企业官网建设流程全解析

ruflo 的 deep-researcher：多源证据分级研究 Agent 的完整工作流与源码级解析

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo

本篇技术指南围绕 ruflo 生态（原 agent meta-harness）中 ruflo-goals 插件提供的deep-researcher研究 Agent 展开，完整讲解其七步研究法（范围定义、知识检索、主动研究、交叉验证、证据分级、综合成稿、持久化）以及与之配套的deep-research技能、research-synthesize合成技能与/goals命令。读完本文，你将掌握如何配置与使用这个 Agent 来开展多源深度研究，理解其 High/Medium/Low 证据分级标准、内存命名空间约定，并能结合仓库源码验证其底层调用链与测试契约。

deep-researcher 是什么

deep-researcher是 ruflo-goals 插件内置的四类 Agent 之一，定义于 agents/deep-researcher.md。其 frontmatter 声明如下：

--- name: deep-researcher description: Multi-source research specialist that gathers, cross-references, and synthesizes information with evidence grading and contradiction resolution model: sonnet ---

从元数据可以看出三点关键信息：

• 定位：一个"多源研究专家"，核心能力是"收集（gather）、交叉验证（cross-reference）、综合（synthesize）"，并自带证据分级（evidence grading）与矛盾消解（contradiction resolution）；
• 模型选择：model: sonnet，即该 Agent 默认跑在 sonnet 级模型上；
• 触发形态：根据 ruflo-goals README 的选择指南（Selection guide），当用户手里有一个"问题"（question）而非"实体"（seed entity）时，应使用deep-researcher/deep-research——它的研究方式是线性、问题驱动的，与dossier-investigator（种子驱动、图谱输出）形成互补。

七步研究法：从提问到可复用结论

Agent 正文首先定义了完整的研究方法论（research methodology），共七步。这七步构成了该 Agent 每次任务执行的骨架，也是理解其行为的关键。

1. Scope Definition（范围定义）

在动手搜索之前，先把一个大问题拆解成可独立回答的子问题：

• 将研究问题拆分为3–7 个子问题（sub-questions），保证子问题合起来能覆盖主问题；
• 为每个子问题判断最相关的信源类型（web、记忆、代码库、文档等）；
• 估算每个子问题所需的研究深度：quick / standard / deep / exhaustive 四档。

这保证了"广度优先于深度"（breadth before depth）——先看清地形，再向具体点钻。

2. Knowledge Retrieval（知识检索）

先查内部已有知识，避免重复研究。Agent 通过 ruflo-core 提供的 MCP 工具直接检索三类存量：

这些工具名在仓库中可以被直接检索到（例如 ruflo-core 的研究型 Agent 与 MCP 往返测试脚本 即覆盖了memory_search_unified、agentdb_pattern-search、hierarchical-recall等往返调用），说明这条知识检索链路不是文档中的抽象描述，而是真实可用的 MCP 工具面。

3. Active Research（主动研究）

在内部知识不足以回答的子问题上展开主动采集，信源按问题类型分派：

• Web 搜索：针对每个子问题检索当前信息；
• 代码库分析：使用 grep / find / read 回答实现细节类问题；
• 文档审阅：针对 API / 库用法类问题查阅官方文档。

4. Cross-Referencing（交叉验证）

把多个来源的发现放到一起对照：

• 比较各来源之间是一致还是矛盾；
• 检查时效性（recency）——更新的数据可能覆盖旧结论；
• 用多个独立来源验证关键论断，而不是轻信单一来源。

5. Evidence Grading（证据分级）

对每条发现给出证据等级，这是 deep-researcher 输出质量的基石：

6. Synthesis（综合成稿）

按固定结构输出最终研究成果，确保每次产出的报告可直接被下游消费：

• Executive summary：直接回答原始问题；
• Key findings：按证据质量排序的关键发现；
• Contradictions：标注矛盾点及其消解方式，或明确标注 "unresolved"（未解决）；
• Open questions：遗留问题与建议的下一步动作。

