name: github-deep-research description: 对任何GitHub仓库进行多轮深度研究。当用户请求全面分析、时间线重建、竞争分析或GitHub深度调查时使用。生成结构化Markdown报告，包括执行摘要、时间线、指标分析和Mermaid图表。触发条件为GitHub仓库URL或开源项目。

GitHub深度研究技能

多轮研究，结合GitHub API、web_search、web_fetch以生成全面Markdown报告。

研究流程

第1轮: GitHub API
第2轮: 发现
第3轮: 深度调查
第4轮: 深度挖掘

核心方法

查询策略

从广到窄: 从GitHub API开始，然后一般查询，根据发现进行细化。

第1轮: GitHub API
第2轮: “{主题} 概述”
第3轮: “{主题} 架构”, “{主题} vs 替代品”
第4轮: “{主题} 问题”, “{主题} 路线图”, “site:github.com {主题}”

来源优先级:

官方文档/仓库（最高权重）
技术博客（Medium, Dev.to）
新闻文章（已验证来源）
社区讨论（Reddit, HN）
社交媒体（最低权重，用于情感分析）

研究轮次

第1轮 - GitHub API 直接执行 scripts/github_api.py，不使用 read_file():

python /path/to/skill/scripts/github_api.py <所有者> <仓库> summary
python /path/to/skill/scripts/github_api.py <所有者> <仓库> readme
python /path/to/skill/scripts/github_api.py <所有者> <仓库> tree

可用命令（github_api.py的最后一个参数）:

summary
info
readme
tree
languages
contributors
commits
issues
prs
releases

第2轮 - 发现 (3-5次 web_search)

获取概述并识别关键术语
查找官方网站/仓库
识别主要参与者/竞争对手

第3轮 - 深度调查 (5-10次 web_search + web_fetch)

技术架构细节
关键事件时间线
社区情感
对有价值的URL使用web_fetch获取完整内容

第4轮 - 深度挖掘

分析提交历史以构建时间线
审查问题/PR以了解功能演变
检查贡献者活动

报告结构

遵循 assets/report_template.md 中的模板:

元数据块 - 日期、置信水平、主题
执行摘要 - 2-3句概述，包含关键指标
时间线 - 分阶段分解，带日期
关键分析部分 - 主题特定的深度挖掘
指标与比较 - 表格、增长图表
优势与劣势 - 平衡评估
来源 - 分类参考
置信评估 - 按置信水平分类的声明
方法论 - 使用的研究方法

Mermaid图表

在有用处包含图表:

时间线 (甘特图):

gantt
    title 项目时间线
    dateFormat YYYY-MM-DD
    section 阶段 1
    开发    :2025-01-01, 2025-03-01
    section 阶段 2
    发布         :2025-03-01, 2025-04-01

架构 (流程图):

flowchart TD
    A[用户] --> B[协调员]
    B --> C[规划员]
    C --> D[研究团队]
    D --> E[报告员]

比较 (饼图/条形图):

pie title 市场份额
    “项目A” : 45
    “项目B” : 30
    “其他” : 25

置信评分

根据来源质量分配置信度:

置信度	标准
高 (90%+)	官方文档、GitHub数据、多个佐证来源
中 (70-89%)	单一可靠来源、近期文章
低 (50-69%)	社交媒体、未验证声明、过时信息

输出

保存报告为: research_{主题}_{YYYYMMDD}.md

格式规则

中文内容: 使用全角标点（，。：；！？）
技术术语: 首次提及提供Wiki/文档URL
表格: 用于指标、比较
代码块: 用于技术示例
Mermaid: 用于架构、时间线、流程图

最佳实践

从官方来源开始 - 仓库、文档、公司博客
从提交/PR验证日期 - 比文章更可靠
三角验证声明 - 2+个独立来源
注意冲突信息 - 不要隐藏矛盾
区分事实与意见 - 明确标注推测
引用来源 - 在声明附近添加来源引用
随时更新 - 不要等到最后再综合