vibeflow-deepresearch

DeepResearch — Think 阶段的深度调研引擎

启动宣告： "正在使用 vibeflow-deepresearch — 深度调研引擎启动。"

目标

在用户启动新项目前，系统性地分析同领域高星项目的：

• 竞品发现（GitHub 高星项目）
• 能力矩阵（功能对比）
• 技术栈分布（语言、框架、依赖）
• 产品护城河（竞品的核心壁垒）
• 差异化机会（Gap 识别）

核心价值： "了解已有方案"是创新的前提，不是负担。站在巨人肩膀上找差异化。

---

输入

• 必需：用户提供的领域关键词或问题描述
• 可选：已有的 brief.md（已有项目背景）

---

执行流程

用户输入领域关键词
        │
        ├──▶ Agent 1: 竞品发现（先行）
        │           → 输出: Top 5-10 竞品列表
        │
        └──▶ 3 Agent 并行（基于竞品列表）
            ├── Agent 2: 技术栈分析
            ├── Agent 3: 能力矩阵
            └── Agent 4: 护城河调研
                    │
                    ↓
            聚合输出
            ├── 竞品分析报告（Markdown）
            ├── 护城河矩阵
            ├── 差异化机会矩阵
            └── 技术选型建议

注意：Agent 2/3/4 依赖 Agent 1 的输出（竞品列表），必须串行执行。

---

Phase 1: 竞品发现（Agent 1）

竞品发现

使用 GitHub Search API 搜索同领域高星项目：

# 搜索策略
gh search repos "<领域> framework" --sort stars --limit 20
gh search repos "topic:<领域>" --sort stars --limit 20

筛选条件：

• stars > 500
• 最近更新 < 12 months
• 按 stars 降序排列

输出： Top 5-10 竞品列表（项目名、Stars、最新更新、简介、技术栈）

---

Phase 2: 并行调研（3 Agents）

基于 Agent 1 的竞品列表，3 个 Agent 并行执行：

Agent 2: 技术栈分析

对竞品列表中的项目，读取其依赖文件：

# 对每个竞品项目
gh repo view <owner>/<repo> --json name,primaryLanguage
# 读取依赖文件（使用 GitHub API）
gh api repos/<owner>/<repo>/contents/package.json
gh api repos/<owner>/<repo>/contents/Cargo.toml
gh api repos/<owner>/<repo>/contents/requirements.txt
gh api repos/<owner>/<repo>/contents/go.mod

分析内容：

• 主要语言（TypeScript/Python/Rust/Go 等）
• 框架（React/Vue/Express/FastAPI 等）
• 关键依赖
• 架构模式（微服务/单体/Serverless）

输出： 技术栈分布统计表

---

Agent 3: 能力矩阵

对竞品列表中的项目，读取 README.md 提取功能列表：

gh api repos/<owner>/<repo>/contents/README.md

分析内容：

• Features 章节下的功能列表
• 支持的功能矩阵（认证、API、数据库、部署等维度）
• 缺失的功能（机会点）

输出： 功能对比矩阵表

---

Agent 4: 产品护城河调研

分析竞品的核心壁垒和护城河：

# 获取 Stars 增长趋势
gh api repos/<owner>/<repo> --jq '{stars: .stargazers_count, forks: .forks_count, pushed: .pushed_at}'
# 获取贡献者数量
gh api repos/<owner>/<repo>/contributors?per_page=1 --jq '.length'
# 获取开源协议
gh repo view <owner>/<repo> --json license
# 获取 README 中的亮点描述
gh api repos/<owner>/<repo>/contents/README.md

分析维度：

1. 生态锁定：插件数量、集成数量、SDK 支持
2. 网络效应：贡献者数量、社区活跃度、star 趋势
3. 数据积累：学习资源数量、文档完善度
4. 品牌先发：开源时间、版本号、社区规模
5. 技术积累：独特架构设计、性能优化、专有算法

输出： 护城河分析矩阵（每个竞品的核心壁垒）

---

Phase 2: 聚合输出

将 4 个 Agent 的结果聚合为结构化报告：

输出路径： docs/deepresearch/<timestamp>-<领域>.md

报告结构：

# DeepResearch Report: <领域>

**生成时间**: YYYY-MM-DD HH:mm
**调研深度**: <N> 个竞品

## 1. 竞品发现
[表格：项目名、Stars、最新更新、简介]

## 2. 能力矩阵
[功能对比矩阵表]

## 3. 技术栈分布
[语言占比、框架模式、热门依赖]

## 4. 产品护城河
[每个竞品的核心壁垒分析]

## 5. 差异化机会
[Gap 矩阵：机会 vs 竞品覆盖度]

## 6. 技术选型建议
[基于分析的建议]

---
*由 vibeflow-deepresearch 生成*

---

并行执行说明

4 个 Agent 使用 Agent 工具并行启动，每个 Agent：

• 独立运行，拥有完整上下文
• 按领域关键词执行调研
• 将结果写入临时存储或直接输出

Agent 提示词模板 详见 references/analysis-prompts.md

---

使用场景

DeepResearch 是独立工具，不是 Think 阶段的嵌入步骤。

核心定位

1. 开发者竞品输入工具：在实现某个功能前，先调研同类产品的能力分布、技术选型和护城河
2. 调研结果归档：docs/deepresearch/<领域>-<timestamp>.md
3. 按需读取：只有当用户明确要实现某个功能时，才读取对应调研内容进行方案规划

典型流程

用户：我要做一个 AI Agent 框架，先调研一下竞品
  │
  ├──▶ 调用 vibeflow-deepresearch
  ├──▶ 4 个 Agent 并行调研
  ├──▶ 报告归档到 docs/deepresearch/ai-agent-framework-2026-03-29.md
  │
  └── 用户决定实现某个具体功能时（如"支持 Tool Calling"）
        │
        └──▶ 读取 docs/deepresearch/ai-agent-framework-2026-03-29.md
        └──▶ 参考竞品能力矩阵和护城河分析
        └──▶ 制定差异化实现方案

使用示例

用户：/vibeflow-deepresearch

Assistant：
请提供您想调研的领域或关键词：
> AI Agent 框架

正在启动竞品发现 Agent...
[发现 8 个高星竞品]
正在启动 3 个并行分析 Agent...
[调研完成]
报告已保存至 docs/deepresearch/ai-agent-framework-2026-03-29.md

---

用户：我要实现 Tool Calling 功能，先看看竞品怎么做的

Assistant：
正在读取调研报告 docs/deepresearch/ai-agent-framework-2026-03-29.md...
竞品分析：
- LangChain: 原生支持，生态丰富
- AutoGPT: 基础支持，文档完善
- 差异化机会：...

---

集成

调用方式： 用户主动调用 /vibeflow-deepresearch 产出归档： docs/deepresearch/<领域>-<timestamp>.md 按需读取： 在 Plan/Design 阶段实现具体功能时，读取相关调研报告 与 Think 的关系： 独立工具，不嵌入 Think 流程，但可作为 Think 的前置输入

---

参考文档

• 搜索策略：references/search-strategies.md
• Agent 提示词模板：references/analysis-prompts.md
• 报告模板：references/output-template.md