本文为转载内容，保留原帖观点与结构；如有侵权请联系我处理。
过去我在linuxdo写了一些agent相关文章：
不少人有反馈，那么我继续写哈！ 介绍一个我自己最喜欢的新方法，我认为这个方法才是真正的Agent智能体，我就是用它搞新项目的：
利用claude code 作为agent框架：
利用claude code agent框架一步一步实现deep research！利用好很强大很简单的skills
###下面我一步一步展示怎样搞出来：
什么是agent框架？为什么CC可能才是最佳agent框架？
例如下面就是crewAI agent框架的介绍，核心就是这些，思考一下，CC全部都有，而且更强大10倍，所以几个月前我就利用CC搞数据分析，完全很好用：
CC开发的核心：
subagent, commands, skills 这些就是开发CC智能体的核心，都是写markdown就可以。
简约不简单，非常强大，难以置信，开发它好像搞外星人一样，或者说人造人一样。
下面我一步一步介绍实现deep research，因为deep research就是agent框架第一应用，对比一下各个框架实现这个deep research，就知道哪个框架才是真厉害。
deep-research.md
---
description: 对指定主题执行完整的深度研究流程，从问题细化到最终报告生成
argument-hint: [研究主题或问题]
allowed-tools: Task, WebSearch, WebFetch, mcp__web_reader__webReader, Read, Write, TodoWrite
---
# Deep Research
Execute comprehensive deep research on the given topic using the 7-phase research methodology and Graph of Thoughts framework.
## Topic
$ARGUMENTS
## Research Workflow
This command will execute the following steps:
### Step 1: Question Refinement
Use the **question-refiner** skill to ask clarifying questions and generate a structured research prompt.
### Step 2: Research Planning
Break down the research topic into 3-7 subtopics and create a detailed execution plan.
### Step 3: Multi-Agent Research
Deploy multiple parallel research agents to gather information from different sources:
- Web Research Agents (3-5 agents): Current information, trends, news
- Academic/Technical Agent (1-2 agents): Research papers, technical specifications
- Cross-Reference Agent (1 agent): Fact-checking and verification
命令告诉AI怎样workflow，怎样调用tools，skills。
多个skills commands是命令步骤，而skills是每一个步骤的具体逻辑，例如：Research planning with Graph-of-Thoughts 逻辑。如下，我把deep research的理论和具体细节都写成markdown skill。AI会参考来工作。
name: research-executor
description: 执行完整的 7 阶段深度研究流程。接收结构化研究任务，自动部署多个并行研究智能体，生成带完整引用的综合研究报告。当用户有结构化的研究提示词时使用此技能。
claude-code-deep-research/
├── .claude/
│ ├── skills/ # Skills definitions
│ │ ├── question-refiner/ # Question refinement skill
│ │ │ ├── skill.json
│ │ │ ├── instructions.md
│ │ │ └── examples.md
│ │ ├── research-executor/ # Main research execution skill
│ │ │ ├── skill.json
│ │ │ ├── instructions.md
│ │ │ └── examples.md
│ │ ├── got-controller/ # Graph of Thoughts controller
│ │ │ ├── skill.json
│ │ │ ├── instructions.md
│ │ │ └── examples.md
│ │ ├── citation-validator/ # Citation validation skill
│ │ │ ├── skill.json
│ │ │ ├── instructions.md
│ │ │ └── examples.md
│ │ └── synthesizer/ # Research synthesis skill
│ │ ├── skill.json
│ │ ├── instructions.md
│ │ └── examples.md
│ └── commands/ # User-facing commands
│ ├── deep-research/ # Main deep research command
│ ├── refine-question/ # Question refinement command
│ ├── plan-research/ # Research planning command
│ ├── validate-citations/ # Citation validation command
│ └── synthesize-findings/ # Synthesis command
如果你的任务很复杂，那么就需要做多个AI员工，分工合作完成，那就是subagent。我这里不要，因为多个subagent就会带来沟通成本。一个agent就不需要上下文的处理。
运行起来
CC运行起来太简单，就是你自己做的command命令：
这里就是 ：
/deep-research Michael Jackson 在中国的流行
就这样就可以全自动化完成工作了，下面展示过程：
这些都是AI自己搞的，不是我教它的，所以这才是智能，这才是Agent,过去那些框架这么傻，我才不用。
deep research最后成果
结论
我这里是用deep research 作为例子，其实所有agent开发都可以直接用claude code，例如我做的全自动数据分析也是：
对比那些crewAI, langgraph, dify, autogen，反正我觉得CC才是真的agent。
开源地址：
核心技术要点：
- **Graph of Thoughts (GoT)** Framework - Intelligent research path management with graph-based reasoning
- **7-Phase Deep Research Process** - Structured methodology for quality research
- **Multi-Agent Architecture** - Parallel research agents with specialized roles
- **Citation Validation System** - A-E source quality ratings with chain-of-verification