本期回到单件深拆。主角是装机清单里的 deep-research——一个把「多源检索、证据汇编、结构化报告」整条产线塞进一个 Skill 的执行件。拆解方法是把它的 SKILL.md 每一段摊开，看每一行在设计上解决什么问题；同时拉了同赛道三件做对照：同样是研究件的 research（外包给 Tavily 云检索）、跨界的 notion-meeting-intelligence（纯流程件），以及一桩反面教材 skill-seekers（装到手只有三行门牌）。核心发现：这类「执行件」的 SKILL.md 不写散文，只写三样东西——调用命令、参数表、输出契约；而触发器的功夫全在清单里那行描述上。公开榜单热度数据本期未采信，文中不编任何 Star 数。
| 维度（权重） | deep-research | research | notion-meeting-intelligence | skill-seekers（装机到手版） |
|---|---|---|---|---|
| 功能完整度 25% | ★★★★ | ★★★★ | ★★★★★ | ★ |
| 设计质量 25% | ★★★★★ | ★★★★ | ★★★★★ | ★★ |
| 实战效果 20% | ★★★★ | ★★★★ | ★★★★ | ★★ |
| 上手难度 15% | ★★★★ | ★★★ | ★★★ | ★★★★ |
| 社区活跃度 15%* | ★★★★ | ★★★ | ★★★★ | ★★ |
| 加权总分 | 4.25 | 3.70 | 4.35 | 2.05 |
*社区活跃度一栏本期统一按「依赖健康度＋装机观察」给分，未采公开榜单数据，宁低勿高。
四件里总分最高反而不是主角，是 Notion 那件官方流程件——但它成立的前提是你本来就把工作流放在 Notion 里。在「研究产线」这个具体赛道上，deep-research 是四件里唯一不依赖任何外部账号的，这也是它最值得拆的原因。
先看全文骨架。这份 SKILL.md 正文不到三十行，依次是：一行定位、一个调用代码块、一张参数表、一段输出契约。没有背景介绍，没有原则宣言，没有「你是一个深度研究助手」式的角色扮演开头。
第一段：一行定位。 开头就六个词——「多源检索 + 证据汇编 + 结构化报告」。三个名词短语，用加号串起来，正好对应产线的三道工序：先检索、再汇编、最后出报告。定位写到这个密度就够了，多一个形容词都是浪费上下文。
第二段：调用块。 原文直接给了一条可复制的命令：
python3 skills/deep-research/run.py --topic '研究主题' --queries '["关键词1","关键词2"]' --max_results 5 --depth basic
这一段的设计意图很明确：告诉调用方「本件不是提示词，是程序」。活由 run.py 这个脚本扛，SKILL.md 只是它的接口说明书。模型读到这一段的动作不是「理解并复述」，而是「填参数并执行」。
第三段：参数表。 五个参数，一张表说完：
| 参数 | 必填 | 说明 |
|---|---|---|
| topic | 是 | 研究主题 |
| queries | 否 | 搜索关键词，默认自动生成 3 条 |
| max_results | 否 | 每条 query 结果数，默认 5 |
| depth | 否 | basic 或 advanced |
| fetch_urls | 否 | 额外抓取全文的 URL |
这张表有两个值得学的设计。一是必填项压到一个：topic 必填，其余全有默认值，最低使用成本就是给一个主题。二是留了一个后门参数：fetch_urls 允许手工指定要抓全文的 URL——这意味着你可以绕过搜索引擎的排名偏差，直接把官方一手源喂进去。写 Skill 的人都知道「自动化」好听，但真正好用的是「自动化＋一个手动旁路」。
这张表也暴露了全件最明显的设计短板：depth 只有 basic / advanced 两个值，但两个档位到底差在哪，正文一个字没写。是检索轮数不同、抓取深度不同、还是汇总策略不同？调用者只能盲选，或者自己去读 run.py 源码。门牌上写了有档位，却没写档位语义，这是接口说明书的大忌。
第四段：输出契约。 原文写明返回 JSON，包含三个键：searches（搜索结果）、fetched_pages（抓取页面）、summary_prompt（综合提示）。注意第三个键——脚本不替你写报告，它把散落的证据组装成一份「综合提示」交还给模型。分工划得很清楚：脚本管体力活（检索、抓取、拼装），模型管脑力活（归纳、判断、成文）。这是执行件和「全自动幻觉发生器」的分界线。
第五段：整理模板。 输出契约后面跟了一句格式约定，原文是：
按「问题→发现/证据→置信度→影响/建议」结构化整理
一行箭头链，四个节点。最妙的是「置信度」被写死成必填项——报告里每条发现都要带上它有多可信。这一行顶得上长篇提示词里十句「请确保严谨」。
Skill 能不能被自动唤起，取决于清单里那行 description，而不是正文写得多好。deep-research 在本机技能清单里挂的描述是：
Deep research harness — fan-out web searches, fetch sources, adversarially verify claims, synthesize a cited report.
