深度研究

Deep Research

Claude Code 不仅是一个编程工具，还可以作为强大的研究助手。通过结合 MCP 搜索服务和多轮对话能力，你可以使用 Claude Code 完成从信息收集到报告生成的完整研究工作流。

深度研究工作流概述

Deep Research Workflow Overview

深度研究是一种系统化的信息收集和分析方法，利用 Claude Code 的工具调用能力实现自动化。

工作流程图

定义问题 → 搜索信息 → 阅读内容 → 分析整理 → 生成报告
    ↑                                          |
    └──────── 多轮迭代，深化研究 ←──────────────┘

核心能力

能力	说明
Web 搜索	通过 MCP 服务搜索互联网信息
内容提取	自动抓取和解析网页内容
文件读写	读取本地文档，生成研究报告
多轮迭代	基于初步发现深入探索
结构化输出	生成 Markdown、HTML 等格式的报告

适用场景

技术选型调研
竞品分析
文献综述
市场趋势分析
最佳实践总结
开源项目评估

配置 Exa MCP 搜索服务

Configuring Exa MCP Search Service

Exa 是一个专为 AI 优化的搜索引擎 API，通过 MCP 协议与 Claude Code 集成后，可以提供高质量的搜索结果。

获取 Exa API Key

访问 exa.ai 并注册账号
在控制台获取 API Key
记录你的 API Key，后续配置需要

安装 Exa MCP 服务器

bash

# 安装 Exa MCP 服务器
npm install -g exa-mcp-server

配置 MCP 设置

在 Claude Code 的 MCP 配置文件中添加 Exa 服务：

json

// ~/.claude/mcp_servers.json
{
  "exa": {
    "command": "npx",
    "args": ["-y", "exa-mcp-server"],
    "env": {
      "EXA_API_KEY": "your-exa-api-key-here"
    }
  }
}

验证配置

bash

# 启动 Claude Code 后，检查 MCP 工具是否可用
/mcp

# 你应该能看到类似以下工具
# exa: web_search, get_contents, find_similar

可用的搜索工具

工具	功能	用途
`web_search`	搜索互联网	查找相关信息和文章
`get_contents`	获取网页内容	深入阅读特定页面
`find_similar`	查找相似内容	发现相关资源

研究流程

Research Process

一个完整的深度研究通常包含五个阶段：定义问题、搜索、阅读、分析和报告。

第一阶段：定义问题

明确研究的目标和范围是高质量研究的基础。

请帮我研究以下问题：

主题：2024-2025 年前端构建工具对比分析
范围：
- Vite、Turbopack、Rspack、esbuild、webpack 5
- 性能基准对比
- 生态系统成熟度
- 迁移成本评估
- 社区活跃度

输出要求：
- 生成一份详细的 HTML 研究报告
- 包含对比表格和结论建议
- 列出所有参考来源

第二阶段：搜索信息

Claude 会使用 Exa 搜索工具自动查找相关信息：

# Claude 的搜索策略示例

搜索 1: "Vite vs Turbopack vs Rspack benchmark 2025"
搜索 2: "frontend build tool comparison 2025"
搜索 3: "Rspack migration from webpack guide"
搜索 4: "esbuild production readiness"
搜索 5: "Vite 6 new features"

第三阶段：阅读内容

Claude 会自动提取搜索结果中的关键页面内容：

# 阅读策略
- 优先阅读官方文档和基准测试
- 阅读知名技术博客的对比文章
- 获取 GitHub star 数和发布频率数据
- 提取具体的性能数据和指标

第四阶段：分析整理

基于收集的信息，Claude 会进行系统化的分析：

分析维度	具体指标
性能	冷启动时间、HMR 速度、构建速度
生态	插件数量、框架支持、社区规模
易用性	配置复杂度、文档质量、学习曲线
稳定性	版本号、已知问题、向后兼容
未来前景	开发路线图、资金支持、贡献者趋势

第五阶段：生成报告

最终输出结构化的研究报告。

提示词模板

Prompt Templates

以下是几个经过优化的深度研究提示词模板。

技术选型研究模板

你是一名资深技术研究分析师。请对以下技术方案进行深度调研：

研究主题：[主题]
对比方案：[方案A] vs [方案B] vs [方案C]

请按照以下步骤进行研究：
1. 搜索每个方案的最新官方文档和发布说明
2. 搜索近 6 个月内的对比评测文章
3. 搜索各方案的 GitHub 仓库数据（star、issue、contributor）
4. 搜索实际生产环境的使用案例和反馈

