Recursive Research 递归研究技能
让 Claude Code 以自调节循环对任意主题做博士级递归研究，含来源分级、磁盘检查点与自主决策框架。
证据显示该技能采取最小权限式设计：阶段0先询问用户、摘要后等待确认才启动；写入仅限于当前工作目录下的 memoria/ 子目录，且创建时会向用户说明；本地路径由用户主动提供；无网络数据外发、无凭据读取、无破坏性默认操作；有 --resume 提供恢复路径。扣分点：对本地文件读取（可访问用户提供的任意路径）缺少明确的范围约束与敏感文件提示，自主决策链条长但回滚机制仅限于重命名/删除检查点目录，未显式说明。
指令自洽、流程分阶段清晰、失败反馈有设计（--resume 找不到目录时报错并建议正确命令；记忆目录不存在时解释原因）。扣分点：静态审查无任何执行证据，无测试套件、无CI验证；关键量化指标（覆盖率≥80%、saturacion≤5%、hallazgos_esperados_proxy）依赖模型主观估算，定义松散可能导致行为不可复现；工具检测（MCP可用性）失败时的降级路径较薄。
场景与受众明确（跨领域深度研究），有反模式清单和能力边界说明（PhD声明需5项量化标准），触发语义清晰（/recursive-research 命令及 --resume/--list）。扣分点：技能全文为西班牙语，README为英语，未声明对中文研究的支持；核心检索路径（Firecrawl、Google Scholar、JSTOR 等）对中国大陆网络可达性存在明显依赖风险，文档未披露此限制。
文档分层良好：SKILL.md 结构清晰、含示例对话、域示例、反模式清单；LICENSE 为 MIT，作者与仓库信息完整，版本号存在（2.2.0）。扣分点：SKILL.md 正文标题写 v2.0 与 frontmatter 2.2.0 不一致；无 changelog；无维护责任与更新路径的明确承诺；'官方插件目录审批中'的说法属作者自述、不可验证。
声称完成递归深度研究并产出结构化交付物（综合、行动清单、gaps），相对手动研究有一定边际价值（自动tiering、检查点、自问）。扣分点：静态审查无法验证任何代表性输出可直接使用；'PhD级别'的声明依赖模型自评的模糊代理指标，产出质量与成本收益比例无证据支撑，核心价值主张基本不可静态核实。
可审计的原始材料存在：源码为单一 SKILL.md、许可与作者信息可交叉核对、源分级的判定标准可逐条审查。扣分点：无第三方执行证据、无测试、无CI工件、无用户产出的可复现案例；'官方目录审批中'等声明无法独立证实，证据类型单一。
- 静态审查未执行任何代码，所有运行时行为（循环收敛、检查点恢复、PhD 判定）均未经独立验证。
- 'PhD 级别'由模型自评的模糊代理指标决定，不应视为与真实学术深度等同。
- 技能正文为西班牙语；核心检索依赖 Firecrawl、Google Scholar、JSTOR 等海外服务，中国大陆网络环境下可用性存疑。
- 技能可读取用户提供的任意本地路径，建议使用时避免指向含敏感文件的目录。
- 覆盖率与饱和度等指标由模型估算，同一研究两次运行结果可能显著不同。
- 发布者未经 FollowSkills 企业注册库验证，身份视为未知。
这个 Skill 能做什么，适合哪些场景？
recursive-research 是一个 Claude Code 插件与技能（v2.2.0，MIT 许可），由 Joseph Huayhualla 开发。用户给出研究种子主题后，技能通过提问确认模式（web/local/混合）、来源偏好和循环上限，然后选取 3-5 个种子线程并循环研究，直到满足五项"博士级"量化标准。每条来源被归入 Tier 1/2/3 或拒绝档并写入磁盘审计文件；每个循环落盘检查点，可跨会话用 --resume 恢复。决策采用加权决策矩阵（WDM）加 Munger 逆向思维，保障自主决策的透明与自省。