拆开看，这行描述有四层设计：
对照组很残酷：同赛道的 research 在本机清单里是裸挂的，连一行描述都没有。它只能被显式点名调用，永远等不到自动唤起。同一个生态里，描述写不写，直接决定一件 Skill 是「被动库房」还是「主动工位」。
research：外包大脑型。 正文一半篇幅在讲鉴权——走 Tavily 的 OAuth，首次运行自动开浏览器登录；嫌麻烦也可以去 tavily.com 拿 API key，塞进 ~/.claude/settings.json。它的参数表只有两项：input 和 model（mini / pro / auto），但给了一条极好的选型口诀：「what does X do? 用 mini；X vs Y vs Z 或 best way to……用 pro」。把模型分档的判断标准翻译成句式特征，这是很老练的写法。代价也明摆着：账号、网络、第三方服务存续，三样都在它门外。
notion-meeting-intelligence：流程件标杆。 它是四件里唯一没有脚本的——活全靠「路由」。SKILL.md 只留主干，把六种会议场景（状态同步、决策、规划、回顾、一对一、头脑风暴）分岔到 reference/ 下的七份模板文件，每份模板再配 examples/ 里的端到端样例。主文件永远瘦，重内容按需加载。另有一处值得抄的细节：它把「MCP 没连上怎么办」写成了流程第 0 步——给出远程端点 mcp.notion.com/mcp、配置改法、OAuth 登录、重启生效，一条龙排好。断链自愈写进门牌，新手就不会在第一步骂娘。
skill-seekers：门牌件警示。 装到手打开一看，正文三段：一句 Overview、一段模板化的 When to Use、一段 Instructions，最后甩一个上游仓库链接（github.com/yusufkaraaslan/Skill_Seekers）完事。真身在上游仓库里，装机端的这份只是个门牌。这件事对生态的启示比 Skill 本身值钱：装机到手的质量 ≠ 上游质量，聚合目录里「可安装」三个字背后，可能只是一个空壳。评它低分评的是装机体验，不是上游项目本身。
mindmap
root(("研究赛道三件"))
自带引擎
deep-research
run.py 扛活
无外部账号
外包大脑
research
Tavily 云检索
OAuth 鉴权
借人工作台
notion会议件
七套模板路由
断链自愈
deep-research 适合：需要多源交叉的主题综述；报告必须带出处的合规场景；关键词能列得出来的封闭主题；二次加工前的证据汇编——先让它把证据和来源攒齐，再人工定调。
不适合：单点事实速查（一步检索就够，犯不上三十秒起步的整条产线）；强时效数据（脚本抓回的是静态结果，行情类需求要专源）；结论不能出错的高危场景（置信度是标出来的，不是担保出来的，最终还得人审）。
通用安装约定：整个目录扔进 ~/.claude/skills/<技能名>/，重启会话即被扫描。
# deep-research：按 SKILL.md 原文调用
python3 skills/deep-research/run.py --topic '你研究的主题' --depth advanced
# research：先去 tavily.com 注册，或直接用 API key
# ~/.claude/settings.json
{ "env": { "TAVILY_API_KEY": "tvly-你的key" } }
./scripts/research.sh '{"input": "主题", "model": "pro"}' ./report.md
魔改建议按性价比排序：① 关键词敏感的领域，别用默认的自动生成，手工喂 queries；② 证据不足时把 max_results 从 5 提到 8–10，拿上下文换召回；③ fetch_urls 固定喂官方一手源，绕开搜索排名的噪声；④ 把「问题→发现/证据→置信度→影响/建议」这行输出模板替换成你自己的格式（周报、评审意见、招标对照表），脚本零改动。
flowchart TD
A["topic 研究主题"] --> B["生成查询计划"]
B --> C["逐条检索"]
C --> D["searches 结果列表"]
C --> E["fetch_urls 抓全文"]
D --> F["JSON 汇编"]
E --> F
F --> G["summary_prompt 综合提示"]
G --> H["问题 定边界"]
G --> I["发现 附证据"]
G --> J["置信度 标不确定"]
H --> K["结构化报告"]
I --> K
J --> K
K --> L["影响 与 建议"]
/home/gprshome/.claude/skills/ 下 deep-research、research、notion-meeting-intelligence、skill-seekers 四份 SKILL.md 原文（本机装机实测），文中引文均出自原文[!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。