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 – 用於結構化元研究的 Claude Code 技能

這是什麼 – Deepdive 是 Anthropic 的 Claude Code 的一項技能，能將普通的「研究 X」請求轉化為可重現的 13 階段流程。該流程會自動：

重新建構問題並產生假設。
選擇報告類型（例如：決策、解釋）和一組搜尋頻道。
建立詳細計畫，並在任何搜尋執行前讓使用者批准。
派發平行子代理（使用 Claude Haiku）從 29 個精選頻道（網頁、學術、程式碼、法規等）獲取來源。
對聲明進行三角測量、過濾證據，並執行 CRAG 風格的相關性分類器。
綜合報告，加入對抗性的「紅隊」審查階段，並驗證引文忠實度（RAGAS/ALCE 風格）。
引導使用者度過決策分歧點，並記錄結果以供未來重用。

所有產出物皆儲存為 Markdown 檔案（計畫、來源、聲明、數據、備忘錄等），因此幾個月後仍可重新檢視研究，且每個聲明的來源皆明確可考。

快速安裝（30 秒）

適用於 Claude Code – 將 repo 複製到 ~/.claude/skills/：

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

然後在 Claude Code 工作階段中輸入類似 「Investigate post-gres logical replication vs CDC tooling」 的指令。

適用於 Claude Desktop – 複製 repo，將資料夾壓縮為 .skill 包，並透過 Claude.app → Settings → Skills 上傳。

其他 LLM – 13 階段方法論是可移植的；將 SKILL.md 和參考 Markdown 檔案載入模型的上下文中，並手動執行各階段。

運作方式（高階概念）

階段	名稱	核心任務
1	Reframing	分類問題類型並產生假設
2	Genre & block selection	選擇報告類型與區塊範本
3	Plan	產出 17 部分的執行計畫
3.5	Capability discovery	偵測要使用哪個模型（Opus/Haiku/Sonnet）
3.7	Plan-review gate	向使用者展示計畫以供批准/編輯
4	Search	跨 29 個頻道的平行子代理查詢
5	Claims ledger & triangulation	記錄每個聲明，檢查來源多樣性
5.5	Evidence filter	每個聲明的 CRAG 風格相關性過濾器
5.7	Wiki reconcile	合併重疊的證據
6	Synthesis + red-team	撰寫報告，產生對抗性反論
6.5	Verify	忠實度檢查（連結活躍度、蘊含、限定詞）
7	Refresh targets	補充缺失的缺口，重新執行有限度的搜尋
8	Decision walkthrough	互動式分歧解決，記錄結果

模型路由是明確的：高推理階段使用 Claude Opus，廉價的擴散使用 Haiku，綜合使用 Sonnet。成本會預先顯示，如有需要可強制進入「廉價模式」。

隨 repo 附帶的關鍵資產

Report blocks – 106 個預先編寫的區塊範本（FRAME、EXPLAIN、COMPARE 等）
Search channels – 29 個具名策略，包含查詢模式與付費牆備用方案
Statistical sources – 460+ 個精選 API 與資料集（政府、金融、健康、加密貨幣等）
API catalog – 47 個免費、無需驗證的端點（Semantic Scholar、arXiv、World Bank、SEC EDGAR 等）
Eval harness – 用於在六個品質維度（引文完整性、成本、準確度、覆蓋率、對抗性誠實度、確定性）上對執行進行基準測試的腳本
Validation scripts – check_citations.py、check_number_provenance.py、scripts/validate_phases.py 確保每個階段都產出了預期的產出物。

執行後您會得到什麼

research/<topic>/
├─ plan.md                # 17 部分的執行計畫
├─ claims.csv             # 每個聲明 + 三角測量狀態的帳本
├─ sources/…/*.md         # 每個來源一個檔案，包含逐字引用
├─ findings/F*.md         # 帶有信心水準的原子論點
├─ .verify/*.json         # 活躍度、忠實度、限定詞檢查
├─ memo.md                # 單頁決策備忘錄（建議、風險）
└─ report.md              # 完整的多部分研究報告

每個聲明都連結到其來源（[s12]）和驗證結果，使輸出完全可稽核且可重用。

適用對象

在做出技術決策前，需要經過記錄與偏見檢查調查的產品經理或工程師。
需要可重現的證據收集流程，而無需手動追蹤引文的研究人員。
已經使用 Claude Code 並希望透過「研究即程式碼」工作流程來擴充其功能的團隊。

哪裡可以了解更多

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

總結

Deepdive 是一個功能齊全的開源 Claude Code 技能，可自動執行嚴謹、引文豐富的研究。透過將查詢分解為 13 個透明階段，它減少了幻覺，凸顯了偏見，並產出一個可重用、具版本控制的研究資料夾，供日後重新檢視或稽核。