在会话开始时向用户提出六个初始化问题（种子、模式、本地路径、优先/排除来源、循环上限）；在工作目录创建 memoria/investigaciones/<slug>/ 并生成 estado.md、hilos.md、多个来源分级文件和 hallazgos.md；每个循环选取覆盖度最低的线程，用 WDM 评分并选出来源，调用 Firecrawl/Context7 MCP 或内置 WebSearch/WebFetch 抓取内容；对每条来源做分级并记录理由；写入 ciclo-N.md 检查点并更新饱和度等指标；接近上下文上限（约 150 次 tool calls 或 80k output tokens）时建议预防性暂停；满足五项标准后产出 sintesis.md、acciones.md 和 gaps.md。
- 研究生或学者需要在开题或写综述前系统摸清一个新领域的现状与知识空白
- 技术写作者或分析师需为技术报告、论文或提案收集带来源分级的可审计材料
- 商业决策者想快速吃透一个陌生领域（如 SaaS 定价、监管动态）以做知情决策
- 拥有本地 PDF/文献库的用户希望把本地资料和网络研究合并为一次递归研究
- 使用 Charlie Munger 思维模型的用户，希望每步自主决策都有加权矩阵和逆向审视留痕
这个 Skill 有哪些优点和局限？
- 来源分级标准明确（Tier 1/2/3/拒绝）并落盘留档，可事后审计
- 每循环磁盘检查点 + --resume/--list 模式，能扛住上下文压缩和会话中断
- 适用任意学科，预置了按领域分类的种子来源清单（arXiv、PubMed、JSTOR 等）
- 拒绝标准具体：无作者、无数据营销、SEO 垃圾、无监督 AI 内容等直接拒收
- MIT 许可、不收集数据（PRIVACY.md），完全本地运行
- "博士级"五项标准（覆盖率 ≥80%、每线程 ≥3 个 Tier-1 来源等）由技能自测自报，无外部验证，且覆盖率基于代理估算
- 依赖可选 MCP（Firecrawl/Context7）才能达到宣称的速度，否则回退到较慢的内置搜索
- 仓库未见测试套件或独立评测；"10-50 倍提速"为作者声明，非第三方验证
- 大量 token 消耗：循环默认最多 20 次，长研究成本可观，来源未给出费用估算
- PDF 抓取能力有限——路线图中"合法付费墙后 PDF 支持"尚未实现
如何安装这个 Skill？
方式 A（推荐，作为插件）：在 Claude Code 中运行 /plugin marketplace add Anjos2/recursive-research，然后 /plugin install recursive-research。方式 B：通过 Anthropic 官方 Plugin Directory 一行安装（来源注明此渠道尚在审批中）。方式 C（独立技能）：git clone https://github.com/Anjos2/recursive-research.git，然后把 plugins/recursive-research/skills/recursive-research/SKILL.md 复制到 ~/.claude/skills/recursive-research/（Windows 下用 PowerShell 的 New-Item 和 Copy-Item 建目录并复制）。
如何使用这个 Skill？
插件安装后用 /recursive-research:recursive-research 调用；独立安装则用 /recursive-research。技能会依次询问研究种子、模式（web/local/混合）、本地路径、优先/排除来源和循环上限（默认 20），确认后自动循环。恢复已暂停的研究：/recursive-research --resume <slug>；列出已存研究：/recursive-research --list。来源注明可选安装 Firecrawl 和 Context7 MCP 以提速，未安装时回退到内置 WebSearch/WebFetch。
这个 Skill 与同类方案有什么区别？
与直接让 Claude 一次性回答研究问题相比，本技能的差异在于多循环自调节、来源分级留痕、检查点恢复和强制记录知识空白（gaps.md）；仓库未点名具体竞品，仅明确对照了"平铺搜索、不复核来源、不落盘"等反模式。