academic-deep-research-clawhub-skill
一款强调透明、严谨与可复现性的学术深度研究工具。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：academic-deep-research-clawhub-skill。 它的用途是：一款强调透明、严谨与可复现性的学术深度研究工具。 完整的 Skill 内容见：https://321skill.com/skills/academic-deep-research-clawhub-skill/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“请对‘大语言模型在医疗诊断中的应用与伦理挑战’这一主题进行深度研究。” 它会首先询问你具体的研究焦点和范围，然后制定详细的研究计划并征得你的同意，接着自主进行多轮、多源的搜索、分析和验证，最终交付一份结构完整、引证规范的叙事性研究报告。
介绍
这款 Skill 旨在解决传统 AI 研究工具“黑箱”操作、过程不透明、结论难以验证的问题。它通过强制性的双循环研究流程、严格的证据等级划分和完整的 APA 7th 引用规范，将深度研究过程标准化、透明化，确保每个结论都有据可查，整个研究路径可被复现。
使用时，Skill 会遵循严格的交互流程：首先通过提问明确研究主题，然后提交详细的研究计划等待用户批准，最后交付一份完整的叙事性研究报告。整个过程强制使用 OpenClaw 原生工具（如 web_search, web_fetch, sessions_spawn）进行自主研究，而非简单调用外部 API。
它非常适合需要进行系统性文献综述、撰写学术论文、开展竞品深度分析或任何要求高度严谨性和可重复性的研究任务的学者、分析师、学生和专业人士。
与许多提供“一键生成”摘要的同类工具不同，该 Skill 的核心价值在于其“方法论优先”的设计哲学。它不是一个追求快速答案的黑盒，而是一个将学术研究规范（如多源验证、矛盾处理、证据分级）内置于执行流程中的“研究助理”，产出的是带有完整论证链条和引用支撑的深度分析报告，而非简单的信息罗列。
核心特点
核心区别在于其“透明、可复现”的研究方法论，强制进行双循环研究、处理证据矛盾并遵循完整的 APA 引用规范，产出的是带有完整论证过程的学术报告，而非简单的信息摘要。
注意事项
不适合需要快速获取简单答案或即时摘要的轻量级信息查询场景。
常见问题
这个学术研究工具和普通搜索有什么区别？
它执行的是系统性的深度研究流程，包括多轮验证、证据分级和规范引用，产出的是严谨的学术报告，而非零散的搜索结果。
使用时需要我提供什么？
需要你明确研究主题，并在关键节点（如研究计划、最终报告前）进行确认和指导，整个研究过程是交互式、可监督的。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/academic-deep-research-clawhub-skill/raw/index.md 读取 academic-deep-research-clawhub-skill 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/academic-deep-research-clawhub-skill/raw/index.md（查看排版版本）