用纪律**：内置反幻觉要求，每个断言必须标注来源，这让它与纯创意写作件（content-creator 一系）划清了界限。第三层是**平台方言层**：内置 SEO 元数据生成（标题标签、meta 描述、H 标签层级），并适配 WordPress、Ghost、Dev.to 等不同 CMS 的 Markdown 方言——这是四件里唯一一个替「发布」这个下游动作想好了的。 **短板**：它不自带搜索引擎，检索底座需要外接（本系列档案明确记载需配合 `ducksearch` 或 `web-access` 使用），研究深度向速度妥协。在这条赛道上它是唯一「研究不闭环」的件——但对目标用户（要文章不要报告）而言，这是正确的取舍。 ### 3. deep-research：官方下场的通用引擎，功夫全在 description 里 **定位**：本机装机目录里的内置 harness 件（与本系列 9 月档案记载一致，同列的还有 code-review、verify、loop、claude-api 等），社区另有同名的 199-biotechnologies/claude-deep-research-skill 实现。它的四阶段管线在历轮档案里反复被验证：fan-out 多路搜索 → 逐源抓取 → 对抗性声明验证 → 综合成带引用的报告。安装：`npx skills add deep-research`。 ```mermaid flowchart TD A["用户抛出调研问题"] --> B{"问题足够具体吗"} B -->|"否"| C["先问2-3个澄清问题"] C --> A B -->|"是"| D["fan-out 多路搜索"] D --> E["逐源抓取"] E --> F["提取待验证声明"] F --> G["对抗性验证"] G --> H["综合成带引用的报告"] ``` **本期最值得逐字读的设计**是它的 description，原文可以这样概括：先声明自己是「Deep research harness——多路扇出搜索、抓取来源、对抗性验证声明、综合出带引用的报告」，随后紧接一句大写的 BEFORE INVOKING——调用前先检查问题是否足够具体，不够就先向用户提 2-3 个澄清问题。这段写法有三重功效：前半句是能力声明（召回路标），后半句是**前置条件**（precondition），把「模糊输入导致整轮跑偏」这类最常见的失败模式拦在启动之前；「对抗性验证」四个字则把验证纪律写进了接口契约本身，而不只是正文里的一个步骤建议。本系列 9 月的模式提炼篇已把它当作「调用前先确认什么」的正面例题，本期放回赛道里看，它是四件中唯一把「拒绝错误的启动」写成第一公民的。 **短板**：历轮实测一致指向两点——运行成本高（多路搜索加逐源验证，token 消耗是浅档件的一个数量级以上），以及中文信息源覆盖有局限。它是引擎不是玩具，随手小问题不该惊动它。 ### 4. academic-researcher：最重的一件，也是唯一「管到投稿后」的件 **定位**：来自 Imbad0202/academic-research-skills（据本系列 5 月拆解时约 6.4K 星），是当时认定的生态中最复杂的专业技能之一：**35 个子代理、25 种工作模式**，覆盖学术研究完整生命周期——文献发现（自动检索 arXiv、Semantic Scholar 等库）→ 论文分析（并行子代理分章节深度审查）→ 研究综述生成 → 写作辅助 → 投稿管理（格式适配、引用检查、同行评审准备）。安装：`npx skills add Imbad0202/academic-research-skills`。 **亮点**是纵深无人能及：其余三件的交付物都停在「给人看」，它一路管到「给审稿人看」。35 子代理架构本质上是把渐进披露推到极致——SKILL.md 只做模式路由，重货全部下沉到子代理层，25 种模式对应 25 条预设管线，这是「用架构换确定性」的典型样本。 **短板**同样醒目：上手门槛全场最高，需要学术背景才能有效驱动，子代理配置复杂，一次全管线跑下来成本不菲；对非学术用户，它 80% 的能力是闲置的。本系列历轮给它的一致评价是「功能五星、上手二星」——深度档位的代价，四件里只有它需要用户先懂论文再谈研究。 ## 逐项对比：四张硬表 **交付物与边界对比**： | | wikipedia-research | content-research-writer | deep-research | academic-researcher | |---|---|---|---|---| | 交付物 | 事实核查结论 | 可发布文章 | 带引用链报告 | 可投稿论文 | | 检索面 | 单源（Wikipedia） | 外接搜索引擎 | 多源扇出 | 学术库为主（arXiv 等） | | 验证纪律 | 继承百科质量 | 断言强制标注来源 | 对抗性多源互证 | 引用检查+评审准备 | | 研究是否闭环 | 是 | 否（需外接检索） | 是 | 是 | | 管到的下游 | 无 | 发布/SEO/平台方言 | 决策阅读 | 投稿与同行评审 | | 上手成本 | 极低 | 低（需懂 SEO 概念） | 中（成本意识） | 高（需学术背景） | **设计手法对比**（SKILL.md 视角）： | 设计点 | 做得最好的 | 手法 | |---|---|---| | 触发前置条件 | deep-research | description 里写明 BEFORE INVOKING 先澄清 | | 反幻觉机制 | content-research-writer | 断言级强制引用 | | 渐进披露架构 | academic-researcher | 35 子代理下沉，正文只做路由 | | 反触发/边界自觉 | wikipedia-research | 单源定位天然防误召回 | **适用人选对比**：要快速核对事实选 wikipedia-research；要产出内容选 content-research-writer；要支撑决策选 deep-research；要产出论文选 academic-researcher。