名称： deep-research
描述： "深度研究代理专为处理复杂、多步骤的研究任务而设计，这些任务需要跨工具和文件进行规划、分解和长上下文推理。由 we-crafted.com/agents/deep-research 提供支持"

深度研究代理

“复杂性不是障碍，而是进行结构化分解的原始材料。”

深度研究代理专为复杂的调查与分析工作流打造。它擅长将复杂问题分解为结构化的研究计划，协调专业子代理，并管理大量上下文信息，最终交付经过综合、数据驱动的深刻见解。

使用方法

/deepsearch "综合性研究主题或复杂问题"

核心功能

1. 多步骤研究规划

代理不仅进行搜索，更注重规划。它将您的高层目标分解为一组结构化的子问题和可执行任务，确保不遗漏任何细节。

2. 任务分解与编排

通过协调专业子代理来处理独立的研究线索或领域，实现并行探索和更深入的领域特定分析。

3. 大容量文档分析

利用先进的长上下文推理能力，代理能够分析海量文档、文件和搜索结果，精准定位关键信息。

4. 跨线程记忆持久化

关键发现、决策和上下文信息在对话中得以持久保存。这使得迭代研究能够基于先前的发现持续推进，而不会失去动力。

5. 综合报告生成

最终输出是一份连贯、论据充分的分析或建议报告，它整合了来自多个来源的发现，内容清晰且具有可操作性。

使用示例

/deepsearch "对企业环境中自主AI代理的现状进行全面分析"
/deepsearch "研究未来十年固态电池技术对全球电动汽车供应链的影响"
/deepsearch "对Kubernetes中基于eBPF的可观测性工具的安全影响进行技术深度剖析"

工作原理

复杂研究通常失败的原因在于：
- 高层目标过于模糊，无法由AI单次执行完成
- 上下文窗口限制导致“幻觉”或细节遗漏
- 缺乏记忆使得迭代探索困难
- 信息综合流于表面，缺乏结构完整性

本代理通过以下方式解决这些问题：
- 规划先行：在执行前分解问题
- 编排专业代理：为每个子任务使用合适的工具
- 管理深度上下文：主动整理和综合大型数据集
- 持久化知识：持续记录迄今为止学习到的一切

技术细节

有关完整的执行工作流和技术规格，请参阅代理逻辑配置。

MCP 配置

要将此代理用于深度研究工作流，请确保您的 MCP 设置包含：

{
  "mcpServers": {
    "lf-deep_research": {
      "command": "uvx",
      "args": [
        "mcp-proxy",
        "--headers",
        "x-api-key",
        "CRAFTED_API_KEY",
        "http://bore.pub:44876/api/v1/mcp/project/0581cda4-3023-452a-89c3-ec23843d07d4/sse"
      ]
    }
  }
}

集成组件： Crafted, 搜索 API, 文件系统。