Socialpranker/deepdive

Deepdive skill for Claude Code — 12-phase research pipeline: plan-review gate, parallel sub-agent search, claims-ledger triangulation with dissent protection, relevance × authority evidence filter, multi-angle red team, four-layer citation verification. 105 blocks, 29 channels, 460+ stat sources, 47 APIs, 1072 verified endpoints.

Deepdive – 用于结构化元研究的 Claude Code 技能

这是什么 – Deepdive 是 Anthropic 的 Claude Code 的一项技能，能将普通的“研究 X”请求转化为可重现的 13 阶段流程。该流程会自动：

重新构建问题并生成假设。
选择报告类型（例如：决策、解释）和一组搜索频道。
建立详细计划，并在任何搜索运行前让用户批准。
派发并行子代理（使用 Claude Haiku）从 29 个精选频道（网页、学术、代码、法规等）获取来源。
对声明进行三角测量、过滤证据，并运行 CRAG 风格的相关性分类器。
综合报告，加入对抗性的“红队”审查阶段，并验证引文忠实度（RAGAS/ALCE 风格）。
引导用户度过决策分歧点，并记录结果以供未来重用。

所有产出物皆保存为 Markdown 文件（计划、来源、声明、数据、备忘录等），因此几个月后仍可重新检视研究，且每个声明的来源皆明确可考。

快速安装（30 秒）

适用于 Claude Code – 将 repo 克隆到 ~/.claude/skills/：

git clone https://github.com/Socialpranker/deepdive.git ~/.claude/skills/deepdive

然后在 Claude Code 会话中输入类似 “Investigate post-gres logical replication vs CDC tooling” 的指令。

适用于 Claude Desktop – 克隆 repo，将文件夹压缩为 .skill 包，并通过 Claude.app → Settings → Skills 上传。

其他 LLM – 13 阶段方法论是可移植的；将 SKILL.md 和参考 Markdown 文件加载到模型的上下文中，并手动执行各阶段。

运作方式（高层概念）

阶段	名称	核心任务
1	Reframing	分类问题类型并生成假设
2	Genre & block selection	选择报告类型与区块模板
3	Plan	产出 17 部分的执行计划
3.5	Capability discovery	检测要使用哪个模型（Opus/Haiku/Sonnet）
3.7	Plan-review gate	向用户展示计划以供批准/编辑
4	Search	跨 29 个频道的并行子代理查询
5	Claims ledger & triangulation	记录每个声明，检查来源多样性
5.5	Evidence filter	每个声明的 CRAG 风格相关性过滤器
5.7	Wiki reconcile	合并重叠的证据
6	Synthesis + red-team	撰写报告，生成对抗性反论
6.5	Verify	忠实度检查（链接活跃度、蕴含、限定词）
7	Refresh targets	补充缺失的缺口，重新运行有限度的搜索
8	Decision walkthrough	互动式分歧解决，记录结果

模型路由是明确的：高推理阶段使用 Claude Opus，廉价的扩散使用 Haiku，综合使用 Sonnet。成本会预先显示，如有需要可强制进入“廉价模式”。

随 repo 附带的关键资产

Report blocks – 106 个预先编写的区块模板（FRAME、EXPLAIN、COMPARE 等）
Search channels – 29 个命名策略，包含查询模式与付费墙备用方案
Statistical sources – 460+ 个精选 API 与数据集（政府、金融、健康、加密货币等）
API catalog – 47 个免费、无需验证的端点（Semantic Scholar、arXiv、World Bank、SEC EDGAR 等）
Eval harness – 用于在六个质量维度（引文完整性、成本、准确度、覆盖率、对抗性诚实度、确定性）上对运行进行基准测试的脚本
Validation scripts – check_citations.py、check_number_provenance.py、scripts/validate_phases.py 确保每个阶段都产出了预期的产出物。

运行后您会得到什么

research/<topic>/
├─ plan.md                # 17 部分的执行计划
├─ claims.csv             # 每个声明 + 三角测量状态的账本
├─ sources/…/*.md         # 每个来源一个文件，包含逐字引用
├─ findings/F*.md         # 带有置信水平的原子论点
├─ .verify/*.json         # 活跃度、忠实度、限定词检查
├─ memo.md                # 单页决策备忘录（建议、风险）
└─ report.md              # 完整的多部分研究报告

每个声明都链接到其来源（[s12]）和验证结果，使输出完全可审计且可重用。

适用对象

在做出技术决策前，需要经过记录与偏见检查调查的产品经理或工程师。
需要可重现的证据收集流程，而无需手动追踪引文的研究人员。
已经使用 Claude Code 并希望透过“研究即代码”工作流程来扩展其功能的团队。

哪里可以了解更多

Docs site – https://socialpranker.github.io/deepdive/
Quickstart – QUICKSTART.md
Evaluation harness – eval/README.md
Contribution guide – CONTRIBUTING.md

总结

Deepdive 是一个功能齐全的开源 Claude Code 技能，可自动执行严谨、引文丰富的研究。透过将查询分解为 13 个透明阶段，它减少了幻觉，凸显了偏见，并产出一个可重用、具版本控制的研究文件夹，供日后重新检视或审计。