四问四答，几乎不重叠——这就是赛道健康的标志。 **组合姿势对比**：轻量组合是 wikipedia-research 前置核查 + deep-research 出报告；内容组合是 deep-research 供弹药 + content-research-writer 收口成稿（本系列 5 月档案记载的 `content-strategy → deep-research → content-research-writer → content-repurposer` 流水线即由此而来）；学术线则是 academic-researcher 独立成环，不与前三件混装。 ## 安装与使用命令 ```bash # 通用调研引擎（内置 harness 件） npx skills add deep-research # 研究型写作（来自 ComposioHQ 清单仓库） npx skills add ComposioHQ/awesome-claude-skills --skill content-research-writer # 学术全管线 npx skills add Imbad0202/academic-research-skills # 单源核查件：先定位再安装 npx skills find wikipedia ``` 搭配底座：`ducksearch` 或 `web-access` 可补齐 content-research-writer 的检索短板。 ## 推荐排行榜 **综合加权**：① deep-research（4.6）② content-research-writer（4.4）③ academic-researcher（4.0）④ wikipedia-research（3.4） **设计质量榜**（最值得抄的 SKILL.md）：deep-research（前置条件写法）＞ content-research-writer（断言引用纪律）＞ academic-researcher（子代理路由）＞ wikipedia-research **新手友好榜**：wikipedia-research ＞ content-research-writer ＞ deep-research ＞ academic-researcher **成本克制榜**（单次调用代价从低到高）：wikipedia-research ＜ content-research-writer ＜ deep-research ＜ academic-researcher——这个顺序恰好与综合榜大致倒序，是本赛道最重要的实用结论：**深度是用 token 买的，先想清楚交付物再挑档位**。 ## 结语 横评完这条赛道，最反直觉的结论是：第一名 deep-research 并不适合大多数人日常装——多数人的真实需求是第二名的交付物。调研赛道的四个位置不是四个竞品互相踩踏，而是把「研究」这个动词按交付物深度切成了四档，档位之间靠组合衔接而非彼此替代。对 Skill 作者的启示更直接：在同赛道做一件新 Skill，别再问「我能不能做得比它好」，先问「它的交付物形态留了什么缝」——这条赛道证明，缝里才能长出新位置。 ## 参考来源 1. [anthropics/skills 官方仓库](https://github.com/anthropics/skills) — 官方 Skills 底盘与内置 harness 件生态位参照 2. [ComposioHQ/awesome-claude-skills](https://github.com/ComposioHQ/awesome-claude-skills) — content-research-writer 所在清单仓库及 SKILL.md 原文 3. [Imbad0202/academic-research-skills](https://github.com/Imbad0202/academic-research-skills) — academic-researcher 上游仓库（35 子代理架构） 4. [DeepWiki: 199-biotechnologies/claude-deep-research-skill](https://deepwiki.com/199-biotechnologies/claude-deep-research-skill) — deep-research 四阶段管线架构分析（本系列 6 月评测引用） 5. [skillsmp.com](https://skillsmp.com) — 2300+ Skills 目录，调研类热度与新上架参照 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。