企业官网建设流程全解析

Hyperresearch 16步研究流水线完全解析：从分解到可读性审计

【免费下载链接】hyperresearchAgent-driven research knowledge base. Agents collect, search, and synthesize web research into a persistent, searchable wiki.项目地址: https://gitcode.com/GitHub_Trending/hy/hyperresearch

Hyperresearch 是一款将 Claude Code 变成深度研究智能体（deep research agent）的开源工具。它的核心是一条16 步研究流水线：输入一个研究问题，自动经历任务分解、多视角搜索、矛盾图谱、深度调查、三方草稿、对抗式批评、引用校验，直到产出一份带完整来源溯源、且通过可读性审计的最终报告。本文带你逐步拆解这 16 个环节，帮助你理解一条严肃的研究流水线是如何运转的。

上图来自项目内置的 DeepResearch-Bench 前瞻投影图（assets/benchmark.png）：Hyperresearch 的 16 步流水线在 RACE 总分上以 57.8 分位居榜首。

一、Hyperresearch 是什么：一条把"提示词"变成"报告"的流水线 🎯

Hyperresearch 的入口技能只是一个薄路由：它先固化你的原始问题（称为 canonical research query，"唯一真理"），然后按阶段依次调用 16 个步骤技能。每个步骤的操作规程只在真正执行那一步时才载入上下文——这正是长流水线不会悄悄丢步骤的关键设计。

安装极简，一条命令即可：

pip install hyperresearch && hyperresearch install

之后在 Claude Code 中直接输入/hyperresearch <你的研究问题>就能启动整条流水线。项目横幅展示了它的视觉标识：

二、16步流水线总览：一张表看懂全流程 📊

完整步骤表见 README.md。简化后如下：

每个步骤都有独立的技能文件存放在 src/hyperresearch/skills/，例如入口路由 hyperresearch.md。下面按阶段拆解。

三、步骤 1–2：分解与宽度扫描——先打地基再开工 🧱

步骤 1（分解）是整条流水线"防跑偏"的第一道闸门。它在你提问后、动手研究前，把提示词拆成原子项：子问题、点名实体、要求格式、要求章节、时间跨度、时间锚点、范围条件等（详见 hyperresearch-1-decompose.md）。

其中最关键的一个产物是required_section_headings——一份报告必须输出的章节标题清单。官方称之为"对指令跟随得分杠杆率最高的单一字段"：它强制报告结构与问题结构对齐，而不是让起草者自由发挥。这一步还会自动判断任务属于light还是full层级。

步骤 2（宽度扫描）随后生成一份多视角搜索计划，并派出多波并行抓取器（每波 8–12 个 fetcher 同时抓页）。premier档位仅这一步就瞄准 100–130 个来源，加上引用追踪和缺口补抓，一次完整运行可沉淀250+ 个来源。

四、步骤 3–7：矛盾图谱与深度调查——从"广度"到"深度" 🔍

• 步骤 3 矛盾图谱：把语料中的观点冲突两两配对，聚成按重要性排序的"矛盾集群"，让报告不回避分歧。
• 步骤 4 主题点分析（loci analysis）：两个并行的 loci-analyst 通读宽度语料，输出 1–8 个值得深挖的"主题点"（loci），并分配来源预算。
• 步骤 5 深度调查：为每个主题点派出 K 个并行调查员，每人产出一个带明确立场的中间笔记——不是泛泛总结，而是"我查证后站哪边、凭什么"。
• 步骤 6 跨点调和：把这些已承诺的立场放在一起互相碰撞，输出comparisons.md。
• 步骤 7 来源张力：专门抽取专家之间的分歧，落成source-tensions.json。

这 5 步是 full 层级的"深度引擎"：宽度扫描解决"知道得够广"，loci 机制解决"想得够深"。

五、步骤 8–9：语料批评与证据摘要——草稿前自纠 🛠️

步骤 8 是全流水线杠杆率最高的介入点。它问一个尖锐的问题："如果找到什么来源，会推翻当前方向？"然后针对最危险的缺口执行定向抓取波次。原理很直白——草稿前的纠错几乎零成本，草稿后的纠错则要动刀正文（原文见 hyperresearch-8-corpus-critic.md）。

步骤 9 证据摘要把调查阶段的顶级论点连同逐字引语固化进evidence-digest.md，为后续写作提供"弹药库"，也为最后的引语完整性校验留下凭证。

六、步骤 10–11：三方草稿与综合——三份草稿合成一份报告 ✍️

步骤 10（三方草稿）先按角度做来源精选，再并行派出 3 个起草子代理（draft-orchestrator，Opus 级模型）各写一份草稿；light 层级则只出单稿。