分析维度：
- 性能和效率
- 学习曲线和开发体验
- 社区生态和插件支持
- 生产稳定性和长期维护

输出要求：
- 生成一份 HTML 格式的研究报告
- 包含数据对比表格
- 给出明确的推荐结论
- 列出所有参考链接

竞品分析模板

请对以下产品进行竞品分析：

产品列表：[产品A]、[产品B]、[产品C]

分析维度：
1. 核心功能对比
2. 定价策略
3. 目标用户群体
4. 技术架构（如公开信息可获取）
5. 市场定位和差异化
6. 用户评价和口碑

请搜索以下来源：
- 官方网站和文档
- G2/Capterra 等评测平台
- TechCrunch/HackerNews 等科技媒体
- Twitter/Reddit 上的用户讨论

输出为详细的 Markdown 报告。

技术趋势研究模板

请调研以下技术领域的最新趋势：

领域：[技术领域]
时间范围：最近 12 个月

关注点：
1. 主要技术发展和突破
2. 新兴工具和框架
3. 行业采用情况
4. 专家观点和预测
5. 相关的开源项目动态

深度要求：
- 至少搜索 10 个不同来源
- 交叉验证关键信息
- 区分事实和观点

输出一份带目录的 HTML 研究报告。

生成 HTML 研究报告

Generating HTML Research Reports

Claude Code 可以生成美观、结构化的 HTML 研究报告，方便分享和展示。

报告结构示例

html

<!DOCTYPE html>
<html lang="zh-CN">
<head>
    <meta charset="UTF-8">
    <title>前端构建工具对比分析报告</title>
    <style>
        body { font-family: -apple-system, sans-serif; max-width: 900px; margin: 0 auto; padding: 20px; }
        table { border-collapse: collapse; width: 100%; margin: 20px 0; }
        th, td { border: 1px solid #ddd; padding: 12px; text-align: left; }
        th { background-color: #f5f5f5; }
        .summary { background: #f0f7ff; padding: 20px; border-radius: 8px; margin: 20px 0; }
        .source { color: #666; font-size: 0.9em; }
    </style>
</head>
<body>
    <h1>前端构建工具对比分析报告</h1>
    <p class="source">生成日期：2025-XX-XX | 数据来源：多个公开渠道</p>

    <div class="summary">
        <h2>执行摘要</h2>
        <p>核心发现和推荐结论...</p>
    </div>

    <h2>目录</h2>
    <ol>
        <li>研究背景</li>
        <li>方案概述</li>
        <li>性能对比</li>
        <li>生态系统分析</li>
        <li>结论与建议</li>
        <li>参考资料</li>
    </ol>

    <!-- 详细内容 -->
</body>
</html>

指定输出格式

请将研究报告保存为 research/frontend-build-tools-2025.html

报告要求：
- 包含 CSS 样式，可以直接在浏览器中打开
- 包含目录导航
- 数据对比使用表格
- 所有引用的链接可点击
- 在报告末尾列出所有参考来源

多轮研究迭代

Multi-Round Research Iteration

深度研究通常不是一次完成的，需要多轮迭代来不断深化。

迭代策略

第一轮：广泛搜索，建立总体认知
    ↓
第二轮：针对关键发现深入调查
    ↓
第三轮：验证关键数据，补充细节
    ↓
第四轮：整合所有信息，生成最终报告

对话示例

# 第一轮
你：请研究 Rust 在 Web 后端开发中的采用情况

Claude：[执行搜索，生成初步报告]

# 第二轮
你：关于你提到的 Axum 框架，请深入调研其性能基准和生产案例

Claude：[针对 Axum 深入搜索]

# 第三轮
你：请对比 Axum 和 Actix-web 在高并发场景下的表现，并搜索 TechEmpower 基准测试数据

Claude：[精确搜索基准测试数据]

# 第四轮
你：请将以上所有研究整合成一份完整的 HTML 报告

使用 /compact 管理上下文

bash

# 研究过程中如果对话变长，可以使用 /compact 压缩历史
/compact

# 这会保留关键信息，释放上下文空间，让后续搜索更高效

保存中间成果

# 建议在每轮研究后保存中间结果
请将当前的研究发现保存到 research/round1-findings.md

# 最终整合时引用
请读取 research/ 目录下的所有中间文件，整合生成最终报告

实际案例：技术选型调研

Case Study: Technology Selection Research

以下是一个完整的技术选型调研案例，展示如何使用 Claude Code 进行从头到尾的深度研究。

背景

某团队需要为新项目选择数据库方案，候选项包括 PostgreSQL、MySQL 8、CockroachDB 和 TiDB。

步骤一：启动研究

我们团队正在为一个新的 SaaS 平台选择数据库。
预期规模：初期 100 万用户，3 年内增长到 1000 万。
需要支持：多租户、全文搜索、JSON 数据、事务一致性。

