Claude Code 一键变身企业级深度研究机器，8 阶段流水线吊打闭源 Deep Research

这一波 AI 行业的深度研究（Deep Research）军备竞赛已经打了大半年：OpenAI 先上 Gemini 跟上，Anthropic 在 Claude 里塞了 Research 模式，Perplexity 也早早吃下了这块蛋糕。但你仔细用一圈就会发现——这些闭源方案在「深度」上始终差点意思：要么只跑单一搜索源、要么看不到引用链路、要么超过一定字数就崩。

今天在 GitHub 翻到一个让我眼前一亮的开源项目——199-biotechnologies/claude-deep-research-skill，直接把 Claude Code 改造成一台企业级的深度研究机器。1.1K star 不算大，但架构思路比肩一线大厂产品。

它解决的是什么问题

普通 AI 搜索 = 一个 LLM 一次性读一堆网页，吐回来一段结论。问题是：源头不可信、过程不可见、超长就崩、引用对不上。这个 skill 把整套流程拆成 8 个阶段：Scope → Plan → Retrieve → Triangulate → Outline Refinement → Synthesize → Critique → Refine → Package。

每一步都有明确产出物，并且支持「回头改」——比如 Critique 阶段发现关键缺口，可以自动回滚到 Retrieve 阶段发起 delta-query。这种 loop-back 是一线闭源产品很少愿意给你的。

为什么比 OpenAI / Gemini 的 Deep Research 更硬核

三个关键差异：

• 多搜索源聚合：默认接 search-cli，可以把 Brave / Serper / Exa / Jina / Firecrawl 五个搜索 API 一起跑，单源不够就堆源。这跟闭源产品的「我用一个搜索就够了」思路完全不同。
• 源可信度打分：内置 source_evaluator.py，每条引用都会打分；3+ 关键事实交叉验证，否则不出报告。
• 验证闭环：validate_report.py（9 项结构检查）+ verify_citations.py（DOI/URL/幻觉检测），validate-fix-retry 最多跑 3 轮，确保交付质量。

实际跑起来什么体验

项目内置四种模式：Quick（3 阶段 / 2-5 分钟）、Standard（6 阶段 / 5-10 分钟）、Deep（8 阶段 / 10-20 分钟）、UltraDeep（8+ 阶段 / 20-45 分钟）。报告最终输出 Markdown + McKinsey 风格 HTML（自动打开浏览器）+ PDF（WeasyPrint 排版）。

最狠的一个细节：报告超过 18K 字会触发自动续写——递归启动新 agent 但保留磁盘上的 citations.json，绕开 context 窗口限制。这是闭源产品要解决的工程难题，这里靠文件系统朴素地解决了。

谁该装这个 Skill

投研、咨询、技术尽调、学术综述——任何「需要可引用、不接受幻觉、能给上级交付 PDF/HTML」的场景都值得装。装好之后只要说「deep research in ultradeep mode: 对比 PostgreSQL 和 Supabase 在我们业务里的选型」就能直接拿到一份带引用、可审计、有红队交叉质询过的完整报告。

一点提醒

项目本身 MIT 协议，但用 search-cli 的多源聚合需要至少配一个搜索 API 的 key（Brave 有免费额度）。如果只想要 demo 效果，fallback 到 Claude 内置的 WebSearch 也能跑，只是源覆盖会窄一些。

仓库在这：https://github.com/199-biotechnologies/claude-deep-research-skill，建议顺手 star，1.1K 的小项目里藏着对抗闭源 Deep Research 的开源答案。

GitHub: https://github.com/199-biotechnologies/claude-deep-research-skill