deep-research

Deep Research — 規律あるメタリサーチ

「このトピックを調査して」を、単発の長文ではなく、監査可能で再利用できる調査に変えます。出力は、1か月後にも戻ってこられるフォルダーです。すべての主張は具体的なソースファイルにたどれ、計画には各選択を行った理由が記録され、更新プロトコルに従えば、すべてを再実行せずに後から内容を更新できます。

これは、調査の中でも本格的で、綿密に進める方法です。 手早く概要を把握するためのものではありません。正しい答えを得るために費やすトークンよりも、答えを間違えるコストのほうが大きい場合に使うワークフローです。

クイックリサーチルーターとの違い

ルーター形式のリサーチスキル（キーワードで分類 → 委任 → 短い逐次検索 → Markdown の概要）は、すばやく回答を得る必要があり、判断のリスクが低い場合に最適です。deep-research は、その反対の選択肢です。厳密さのためにコストをかけます。戦略、取り消せない判断、公開する成果物、または実際に検証する必要のある仮説に回答を反映させる場合に使ってください。浅い調査で済ませると、かえってリスクになる状況に適しています。

具体的には、deep-research には、素早い概要にはない機能が加わります。冒頭での反証可能な仮説の設定、多数のチャネルを通じたサブエージェントの並列展開、ソースタイプの多様性を明示した三角測量、必須の敵対的レビュー、逐語的な引用を含むソースごとのファイル、そして後から差分更新するための refresh_targets.md です。

パイプライン（9 フェーズ）

深度はタスクに応じて調整されます。shallow では主要フェーズをインラインで実行し、medium／deep では機能の検出、検証、更新対象の特定が追加されます。

#	フェーズ	内容
1	問いの再構成	質問を書き換え、根底にある判断を明確にし、反証可能な仮説を 2～4 個提示する
2	ジャンルと構成要素	レポートのジャンル（qa／解説／判断／全体像／検証／カスタム）と、その構成要素を選ぶ
3	計画	範囲、構成、ソース収集戦略、反対意見を探るクエリ、リスク登録簿、終了基準を含む plan.md を作成する
3.5	機能の検出	環境内で利用可能な API キーとチャネルを監査し、サブトピックをソースに対応付け、必要に応じて HTML にフォールバックする
4	検索（ループ）	ソースを割り当てる → サブエージェントを並列で起動する → 取得して重複を排除する → 各ソースを sources/NN.md に保存する。ラウンド間で再評価する
5	評価と三角測量	すべてのソースを信頼性／最新性／バイアスの観点で評価する。各論点について、独立した異なるタイプのソースを 3 件以上確保する
6	統合と敵対的レビュー	構成要素からレポートを組み立て、4 つの自己批判の問いを実施し、最も説得力のある形にした反論を追加する
6.5	検証	完了前に、簡易的な引用チェックを行う
7	更新対象	エンティティ／数値／仮説を refresh_targets.md に抽出する。今後の更新の起点となるファイル

コアメカニズム

これらが、文書化された調査と自信満々の推測を分ける要素です。

• 三角測量。 すべての仮説は、異なる種類（一次資料／学術資料／業界資料／議論）の独立した情報源3件以上で裏付ける必要があります。これに満たない主張は、事実として述べず「証拠不十分」と明記します。
• 情報源に基づく根拠付け。 各情報源は、メタデータ、原文の引用、スコアを記載した独自の sources/NN_slug.md として保存します。根拠のない主張は認めません。すべての主張を特定のファイルに紐付けます。取得結果が空の場合、主張も空とし、引用を捏造することはありません。
• 敵対的な検証。 フェーズ6では、常に利用可能な最も強力な推論を実行します。自己批判の質問4つに加えて、反論や反証となる証拠を積極的に探します。
• 反証可能な仮説。 フェーズ1で仮説を2～4件立てます。フェーズ5～6では、証拠に照らして各仮説を明確に支持または反証するか、判定不能とします。
• 並列サブエージェント。 フェーズ4では検索サブエージェントを並行して起動します（広範なウェブ検索には低コストのモデル、推論が多いサブトピックにはより高性能なモデルを使用します）。逐次実行はしません。
• 更新プロトコル。 フェーズ7で refresh_targets.md を出力します。update <slug> を実行すると、調査全体をやり直すのではなく、差分（新規参入者、エンティティの変更、数値の更新、敵対的検証のトリガー）を生成します。
• アトミックな調査結果。 再利用可能な仮説を findings/FN.md に、インデックスを sources.csv に保存します。調査のたびにゼロから始めるのではなく、問いを重ねるごとに調査結果を積み上げます。

出力構成

<root>/<slug>/
├── plan.md                  # scope, sourcing strategy, risk register, changelog
├── sources.csv              # index of every source with scores
├── sources/
│   ├── 01_<slug>.md         # one file = one source (metadata + verbatim quotes)
│   └── ...
├── findings/                # atomic, reusable theses (larger investigations)
│   └── F1_<short>.md
├── refresh_targets.md       # what to watch on update (medium/deep)
├── diffs/
│   └── YYYY-MM-DD_delta.md   # delta from an `update <slug>` run
└── YYYY-MM-DD_<genre>.md     # final report

使用する場面

• 低品質な回答の代償が大きい場合：戦略、事業計画、レポート、記事の下調べ。
• N件の機関、製品、手法、市場を比較し、根拠のある推論が必要な場合。
• 仮説や意思決定を外部データで検証する場合。
• メタ調査：「Xの仕組みを理解する」「Yの全体像を把握する」、相互に関連する一連の問いに答える場合。

アンチパターン

• 既存の成果を確認する手順を省略しないでください。 検索する前に、答えがすでにプロジェクト内や以前の調査フォルダーにないか確認してください。すでにある内容を再調査することになりかねません。
• 依頼が「明確に見える」場合でも、問いの再設定を省略しないでください。 問いの背後にある意思決定によって、検索内容は通常変わります。
• チャットだけに出力しないでください。 情報源とレポートは必ずファイルに保存してください。再利用の価値は会話の記録ではなくフォルダーにあります。
• 引用を捏造しないでください。 取得結果がない場合、主張も空です。もっともらしいURLを決して作らず、すべての主張を保存済みの原文引用に紐付けてください。
• 情報源が乏しい状態で結論を出さないでください。 情報源が少なすぎる場合や、すべてが同じ種類の場合は、三角測量ができていません。確信度を誇張せず、その旨を伝えてください。
• 中規模／詳細な調査では、敵対的な検証を省略しないでください。 肯定のみに偏った調査こそ、このスキルが防ごうとしている失敗です。
• サブエージェントを逐次実行しないでください。 並行して分散させましょう。逐次検索では、経過時間の短縮効果を無駄にします。
• sources/ を1つのファイルにまとめないでください。 情報源ごとのファイルがあることで、調査をまたいで調査結果を検索し、再利用できます。
• すべてに最も高性能なモデルを選ばないでください。 サブタスクに応じてモデルを使い分けます。広範な検索には低コストのモデル、統合と敵対的な検証には高性能なモデルを使用してください。

相互参照

• research router — 意思決定のリスクが低く、トピックの概要を素早く把握したい場合に使用します。厳密さが速度より重要な場合は、deep-research がより本格的な選択肢です。
• competitive-teardown — 構造化された12次元のマトリクスでN社の競合を比較する場合に使用します。
• litreview / dossier / patent — 調査対象が学術分野、特定の人物／企業、特許に限定される場合の専門ツールです。