请对以下数据库进行深度对比调研：
- PostgreSQL 16+
- MySQL 8.0+
- CockroachDB
- TiDB

要求：
1. 搜索每个数据库的最新版本功能
2. 搜索多租户架构的最佳实践
3. 搜索 SaaS 场景下的实际使用案例
4. 搜索性能基准对比数据

步骤二：查看中间结果

Claude 会展示搜索过程和发现：

数据库	搜索来源数	关键发现
PostgreSQL	12 篇	Row-Level Security 支持多租户
MySQL 8.0	8 篇	性能在读密集场景中占优
CockroachDB	10 篇	原生分布式，自动扩缩容
TiDB	9 篇	MySQL 兼容，水平扩展

步骤三：深入特定维度

关于多租户支持，请深入调研：
1. PostgreSQL 的 RLS（Row-Level Security）方案
2. Schema-per-tenant vs Row-per-tenant 的优劣
3. CockroachDB 的多区域部署方案
4. 各方案在 1000 万用户规模下的成本估算

步骤四：生成最终报告

请生成最终的 HTML 研究报告，保存到 research/database-selection-2025.html

报告必须包含：
1. 执行摘要（一页纸结论）
2. 各维度详细对比表格
3. 成本估算（包含计算方法）
4. 风险分析
5. 最终推荐方案及理由
6. 迁移路径建议
7. 所有参考来源列表

最终成果

经过 3-4 轮迭代后，你会得到一份包含以下内容的详尽报告：

research/
├── database-selection-2025.html    # 最终报告
├── round1-overview.md              # 第一轮概述
├── round2-multitenant.md           # 多租户深入研究
├── round3-benchmarks.md            # 性能基准数据
└── sources.md                      # 参考来源汇总

最佳实践

Best Practices

实践	说明
明确范围	研究前清晰定义问题和边界
分步进行	不要一次提出过多要求
交叉验证	关键数据从多个来源确认
保存中间成果	每轮研究后保存到文件
使用 /compact	长对话中定期压缩上下文
指定格式	明确要求输出格式（HTML/MD）
检查来源	验证报告中的链接是否有效

深度研究 ​

深度研究工作流概述 ​

工作流程图 ​

核心能力 ​

适用场景 ​

配置 Exa MCP 搜索服务 ​

获取 Exa API Key ​

安装 Exa MCP 服务器 ​

配置 MCP 设置 ​

验证配置 ​

可用的搜索工具 ​

研究流程 ​

第一阶段：定义问题 ​

第二阶段：搜索信息 ​

第三阶段：阅读内容 ​

第四阶段：分析整理 ​

第五阶段：生成报告 ​

提示词模板 ​

技术选型研究模板 ​

竞品分析模板 ​

技术趋势研究模板 ​

生成 HTML 研究报告 ​

报告结构示例 ​

指定输出格式 ​

多轮研究迭代 ​

迭代策略 ​

对话示例 ​

使用 /compact 管理上下文 ​

保存中间成果 ​

实际案例：技术选型调研 ​

背景 ​

步骤一：启动研究 ​

步骤二：查看中间结果 ​

步骤三：深入特定维度 ​

步骤四：生成最终报告 ​

最终成果 ​

最佳实践 ​

深度研究

深度研究工作流概述

工作流程图

核心能力

适用场景

配置 Exa MCP 搜索服务

获取 Exa API Key

安装 Exa MCP 服务器

配置 MCP 设置

验证配置

可用的搜索工具

研究流程

第一阶段：定义问题

第二阶段：搜索信息

第三阶段：阅读内容

第四阶段：分析整理

第五阶段：生成报告

提示词模板

技术选型研究模板

竞品分析模板

技术趋势研究模板

生成 HTML 研究报告

报告结构示例

指定输出格式

多轮研究迭代

迭代策略

对话示例

使用 /compact 管理上下文

保存中间成果

实际案例：技术选型调研

背景

步骤一：启动研究

步骤二：查看中间结果

步骤三：深入特定维度

步骤四：生成最终报告

最终成果

最佳实践