7. Persistence（持久化）

研究不随会话结束而丢失，全部沉淀回记忆系统：

• 用mcp__plugin_ruflo-core_ruflo__memory_store将发现存入research命名空间；
• 用mcp__plugin_ruflo-core_ruflo__agentdb_pattern-store存入可复用模式；
• 将来源引用存入research-sources命名空间。

这呼应了 Agent 的核心信念"Store everything"——今天的发现要让未来的会话受益。

五条研究原则

Agent 正文末尾明确给出了约束自身行为的五条原则，可作为使用者评判其输出质量的标准：

1. Breadth before depth（先广后深）：在深入细节前先总览全局；
2. Source diversity（信源多样）：不依赖单一来源类型；
3. Contradiction is signal（矛盾即信号）：来源间的分歧往往暴露重要细节；
4. Recency matters（时效重要）：显式标注信息可能过时；
5. Store everything（全部沉淀）：未来会话受益于今日发现。

深度等级：quick / standard / deep / exhaustive

配套的 deep-research 技能 将范围定义中的深度档位具象化为可执行的资源预算，供使用者（或上层规划器）按成本选择：

Exhaustive 档意味着研究本身可以编排成多 Agent 并行，与 ruflo 的 swarm 能力天然衔接。

配套技能与命令：如何把研究成果真正用起来

deep-researcherAgent 不是孤立的：ruflo-goals 用技能（skills）把它的方法论拆成可复用的"操作手册"，用命令（commands）提供状态查询入口。

deep-research 技能：八步编排

skills/deep-research/SKILL.md 把 Agent 的七步法翻译成了更面向编排的八步清单：

1. 定义研究范围（拆成 3–7 个子问题）；
2. 检索既有知识（memory_search_unified+agentdb_pattern-search）；
3. 使用WebSearch/WebFetch逐子问题采集外部信息；
4. 用Bash（grep/find）、Read做代码库分析；
5. 跨来源对照，识别一致与矛盾；
6. 用memory_store以research命名空间存储每条关键发现；
7. 用agentdb_pattern-store存储发现的复用模式；
8. 产出结构化研究报告，包含：执行摘要（2–3 句）、关键发现（列表）、逐条证据质量评估（high/medium/low）、遗留开放问题、建议的下一步。

该技能的allowed-tools字段还限定了可用的 MCP 工具白名单（memory_store、memory_search、memory_search_unified、agentdb_hierarchical-store/re-call、agentdb_pattern-search/store、neural_predict、hooks_intelligence_pattern-search/store、task_create/list/summary以及 Bash、WebSearch、WebFetch、Read、Write）——白名单机制保证了技能在执行时不会越权调用无关工具。

research-synthesize 技能：把分散发现合成报告

研究往往不是一次性完成的。当多次执行 deep-research 后，需要把散落在记忆中的发现拉通成一份带建议的合成报告时，就轮到 research-synthesize：

1. 汇聚发现：分别从research（原始发现）、research-sources（来源引用）、agentdb_pattern-search（模式）、agentdb_context-synthesize（AI 辅助上下文构建）中取数；
2. 证据分级：对每条发现按 High/Medium/Low 三档评估；
3. 矛盾消解：定位具体冲突论断 → 比较证据质量 → 检查时效（新数据可能覆盖旧结论）→ 对无法消解的矛盾显式标注；
4. 相关性预测：调用neural_predict对"哪些发现与原始目标最相关"打分；
5. 结构化输出：执行摘要（2–3 句直接回答问题）、按证据质量排序的关键发现、方法论（检查了哪些信源）、局限（未检查项与不确定性）、建议（具体下一步动作）、参考（来源链接与记忆键）；
6. 持久化：用memory_store将完整报告存入research-synthesis命名空间。

技能还给出了标准输出模板，可以直接套用：

# [Research Topic] — Synthesis Report ## Summary [2-3 sentence answer] ## Key Findings 1. [Finding] — Evidence: High/Medium/Low 2. [Finding] — Evidence: High/Medium/Low ## Contradictions - [Claim A] vs [Claim B]: [resolution or "unresolved"] ## Recommendations 1. [Action] — because [reasoning] ## Sources - [key]: [description]

