什么是 Topic Research？

Topic Research 技能是为需要二次深度研究能力的 Openclaw Skills 用户设计的高性能扩展。它通过 Tavily CLI 执行深度搜索，弥补了初始数据收集与最终内容生产之间的差距，确保您的 AI agents 能够访问有引用、高质量的后续信息。

通过将零散的搜索数据规范化为稳定的 markdown 合约，该技能为自动化写作工作流提供了可靠的基础。它不仅收集事实，还将它们合成到本地 research.md 文件中，并配有完整的写作决策层，帮助开发人员和创作者确定任何给定主题的可行性和策略。

下载入口:https://github.com/openclaw/skills/tree/main/skills/abigale-cyber/topic-research

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

Topic Research 应用场景

• 对初始新闻扫描期间确定的主题进行引用的后续研究。
• 为内容生产流水线生成可重复使用的研究报告。
• 评估特定技术领域的商业信号和产品趋势。
• 根据实时数据创建具有推荐钩子和标题方向的结构化写作计划。

1. 该技能验证 Tavily CLI (tvly) 已在系统 PATH 上正确安装并经过身份验证。
2. 它解析输入 markdown 文件，并将 YAML frontmatter 字段（topic, question, seed URLs）组合成一个优化的研究查询。
3. 它使用带有 --json 标志的 Tavily 引擎执行研究任务，以确保数据完整性。
4. 原始 JSON 响应被存档以供审计，同时进行二次处理将发现结果重写为规范化的 markdown 报告。
5. 报告最后附加了一个写作决策部分，提供结构建议和证据风险评估。

Topic Research 配置指南

通过验证 Tavily CLI 已登录来确保环境准备就绪。安装 Openclaw Skills 运行时并执行以下命令：

# 如果尚未存在，请安装运行时环境
python -m venv .venv
source .venv/bin/activate

# 使用特定输入文件运行 Topic Research 技能
.venv/bin/python -m skill_runtime.cli run-skill topic-research --input content-production/inbox/20260405-agent-topic-research.md

Topic Research 数据架构与分类体系

该技能对原始和处理后的输出保持严格的数据合约，以确保与下游 Openclaw Skills 的兼容性。

Markdown Frontmatter Schema:

• topic: 研究的主要主题。
• question: 特定的研究查询或角度。
• model: 'mini'、'pro' 或 'auto' 研究深度的选择。
• source_file: 对先前新闻报告的可选引用。

name: topic-research
description: Run a second-hop deep research pass through the Tavily CLI after an initial scan, then normalize the result into a local `research.md` contract. Use when Codex needs cited follow-up research for a chosen topic from `news-collect`, or wants a reusable research report saved into `content-production/inbox/`.

Topic Research

This skill deepens a selected topic after news-collect or any manually chosen theme. It does not replace first-pass collection. The report now also produces a local writing decision layer.

Quick Start

Run the default command:

.venv/bin/python -m skill_runtime.cli run-skill topic-research --input content-production/inbox/20260405-agent-topic-research.md

Prepare Input

Pass a markdown request file with YAML frontmatter.

Supported fields:

• topic
• question
• model: mini / pro / auto
• source_file: optional path to a prior news-report.md
• seed_urls: optional list or comma-separated URLs

Example:

---
topic: AI coding agents
question: 这些产品近一周的产品化方向和商业化信号是什么？
model: pro
source_file: content-production/inbox/20260405-ai-news-report.md
seed_urls:
  - https://example.com/a
  - https://example.com/b
---

补充说明：优先输出能转成中文公众号选题判断的结论。

Follow Research Workflow

1. Validate that tvly is installed and available on PATH.
2. Combine the request fields into a single research query.
3. Call tvly research ... --json.
4. Save the raw JSON and rewrite the result into a normalized markdown research report.
5. Add a writing-decision section covering whether the topic is worth writing, recommended structure, opening hooks, title directions, and evidence risks.

Write Output

Write the report to:

content-production/inbox/YYYYMMDD--research.md

Write the raw JSON to:

content-production/inbox/raw/research/YYYY-MM-DD/.json

Respect Constraints

• Only use the repo-local dependency marker skills/tavily-research/ for this integration
• Do not silently fall back if tvly is missing or not logged in
• Keep the output contract stable even if Tavily CLI changes its JSON schema

Read Related Files

• Runtime entry: skill_runtime/engine.py
• Wrapper runtime: skills/topic-research/runtime.py
• Vendor dependency marker: skills/tavily-research/
• Data contract: docs/data-contracts.md