deep-research

deep-research

Weizhena/Deep-Research-skills の Deep Research ワークフローを実行するための、ルーティングを優先したエントリーポイントです。これは、2 段階の human-in-the-loop 調査手法（アウトラインの生成、その後の詳細調査）を、4 つの参照パイプラインを備えた 1 つの jeo-skill に統合したものです。各パイプラインには、それぞれのプロンプトテンプレートと出力仕様が含まれています。このスキルはリクエストを適切なフェーズに分類し、そのパイプラインを読み込んで、忠実に実行します。

1 つのトピック → 拡張可能な 1 つのアウトライン → 項目ごとの並列調査による検証済み JSON → 完全な 1 つの Markdown レポート。各フェーズにユーザー確認のチェックポイントがあるため、「X を調査」というブラックボックス的なプロンプトでモデルに任せるのではなく、各段階を正確に制御できます。

参照パイプラインには、上流スキルのテキストを分解して統合したもの（コマンドごとのフロントマターを削除し、見出しを入れ子にし、プロンプトテンプレートはそのまま保持）が含まれており、言い換えではありません。そのため、各フェーズはここだけで完結します。実行する前に、対応するパイプラインのリファレンスを読んでください。

• references/outline-pipeline.md — /research · /research-add-items · /research-add-fields（フェーズ 1：アウトラインの生成と拡張）
• references/deep-pipeline.md — /research-deep（フェーズ 2：項目ごとの並列調査と validate_json.py による網羅性チェック）
• references/report-pipeline.md — /research-report（フェーズ 3：目次とフィールドごとの Markdown レポート）
• references/web-search-pipeline.md — ウェブ検索エージェントと、ルーティングされる 5 つの情報源モジュール（github-debug · general-web · academic-papers · chinese-tech · stackoverflow）

プラグインのインストール

# This routing skill via jeo-skills (verified path)
npx skills add https://github.com/akillness/jeo-skills --skill deep-research

# Global install for one or more agents
npx skills add -g https://github.com/akillness/jeo-skills --skill deep-research -a claude-code -a codex -y

# Scripted install with knobs (Python dep + upstream slash-command skills)
WITH_DEPS=1 AGENTS="claude-code,codex" bash .agent-skills/deep-research/scripts/install.sh

deep フェーズでは scripts/validate_json.py を呼び出します（pip install pyyaml が必要です）。 上流リポジトリには、Claude Code、OpenCode、Codex 用のすぐに使えるスラッシュコマンドも含まれています。WITH_UPSTREAM=1 bash scripts/install.sh を実行すると、リポジトリをクローンしてコマンドをコピーします。

このスキルを使用する場合

• ユーザーが、単一の Q&A ではなく、一貫したフィールドに沿って比較可能な複数の対象（モデル、論文、ツール、企業、製品）を調査したい場合
• 体系的なアウトラインを先に作成すると役立つ、サーベイ／ベンチマークレビュー／文献レビュー／競合分析／デューデリジェンスの場合
• 目次付きの共有可能な Markdown レポートにまとめる、並列調査と出典の引用をユーザーが希望する場合

このスキルを使用しない場合

• 1 回限りの事実確認や単一の情報源の検索 → ウェブ検索を使用してください
• 引用チェックや査読ラウンドを伴う、学術研究から論文発表までの一連の作業 → academic-research を使用してください
• コードの構築と検証を複数のエージェントでオーケストレーションする場合 → oh-my-claudecode / oh-my-codex / oh-my-agent を使用してください
• リポジトリ内でトークン効率のよいコード調査を行う場合 → semble を使用してください
• Karpathy スタイルの自律型 ML 実験の探索 → autoresearch を使用してください

必須の初期確認事項

ルーティングする前に、次の項目を特定してください。

1. フェーズ — outline · deep · report（ワークフローのどの段階か）
2. トピック — 調査対象（{topic} と作業ディレクトリ {topic_slug}/ に使用）
3. 作業ディレクトリ — outline.yaml と fields.yaml を含む既存の {topic_slug}/、または新規作成
4. 対象期間 — ウェブ検索による補足に使用（例：過去 6 か月、2024 年以降、期間指定なし）
5. 出力先 — アウトラインファイル、項目ごとの JSON、または最終成果物の report.md