步骤 11（综合）生成规划与大纲，再派出 synthesizer 子代理读取全部 3 份草稿，写出final_report.md。从这一步起，一份完整的报告已经存在——后面所有步骤都只做外科手术。

七、步骤 12–14：四个批评者与手术式修补 🔬

步骤 12同时派出4 个对抗式批评者并行攻击草稿：

• dialectic-critic：草稿漏掉的反证
• depth-critic：中间笔记本可填补的浅薄处
• width-critic：语料支持但草稿无视的角落
• instruction-critic：与原子项清单的结构性偏差

步骤 13（缺口补抓）针对批评者发现的知识库缺口再打一波定向抓取。

步骤 14（修补）是项目的招牌设计——"只许修补，禁止重写"（patch, never regenerate）：patcher 子代理在工具白名单层面被锁定为[Read, Edit]，物理上无法 Write 一份新草稿；每个 hunk 还有篇幅上限，"干脆重写一遍"在机制上不可能实现。装不下的严重问题会升级为结构性问题，由 lint 规则patch-surgery强制暴露。

八、步骤 14.5–16：引用校验、润色与可读性审计 ✅

• 14.5 引用校验：怀疑论式的 cite-checker 逐条验证"引用—句子"绑定——每个被引用的来源是否真的支撑它所在的那句话；伪造引语和未声明的撤稿是出货硬阻塞。
• 15 润色：同样是工具锁定的 Read+Edit 子代理，删填充词、剥离脚手架残留（YAML frontmatter、提示词回声等"卫生泄漏"）。
• 16 可读性审计：recommender 子代理不直接改稿，而是输出一份 JSON 建议（段落合并、列表/表格转换、加粗注入等），由编排者选择性应用并记录决策日志（设计动机见 hyperresearch-16-readability-audit.md）。

这个"建议—决策"分离很聪明：纯自动改写可能把承载论证的散文改成破坏逻辑的列表，而编排者的判断能保住论点完整性，同时享受模式匹配的速度。

报告出货前还要通过一组验证炮阵：引语完整性（每个引文必须在库内笔记中逐字存在）、撤稿核查（引用昨日刚被撤稿的来源会当场拦截）、数字一致性（无出处的数字被标记）等。

九、Tier 与 Gear：像汽车挡位一样控制深度与花费 🚀

Hyperresearch 用两个"杠杆"控制流水线规模：

Tier（按问题自动路由），见 README.md：

Gear（按项目持久化）决定标准流水线的规模：

hyperresearch profile use premier # 100–130 来源，深度预算翻倍 hyperresearch profile use full # 回到 55–80 来源基线

还有第三类杠杆Levers（register/inference_depth等）决定报告的"语气"：teach给你教学式讲解，survey给你领域地图且不下结论，analyze（默认）给评估性论证。细节见 README.md。

十、Vault：越用越聪明的研究知识库 📚

大多数深度研究工具是"一次性"的：报告出来，其余全扔。Hyperresearch 把读过的每一个来源都沉淀进一个 Markdown + SQLite 的持久化 Vault（"Markdown 是真理，SQLite 只是缓存"），下次会话先搜库再抓取，每一轮都比上一轮更聪明。

hyperresearch search "ion-trap gate fidelity" -j # 全文搜索 hyperresearch run resume -j # 崩溃的运行从断点精确恢复 hyperresearch serve --open # 本地 Web 界面浏览笔记图谱

配合run resume断点续跑、来源质量评分（含撤稿标记与 PageRank 中心性）、以及"5 份同一通稿只算 1 票"的独立性审计，知识库会随时间持续增值。

十一、总结：为什么 16 步值得 ⭐

Hyperresearch 的 16 步流水线本质上是把"严谨研究"拆成了可审计的阶段：分解保证不跑偏，宽度扫描保证不遗漏，矛盾与张力分析保证不偏听，三方草稿保证不浅薄，四个批评者 + 引用校验保证不出错，修补与可读性审计保证报告既精确又好看。加上可持久累积的 Vault 和断点续跑，它不再是一次性问答，而是一个越用越强的研究知识基础设施。如果你想让 AI 替你完成一篇真正"经得起审计"的深度报告，这套流水线目前值得纳入你的工具清单。🚀

【免费下载链接】hyperresearchAgent-driven research knowledge base. Agents collect, search, and synthesize web research into a persistent, searchable wiki.项目地址: https://gitcode.com/GitHub_Trending/hy/hyperresearch