Deepagent-research-context-engineering
基于DeepAgent 2.0范式的文件系统上下文研究型多智能体系统。
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：Deepagent-research-context-engineering。 它的用途是：基于DeepAgent 2.0范式的文件系统上下文研究型多智能体系统。 完整的 Skill 内容见：https://321skill.com/skills/deepagent-research-context-engineering/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
“请研究一下2024年AI智能体（AI Agent）架构的最新进展，并生成一份结构化的技术分析报告。”，它会启动自主研究代理，首先广泛搜索arXiv和相关技术博客，然后深入阅读关键论文，最后在`research_workspace`中合成数据并撰写一份包含引言、方法对比、趋势分析和参考文献的完整报告。
介绍
该Skill旨在解决研究者在进行深度课题调研时面临的信息碎片化、上下文管理困难和多任务协调效率低下的问题。它提供了一个基于文件系统的多智能体（Multi Agent System）框架，通过自主研究代理、技能中间件和子代理编排，自动化执行从广泛文献搜索、数据整合到结构化报告撰写的完整研究流程。
用户通过配置研究目标和工作区，系统即可启动自主研究代理，按照“宽泛探索→深度挖掘”的策略，调用arXiv搜索、数据合成、报告写作等技能，在虚拟文件系统中逐步构建并完善研究材料。整个过程在research_workspace目录下留有完整痕迹，便于追溯和干预。
它非常适合需要系统化处理复杂信息的研究人员、分析师和开发者，特别是那些需要撰写行业报告、技术方案或学术论文的个体。对于希望将AI深度集成到知识工作流中的团队，这也是一个优秀的实验平台。
使用前建议先阅读项目中的技术指南，理解Agent 2.0的委托与编排机制。由于涉及多代理协作和文件系统操作，初次使用建议在可控的研究课题上小范围测试，并密切关注research_workspace中生成的内容，以便及时调整代理指令或工作流程。
核心特点
核心区别在于其实现了“Agent 2.0”范式，强调智能体间的主动委托与协作，而非1.0时代的简单工具调用；并且深度集成了文件系统作为持久化上下文引擎，使得复杂、长期的研究任务能够保持状态连贯性，这是许多同类研究工具所不具备的。
注意事项
不适合需要即时、简单问答的轻量级信息查询场景，其配置和启动有一定复杂度。
常见问题
DeepAgent和普通AI助手在研究上有什么区别？
DeepAgent是一个多智能体系统，能自主规划、分解研究任务并协调多个子代理协作，在文件系统中持久化工作上下文，完成从搜索、分析到成稿的端到端复杂流程，而非单次对话。
需要编程才能使用吗？
基础使用可通过配置文件和UI进行，但深度定制和技能开发需要Python编程能力，以修改代理逻辑或创建新的技能（Skill）。
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/deepagent-research-context-engineering/raw/index.md 读取 Deepagent-research-context-engineering 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/deepagent-research-context-engineering/raw/index.md（查看排版版本）