Researching In Parallel 是一种专为深度、系统性研究设计的 AI 技能，适用于需要多视角综合分析的主题探索。该工具通过并行运行三个专业化的子代理——广度代理（Breadth Sweep）、批判代理（Critical Lens）和证据代理（Evidence Pass）——分别从信息覆盖范围、逻辑严谨性和事实可靠性三个维度对指定主题展开深入研究。每个子代理基于不同的分析框架和提示模板独立工作，最终由合成代理（Synthesis）或更新代理（Updater）将三者的输出整合为一份结构完整的研究报告。整个过程强调可复现性与证据可追溯性，所有中间文件与引用来源均保存在用户指定的工作空间中，便于后续查阅或扩展。 该技能仅在用户明确提出进行深入调研、获取多维度概览或撰写研究报告等需求时触发，不适合回答简单事实性问题或日常对话。启动前会先与用户确认研究主题、分析角度、输出长度及是否已有基础材料可供参考，确保研究方向精准高效。整个流程设计注重资源成本控制，避免无谓的 token 消耗，同时支持将历史报告作为输入进行迭代深化，形成持续优化的知识积累机制。
核心功能特点
- 采用三代理并行架构：广度代理负责广泛扫描领域现状，批判代理聚焦逻辑漏洞与立场偏差，证据代理严格验证信息来源可靠性
- 支持新报告生成与现有报告更新两种模式，可基于过往研究记录进行增量式深化
- 自动构建可复用的证据库：保存原始文献提取内容并生成标准化参考文献表，包含来源类型、访问状态与AI生成标识
- 全流程文件化管理：所有中间产出与引用源集中存储于指定工作目录，保障研究过程透明可控
- 模型配置灵活可调：根据 skill-config.json 设定各角色所用语言模型，支持自定义参数与并发控制以优化成本效率
适用场景
Researching In Parallel 特别适用于需要全面、客观且经得起推敲的深度研究课题。例如，当企业战略团队希望系统梳理生成式 AI 在医疗诊断中的最新应用进展及其临床有效性证据时，该工具能分别从技术实现路径、伦理争议焦点和数据质量评估三个层面展开交叉验证，避免单一视角带来的认知盲区。又如学术研究人员撰写综述论文前，可通过此技能快速定位关键文献、识别主流观点分歧并标注高可信度证据链，显著提升文献综述的质量与效率。 此外，政策制定者或咨询顾问在面对复杂社会议题（如碳中和转型路径）时，也可借助该工具获得兼顾宏观趋势、利益相关方博弈与实证数据的综合简报。其结构化输出不仅包含结论性陈述，更附有详细的参考文献清单与来源分类说明，方便用户回溯核查。对于需要长期跟踪某一领域演进的团队而言，还可将前期研究报告作为‘种子文档’，通过反复调用本技能实现动态更新，形成持续演进的知识资产体系。