wigolo research三档深度实战：生成带引用的调研报告完整教程

wigolo research三档深度实战：生成带引用的调研报告完整教程

【免费下载链接】wigoloThe go-to web for your AI coding agent — local-first search, fetch, crawl & research over MCP. No API keys, no cloud, $0/query. Public beta.项目地址: https://gitcode.com/GitHub_Trending/wi/wigolo

wigolo 是一个本地优先（local-first）的 AI 编程代理网络工具，提供搜索、抓取、爬取与研究能力，并通过 MCP 协议接入你的 AI 编程环境——无需 API Key、不依赖云端、每次查询零成本。它的research工具是其中最有价值的功能：把一个问题拆解成多个子查询，并行搜索、校验来源，最终生成一份带引用的结构化调研报告。本文将带你实战它的三档深度（quick / standard / comprehensive），从零学会生成可溯源的专业调研报告。

为什么需要"三档深度"？

传统的"搜索 + 手动整理"工作流费时且容易遗漏关键信息。wigolo research 把整个调研流程自动化：问题拆解 → 并行搜索 → 来源校验 → 交叉引用 → 结构化简报。

它的核心设计是按需求深度分档，在"速度"和"覆盖度"之间给你明确的选择权：

💡 这个配置定义在 src/research/pipeline.ts 的DEPTH_CONFIG中。如果你不指定depth，工具会自动使用standard档。

工作原理：从问题到简报的四个阶段

理解流程后，你才能更好地利用它。整条管线在 src/research/pipeline.ts 中实现：

1. 问题拆解：根据你的问题类型（对比型 / 操作型 / 概念型），自动生成多个覆盖不同角度（定义、对比、现状、最佳实践）的子查询。实现在 src/research/decompose.ts
2. 并行搜索：子查询在时间预算内并行执行，单个慢查询不会拖垮整体（每档都有独立的总预算与单查询预算）
3. 来源校验：自动过滤首页、搜索结果页、促销页、空壳内容等低质来源，被剔除的来源会暴露在rejected_sources中，可审计、不静默丢弃
4. 交叉引用简报：生成结构化brief——其中cross_references字段收录被两个以上来源共同佐证的结论，是全文最可靠的部分

实战一：quick 档——15 秒快速事实核查

适合"某个版本有哪些破坏性变更"这类事实型问题。用 CLI 直接运行：

wigolo research "React 19 有哪些破坏性变更" --depth=quick

quick 档只拆 2 个子查询、抓取 5–8 个来源，十几秒即可返回。返回结果中重点看key_findings（跨所有来源提炼的顶部结论），足够回答大多数事实型问题。

实战二：standard 档——生成常规调研报告

默认档位，适合技术选型、"X vs Y"对比等日常调研：

wigolo research "SQLite 和 PostgreSQL 在分析场景下的对比" --depth=standard

standard 档生成 4 个子查询、检索约 15–20 个来源。报告结构建议按 skills/wigolo/rules/synthesis.md 的写法组织：

1. 从key_findings写执行摘要
2. 引用sections.overview.cross_references作为最可靠的论据（可标注"经 N 个来源交叉验证"）
3. 按topics（来源按子查询分组）写分主题章节
4. 用sections.comparison构建对比表格（仅对比类问题会生成）
5. 把sections.gaps如实写进"局限性"——哪些子问题覆盖不足，绝不一笔带过
6. 全文用citations数组对应的[N]编号引用来源

实战三：comprehensive 档——深度评测级报告

comprehensive 档拆 7 个子查询、检索 20–25 个来源，还能用max_sources最高扩展到 50 个来源：

wigolo research "对比 Prisma、Drizzle 和 TypeORM 的生产就绪度" \ --depth=comprehensive --max-sources=30

适合发布前的深度评测、文献综述类任务。两个进阶技巧：

• 限定域名：用include_domains把搜索空间锁定在权威站点（如["nextjs.org", "vercel.com"]），信噪比更高
• 指定输出结构：传入schema参数（JSON Schema），让报告围绕你关心的字段组织

参数完整说明见 docs/tools.md 与 docs/cli.md，MCP 调用示例见 skills/wigolo-research/SKILL.md。

带引用报告的关键：证据而非裸结论

wigolo 的设计哲学是"返回结构化证据，由宿主 LLM 撰写最终答案"。合成能力按梯度回退：MCP sampling → 本地语言模型（设置WIGOLO_LOCAL_LLM=auto启用，默认关闭）→ 确定性证据输出。

这意味着即使没有任何外部 LLM，research 也能返回完整证据链；配置 LLM 后，report字段的成稿质量会明显提升。此外还有两个实用参数：

• max_tokens_out：限制输出 token 预算（默认 4000），控制报告篇幅
• include_full_markdown：为true时保留每个来源的完整 Markdown 全文，便于二次加工

⚠️避坑提示（摘自 skills/wigolo-research/SKILL.md）：

• 单页查询请用fetch，不要动用 research
• 结构化数据采集请用agent工具
• 不要在调用前预先探测缓存，research 内部会自动检查

进一步学习：核心文件索引

总结

wigolo research 的三档深度为不同调研需求提供了清晰的选择框架：quick秒级核查、standard覆盖常规调研、comprehensive支撑深度评测。配合max_sources、include_domains与schema等参数，再遵循key_findings → cross_references → topics → comparison → gaps的报告结构，你就能在本地、零 API Key 成本下，稳定产出每一条结论都有[N]引用溯源的专业调研报告。

【免费下载链接】wigoloThe go-to web for your AI coding agent — local-first search, fetch, crawl & research over MCP. No API keys, no cloud, $0/query. Public beta.项目地址: https://gitcode.com/GitHub_Trending/wi/wigolo