Research Toolkit：让 AI 代理学会「做研究」

场景切入：为什么 AI 写的研究报告总是「一眼假」？

你让 ChatGPT 帮你写一份某公司 2026 年 AI 战略分析报告，它洋洋洒洒几千字，结论斩钉截铁。但仔细一看：数据来源模糊，竞品对比没有注明时间段，核心观点找不到出处——这不是研究报告，这是 AI 的「合理想象」。

Research Toolkit 解决的就是这个问题。这是一个专门为 AI Agent 打造的研究方法论工具包，让 AI 不再只是「看上去在分析」，而是真正遵循研究规范：查证来源、区分事实与推断、标注置信度、记录研究轨迹。

浏览器 API 研究案例 研究案例：对比 AI Agent 的浏览器交互方式，附带完整数据来源

用 AI 写研究报告，表面看是「给 prompt、出结果」这么简单。但实际操作中，问题接踵而至：

Research Toolkit 的作者 rrrrrredy 在使用各类 Agent 做行业研究时，频繁遇到上述问题，最终决定自己构建一套方法论框架，并开源分享。

Research Toolkit 提供两套研究工作流，适用于不同复杂度的任务：

适用于有明确边界的研究任务，比如「对比 X 和 Y 两款产品的功能差异」「整理某公司近一年的融资动态」。Lite 模式的特点是：

适用于复杂比较、存在冲突证据、需要正式交付物的研究场景。Full 模式包括：

Toolkit 不是只适配某一个 Agent。它为以下平台提供了专门的配置文件和提示词模板：

每个 agent 的配置文件都针对该平台的工具集和使用习惯进行了优化，比如 Claude Code 支持文件操作和终端，ChatGPT 更适合对话式引导。

Toolkit 还提供了 MCP（Model Context Protocol）服务器实现，可以在本地启动一个 MCP 服务，让任何兼容 MCP 的 Agent 都能调用 Toolkit 的研究方法。这解决了「Agent 本身不支持 Skill 机制，但支持 MCP 协议」的场景。

研究案例演示 MCP 工作流演示：本地 MCP Server 为 Agent 提供研究方法支撑

references/ 目录下包含了 Toolkit 的核心方法论文档：

Toolkit 包含完整的评估协议（eval-protocol），用于验证研究输出的质量。评估数据集（evals/）包含：

作者还公开了修正案例记录（correction-audit），展示了 AI 研究报告曾经出现的错误、审查过程和修正结果——这种透明度在同类工具中非常罕见。

仓库研究案例 仓库分析案例：完整的证据链和来源追溯

Toolkit 并不是万能的，作者也坦承了这些局限：

Research Toolkit 代表着 AI 研究工具的一个重要方向——让 AI 的输出可验证、可追溯、可审查。在 AI 生成内容泛滥的背景下，这种「研究凭证」方法论有着重要的实用价值。

项目目前活跃维护中（最近提交：2026年10月14日），社区反馈积极，已经出现在 Awesome Agents 等知名列表中。

总结：如果你经常需要 AI 帮你做行业研究、市场分析或竞品对比，Research Toolkit 是一个值得一试的方法论框架。它不能保证输出质量，但能保证研究过程的可追溯性——这是区分「真正研究」和「AI 幻觉」的关键。

浏览器 API 研究案例 研究案例：对比 AI Agent 的浏览器交互方式，附带完整数据来源

用 AI 写研究报告，表面看是「给 prompt、出结果」这么简单。但实际操作中，问题接踵而至：

Research Toolkit 的作者 rrrrrredy 在使用各类 Agent 做行业研究时，频繁遇到上述问题，最终决定自己构建一套方法论框架，并开源分享。