Socialpranker/deepdive

解决的问题

Deepdive 是 Claude Code 的结构化元研究技能，取代了随意搜索和单次提示，提供一种严谨、有文档记录的调查流程。它可防止常见的 AI 研究失败，如虚构引用、来源偏见以及缺乏明确决策路径的“文本墙”输出。

如何工作

该项目实现了一个 13 阶段的流程，引导 LLM 完成系统性的研究过程：

1. 重构与规划：将用户查询转化为包含假设和详细 17 部分计划的决策规范。使用路由器根据问题的结构（例如，比较型 vs. 事实型）选择最佳分解方法。
2. 定向搜索：在 29 个命名的搜索渠道（学术、法律、代码等）中并行使用子代理，并利用包含 460 多个统计来源和 47 个以上 API 的注册表。包含“无进展电路断路器”，以在死胡同时停止浪费 token。
3. 三角验证与评分：将主张记录在账本中，并根据可信度、时效性和偏见进行评分。在进入综合阶段前，特别标记“输入级怀疑”（例如，供应商报告的基准）。
4. 验证：系统执行多次机器检查，包括 CRAG 风格的相关性过滤器和忠实性检查，以确保来源确实蕴含主张。
5. 综合与执行：生成决策备忘录和完整报告。流程以强制性的“决策走查”结束，用户需根据原始决策分支执行发现结果。

适用人群

需要高置信度、可验证的研究报告并能转化为具体行动的 Claude Code 或其他 LLM 用户，而非泛泛的摘要。

主要亮点

• 13 阶段流程：从重构到最终决策走查的严谨工作流。
• 多模型路由：根据阶段复杂度将任务路由至 Opus、Sonnet 或 Haiku，优化成本与质量。
• 自动化验证：包含脚本以检查引用有效性、主张蕴含关系以及推导数值的算术正确性。
• 广泛的来源注册表：内置访问数十个专业 API 和数百个行业特定统计来源。
• 以决策为中心的输出：聚焦于生成“决策主干”（备忘录和分支），而非仅信息摘要。