一个为 OpenClaw 打造的基于文件的研究框架，相比简单的聊天摘要，它更优先考虑来源的可追溯性和结构化的证据账本。
安装与下载
1. ClawHub CLI
从源直接安装技能的最快方式。
npx clawhub@latest install multi-agent-deep-research
2. 手动安装
将技能文件夹复制到以下位置之一
~/.openclaw/skills/ <project>/skills/ 优先级：工作区 > 本地 > 内置
3. 提示词安装
将此提示词复制到 OpenClaw 即可自动安装。
请帮我使用 Clawhub 安装 multi-agent-deep-research。如果尚未安装 Clawhub，请先安装（npm i -g clawhub）。
更倾向于下载？
获取包含原生技能文件的ZIP压缩包。
什么是 OpenClaw Deep Research？
OpenClaw Deep Research 技能将标准的 AI 聊天交互转变为生产级的研究引擎。通过将研究视为基于文件的流转过程而非瞬时的对话，它确保了每一个论点都能锚定到可验证的来源。该技能专为对准确性、可审计性和上下文窗口管理有严苛要求的深度调查而设计。
它基于显性记忆原则构建，利用本地文件来追踪项目状态、来源账本和论点证据。这种方法允许 Openclaw Skills 处理跨越多个会话或涉及协调子智能体的长期项目，而不会丢失之前的发现或重复工作。
OpenClaw Deep Research 应用场景
- 创建具有可审计论点的高质量技术报告或市场调查。
- 管理超出典型 LLM 上下文限制的长期研究项目。
- 协调具有不相交写入范围和清晰交接流程的多智能体研究团队。
- 为政策变化或产品发布等快速变化的事实构建证据账本。
- 使用归一化指标对实体（如公司、模型或市场）进行多维度对比。
OpenClaw Deep Research 工作原理
- Scope Freeze: 定义研究问题、目标受众和严格的研究截止日期，以锚定调查范围。
- Workspace Initialization: 在工作区中创建规范的项目目录，作为所有产出物的唯一事实来源。
- Delegation Strategy: 确定是否需要子智能体进行并行工作，为每个子智能体分配特定的读/写范围和目标。
- Source Collection: 构建来源账本，优先考虑一手文档、官方文件和原始数据集。
- Evidence Building: 将来源笔记转换为原子化的、关联 ID 的论点，并按事实类型和置信度进行分类。
- Synthesis and QA: 仅根据经过验证的论点起草最终报告，并进行最后一轮审核以确保引用的完整性和日期的准确性。
OpenClaw Deep Research 配置指南
要为用户全局安装此技能，请将仓库克隆到您的 OpenClaw 技能目录中：
# Global installation
mkdir -p ~\/.openclaw\/skills\/openclaw-deep-research\/
cp -r . ~\/.openclaw\/skills\/openclaw-deep-research\/
# Workspace-specific installation
mkdir -p skills\/openclaw-deep-research\/
cp -r . skills\/openclaw-deep-research\/
确保您的 OpenClaw 环境能够访问技能目录下的 references\/ 文件夹，以便使用提供的模板和标准。
OpenClaw Deep Research 数据架构与分类体系
该技能将研究组织成结构化的文件层级，以在不同的 OpenClaw 会话之间保持持久状态：
| Component | File/Path | Description |
|---|---|---|
| Status Board | status.md |
追踪当前阶段、后续行动和开放性问题。 |
| Source Ledger | sources.json\/md |
具有唯一 source_id 的一手/二手资料目录。 |
| Claim Ledger | claims.json\/md |
与来源关联的原子化论点，包含分类（如 hard_fact）。 |
| Handoffs | handoffs\/ |
智能体间通信日志和状态转移的目录。 |
| Deliverables | report.md |
嵌入了证据链的最终综合报告。 |
OpenClaw Deep Research 高级特性
- 多智能体协调：支持子智能体的受限角色，具有显式的写入范围保护，以防止文件冲突。
- 证据分类：区分硬事实、报道事实、解释和预测，以实现更高的分析严谨性。
- 归一化矩阵：内置逻辑，通过将行标记为部分或不可比，跨不一致的数据集对比实体。
- 基于文件的持久化：使 Openclaw Skills 能够通过读取本地状态文件来恢复复杂任务，而无需重新播放冗长的聊天记录。
- 审计追踪：最终输出中的每一个实质性论点都映射到本地账本中的
claim_id和相应的source_id。
SKILL.md
加载中
Openclaw 相关技能
Clash Verge Rev 控制器
一个强大的基于 Python 的自动化工具，通过外部控制器 API 控制 Clash Verge Rev 和 mihomo 核心。
Shopify Runtime Toolkit
一个功能强大的工具包，提供对单个 Shopify 商店的直接脚本化访问，用于检查设置、搜索文档和执行 JavaScript。
China Summarizer
一款用于 Openclaw Skills 的智能内容总结工具，可处理本地文档、网页 URL 和微信文章，无需外部 API keys。
Cloud Compliance Checker
一个自动化的审计工具，用于根据 CIS、HIPAA 和 PCI-DSS 等监管框架验证云基础设施。
精选*