フェーズルーティング表

ユーザーの発言	フェーズ	パイプライン
「Xを調査して」「Xを概観して」「Xの調査概要を作成して」「これらのツール／モデルを比較して」	outline	/research → outline-pipeline.md
「項目を追加して」「対象がいくつか抜けています」「XとYも含めて」	outline	/research-add-items → outline-pipeline.md
「フィールドを追加して」「価格／レイテンシーも収集して」「比較項目を増やして」	outline	/research-add-fields → outline-pipeline.md
「では詳しく調査して」「それぞれ調べて」「詳細を埋めて」「調査を実行して」	deep	/research-deep → deep-pipeline.md
「レポートを作成して」「結果を要約して」「report.mdを生成して」「調査結果をまとめて」	report	/research-report → report-pipeline.md
「エージェントはどのように検索すべきか」「どの情報源を使うべきか」「デバッグ／学術／中国語の情報源」	web-search	web-search-pipeline.md

手順

ステップ 1：フェーズを選ぶ

ルーティング表に照らして依頼を分類します。出力を作成する前に、選択した フェーズ → コマンド を明示します（例：「outline → /research」）。作業ディレクトリに {topic_slug}/outline.yaml がすでに存在する場合、ユーザーがアウトラインの拡張を求めていない限り、次の未完了フェーズ（outline → deep → report）を既定とします。

ステップ 2：パイプラインを読み込む

該当するリファレンスファイルを読み、ワークフローとプロンプトテンプレートに従います。

outline      → references/outline-pipeline.md
deep         → references/deep-pipeline.md
report       → references/report-pipeline.md
web-search   → references/web-search-pipeline.md

項目ごとの検索や補足検索はすべて web-search エージェントに委任します — WebSearch を呼び出す前に、必ず web-search-pipeline.md と関連するソースモジュールを読み込んでください。

ステップ 3：パイプラインの規律に従って実行する

• プロンプトテンプレートに関する厳格な制約：outline パイプラインと deep パイプラインで定義された プロンプトテンプレートは、一字一句そのまま再現する必要があります — {xxx} 変数だけを置き換え、構造や文言を変更してはいけません。
• 人間が介在するプロセス：次に進む前に、各 AskUserQuestion の確認ポイント （項目、フィールド、期間、バッチサイズ、目次のフィールド）でユーザーに確認します。deep 調査はバッチごとに実行し、バッチ間で承認を得てください。
• エビデンス優先：補足するすべての項目／フィールドと項目ごとの JSON には、ソースリンクを含める必要があります。不明な値には [uncertain] と印を付け、uncertain 配列に記載してください — 値を捏造してはいけません。
• 完了前に検証：deep フェーズの項目は、validate_json.py が合格し（必須フィールドをすべて網羅し）て初めて完了となります。

ステップ 4：フェーズの出力一式を返す

フェーズ	出力
outline	{topic_slug}/outline.yaml（項目 + 実行設定）と {topic_slug}/fields.yaml（フィールド定義）。確認用に表示
deep	項目ごとに {output_dir}/{item_slug}.json（検証済み）を 1 つ作成し、完了サマリー（完了／失敗／不確実の件数）を添付
report	{topic_slug}/generate_report.py と {topic_slug}/report.md（アンカーリンク付き目次 + 選択した要約フィールド、その後にフィールドカテゴリごとの詳細）

最後に、次のフェーズを示す Next step を 1 行で記載します（outline → /research-deep、deep → /research-report）。

完全性の原則

• 捏造禁止：すべての項目、フィールド値、調査結果にはソースが必要です； 検証できない値には [uncertain] と印を付け、創作してはいけません。
• プロンプトの逐語的な保持：上流のプロンプトテンプレートは厳守すべき契約です — 変数のみを置き換えてください。
• 人間による確認：アウトラインの内容、期間、バッチサイズ、目次のフィールドは、推測せずユーザーに確認します。
• 網羅性の確認：deep フェーズの JSON は、項目を完了とみなす前に validate_json.py に合格する必要があります。

ルート振り分け表

ユーザーのニーズ	振り分け先
引用確認と査読ラウンドを伴う、調査から出版までのワークフロー	academic-research
自律型 ML 実験検索（Karpathy 方式）	autoresearch
リポジトリ全体を対象とした、トークン効率の高いコード検索	semble
複数エージェントによる構築／検証のオーケストレーション	oh-my-claudecode / oh-my-codex / oh-my-agent
永続的なナレッジの記録／Wiki	llm-wiki / okf / obsidian
成果物として編集可能な図／チャートを作成	drawio / mermaid / slides-grab