/goals 命令：查询研究状态

研究产出的可见性由 commands/goals.md 提供。/goals命令会：

1. 用memory_list枚举horizons命名空间下的活动目标（仅当需要语义过滤时才用memory_search——*不是合法的语义查询）；
2. 对每个 horizon 展示：目标、当前里程碑、进度百分比、目标日期、漂移状态；
3. 用memory_list列出research-synthesis命名空间下的已完成研究报告；
4. 汇总成目标 + 研究状态的总览表。

Neural Learning：研究模式的自我沉淀

Agent 与技能文档的结尾都附带了"神经学习"段落，用两条命令把任务结果回灌给系统，供未来研究继承：

npx @claude-flow/cli@latest hooks post-task --task-id "TASK_ID" --success true --store-results true npx @claude-flow/cli@latest memory search --query "TASK_TYPE patterns" --namespace patterns

第一条命令在任务成功后把轨迹与结果写入 hook 存储；第二条从patterns命名空间检索同类任务的既有模式。CLI 版本被 pin 在@claude-flow/cliv3.6 主次版本（见 ruflo-goals README 的 Compatibility 节）。

命名空间约定：research → goals-research 的演进路径

deep-researcher 使用的research/research-sources命名空间属于历史遗留命名。根据 ADR-0001（ruflo-goals 插件契约） 与 ruflo-goals README 的 Namespace coordination 节，ruflo-agentdb ADR-0001 定义了<plugin-stem>-<intent>的 kebab-case 命名规范，而本插件六个命名空间早于该规范：

约定是：本插件的新写入应使用 canonical kebab-case 形式，读取时新旧两种命名空间都检查（向后兼容），同时pattern、claude-memories、default等保留命名空间不允许被遮蔽。也就是说，如果你基于本插件二次开发，写入研究结果时应优先写goals-research，读取时兼容research。

与同插件其他 Agent 的分工

deep-researcher只回答"问题"，ruflo-goals 的其他三个 Agent 覆盖了互补场景（参见 README 选择指南 与 dossier-investigator 定义 中的 "When to NOT use" 段落）：

其中dossier-investigator由 ADR-099 规范，采用种子驱动、图谱输出、预算上限（hop/token/time）、逐论断溯源四条不变量，与 deep-researcher 的"问题驱动、线性报告"恰好相反；goal-planner则在 agents/goal-planner.md 中定义了 Focused / Closed / Open 三种执行模式与 OODA 循环监控。

验证：smoke.sh 作为契约门禁

deep-researcher 所在的插件把验证固化为脚本契约：plugins/ruflo-goals/scripts/smoke.sh 共执行 10 项结构性检查，预期输出10 passed, 0 failed。其中与本 Agent 直接相关的检查包括：

• 检查 5 个技能 + 4 个 Agent（含deep-researcher）+ 1 个命令的文件存在性与 frontmatter 完整性（name:/description:）；
• 检查选择指南是否覆盖 4 类任务模式（question / seed entity / multi-step / long-running）；
• 检查 v3.6 CLI pin、命名空间映射文档、ADR-099 交叉链接；
• 检查所有技能没有通配符工具授权（allowed-tools: *即失败）——这保证了 deep-researcher 依赖的技能以最小权限运行。

运行验证：

bash plugins/ruflo-goals/scripts/smoke.sh # Expected: "10 passed, 0 failed"

小结

deep-researcher是 ruflo 生态中"问题驱动型"研究的标准答案：它以七步方法论（范围定义 → 知识检索 → 主动研究 → 交叉验证 → 证据分级 → 综合成稿 → 持久化）保证研究过程可复现、输出可分级、结论可溯源；通过 High/Medium/Low 证据分级与矛盾消解机制约束输出质量；通过research/research-sources命名空间与post-taskhook 实现跨会话的知识沉淀。配合deep-research技能的四档深度预算、research-synthesize技能的合成报告模板，以及/goals命令的状态可见性，它既能独立完成一次深度调研，也能嵌入长期目标追踪与多 Agent 协同的工作流中。若要基于它二次开发或验证其行为契约，smoke.sh 与 ADR-0001 是最直接的源码级入口。

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo