research

市場インテリジェンス（企業プロファイル、競合分析、技術スタックの調査）と技術評価（フレームワーク比較、LLM 選定、API 評価）を組み合わせた包括的なリサーチフレームワーク。信頼スコアと実行可能な推奨事項を含む構造化レポートを生成します。

<quick_start> 市場リサーチ：

1. 基本的な調査：Web サイト、LinkedIn、Google ニュース
2. 技術スタック：求人情報、インテグレーションページ
3. 課題シグナル：レビュー、ソーシャルでの言及
4. 意思決定者：LinkedIn、会社概要ページ

技術リサーチ：

1. 定義：課題、要件、制約
2. 調査：GitHub、HuggingFace、Context7 ドキュメント
3. 評価：フレームワークのチェックリストを適用し、最小限の例をテスト
4. 決定：内製か購入か、根拠を文書化

出力： 質問、回答、信頼度、情報源を含むリサーチレポート </quick_start>

<success_criteria> リサーチは次の場合に成功です：

• 質問が明確に定義され、制約が文書化されている
• 複数の情報源を参照している（1つだけではない）
• 信頼度（高/中/低）が根拠とともに割り当てられている
• 推奨事項が具体的で実行可能である
• 複数選択肢の比較に意思決定マトリクスを使用している
• 技術リサーチにおいて NO OPENAI 制約が守られている
• 情報源がアクセス日とともに文書化されている </success_criteria>

<core_content> 市場インテリジェンスと技術評価を組み合わせた包括的なリサーチフレームワーク。

クイックリファレンス

リサーチの種類	出力	使用する場面	参照
企業プロファイル	構造化プロファイル	アプローチ前、通話準備	reference/market.md
競合インテリジェンス	市場での位置づけ、価格	商談戦略	reference/market.md
技術スタックの調査	ソフトウェア + インテグレーション	リードの資格評価	reference/market.md
フレームワーク評価	機能比較 + 推奨	技術的な意思決定	reference/technical.md
LLM 比較	コスト/能力マトリクス	プロバイダー選定	reference/technical.md
API 評価	制限、価格、DX	インテグレーション計画	reference/technical.md
MCP の調査	利用可能なサーバー/ツール	機能の拡張	reference/technical.md

---

パート 1：市場リサーチ

企業プロファイルのフレームワーク

company_profile = {
    # Basics
    'name': str,
    'website': str,
    'industry': str,
    'employee_count': int,
    'revenue_estimate': str,  # "$5-10M", "$10-50M"

    # Operations
    'field_vs_office': {'field': int, 'office': int},
    'service_area': list[str],  # States/regions
    'trades': list[str],  # Electrical, HVAC, Plumbing

    # Technology
    'software_stack': {
        'crm': str,
        'project_mgmt': str,
        'accounting': str,
        'field_service': str,
        'other': list[str]
    },

    # Sales Intel
    'pain_signals': list[str],
    'growth_indicators': list[str],
    'failed_implementations': list[str],
    'decision_makers': list[dict]
}

課題シグナルの検出

シグナル	示すもの	優先度
複数のシステムへの言及	インテグレーションの課題	高
ニュースでの「急成長」	スケーリングの課題	高
最近の経営陣の交代	新しいベンダーに前向き	中
運用/管理職の採用	プロセスの問題	中
ソフトウェアへの悪いレビュー	切り替えの準備ができている	高
オンラインプレゼンスがない	技術に詳しくない	低

市場リサーチのワークフロー

Step 1: Basic Discovery
└── Website, LinkedIn, Google News, Glassdoor

Step 2: Tech Stack
└── Job postings, integrations page, case studies

Step 3: Pain Signals
└── Reviews, social mentions, forum posts

Step 4: Decision Makers
└── LinkedIn Sales Nav, company about page

Step 5: Synthesize
└── Generate company profile, score against ICP

競合ポジショニング

見込み客の競合を調査する場合：

1. What are they using now?
2. How long have they used it?
3. What's broken? (Check reviews, Reddit, forums)
4. What would make them switch?
5. Who else are they evaluating?

---

パート 2：技術リサーチ

スタックの制約（Tim の環境）

constraints:
  llm_providers:
    preferred:
      - anthropic  # Claude - primary
      - google     # Gemini - multimodal
      - openrouter # DeepSeek, Qwen, Yi - cost optimization
    forbidden:
      - openai     # NO OpenAI

  infrastructure:
    compute: runpod_serverless
    database: supabase
    hosting: vercel
    local: ollama  # M1 Mac compatible

  frameworks:
    preferred:
      - langgraph  # Over langchain
      - fastmcp    # For MCP servers
      - pydantic   # Data validation
    avoid:
      - langchain  # Too abstracted
      - autogen    # Complexity

  development:
    machine: m1_mac
    ide: cursor, claude_code
    version_control: github

LLM 選定マトリクス

ユースケース	第一候補	フォールバック	コスト/100万トークン
複雑な推論	Claude Sonnet	Gemini Pro	$3-15
バルク処理	DeepSeek V3	Qwen 2.5	$0.14-0.27
コード生成	Claude Sonnet	DeepSeek Coder	$3-15
埋め込み	Voyage	Cohere	$0.10-0.13
ビジョン	Claude/Gemini	Qwen VL	$3-15
ローカル/プライベート	Ollama Qwen	Ollama Llama	無料

コスト最適化のルール： バルクまたは定型タスクでは、中国の LLM（DeepSeek、Qwen）を使用して 90% 以上のコスト削減を実現します。複雑な推論には Claude/Gemini を確保しておきます。

フレームワーク評価チェックリスト

## [Framework Name] Evaluation

### Basic Info
- [ ] GitHub stars / activity
- [ ] Last commit date
- [ ] Maintainer reputation
- [ ] License type
- [ ] Documentation quality

### Technical Fit
- [ ] Python 3.11+ compatible
- [ ] M1 Mac compatible
- [ ] Async support
- [ ] Type hints / Pydantic
- [ ] MCP integration possible

### Ecosystem
- [ ] Active Discord/community
- [ ] Stack Overflow presence
- [ ] Tutorial availability
- [ ] Example projects

### Red Flags
- [ ] OpenAI-only
- [ ] Unmaintained (>6 months)
- [ ] Poor documentation
- [ ] Heavy dependencies
- [ ] Vendor lock-in

API 評価テンプレート

api_evaluation:
  name: ""
  provider: ""
  documentation_url: ""

  access:
    auth_method: ""  # API key, OAuth, etc.
    rate_limits:
      requests_per_minute: 0
      tokens_per_minute: 0
    quotas: ""

  pricing:
    model: ""  # per request, per token, subscription
    free_tier: ""
    cost_estimate: ""  # for our use case

  developer_experience:
    sdk_quality: ""  # 1-5
    documentation: ""  # 1-5
    error_messages: ""  # 1-5
    response_time: ""  # ms

  integration:
    existing_mcps: []
    sdk_languages: []
    webhook_support: bool

  verdict: ""  # USE, MAYBE, SKIP
  notes: ""

技術リサーチのワークフロー

┌─────────────────────────────────────────────┐
│ 1. DEFINE                                    │
│    What problem are we solving?              │
│    What are the requirements?                │
│    What are the constraints?                 │
└─────────────────┬───────────────────────────┘
                  ▼
┌─────────────────────────────────────────────┐
│ 2. DISCOVER                                  │
│    Search GitHub, HuggingFace, blogs         │
│    Check Context7 for docs                   │
│    Review existing tk_projects               │
└─────────────────┬───────────────────────────┘
                  ▼
┌─────────────────────────────────────────────┐
│ 3. EVALUATE                                  │
│    Apply checklist above                     │
│    Test minimal example                      │
│    Check M1 compatibility                    │
└─────────────────┬───────────────────────────┘
                  ▼
┌─────────────────────────────────────────────┐
│ 4. DECIDE                                    │
│    Build vs buy vs skip                      │
│    Document decision rationale               │
│    Update AI_MODEL_SELECTION_GUIDE if LLM    │
└─────────────────────────────────────────────┘

MCP 調査のワークフロー

# When looking for MCP capabilities:

1. Check mcp-server-cookbook first
   └── /Users/tmkipper/Desktop/tk_projects/mcp-server-cookbook/

2. Search official MCP servers
   └── github.com/modelcontextprotocol/servers

3. Search community servers
   └── github.com search: "mcp server" + [capability]

4. Check if FastMCP wrapper exists
   └── Can we build it quickly?

5. Evaluate build vs. use existing
   └── Time to integrate vs. time to build

---

パート 3：統合リサーチの出力

リサーチレポートのテンプレート

research_report:
  title: ""
  type: ""  # market, technical, hybrid
  date: ""
  researcher: ""

  # Executive Summary
  summary:
    question: ""
    answer: ""
    confidence: ""  # high, medium, low

  # Findings
  market_findings:
    companies_analyzed: []
    competitive_landscape: ""
    market_size: ""
    trends: []

  technical_findings:
    frameworks_evaluated: []
    recommended_stack: {}
    integration_considerations: []
    cost_analysis: {}

  # Recommendations
  recommendations:
    primary: ""
    alternatives: []
    risks: []
    next_steps: []

  # Sources
  sources:
    - type: ""
      url: ""
      date_accessed: ""
      key_findings: []

意思決定マトリクステンプレート

評価基準	重み	選択肢 A	選択肢 B	選択肢 C
[評価基準 1]	25%	/10	/10	/10
[評価基準 2]	20%	/10	/10	/10
[評価基準 3]	20%	/10	/10	/10
[評価基準 4]	20%	/10	/10	/10
[評価基準 5]	15%	/10	/10	/10
加重合計	100%	/10	/10	/10

---

統合に関する注意事項

市場調査

• 連携先: dealer-scraper(エンリッチメント)、sales-agent(適格性評価)
• データソース: LinkedIn、Glassdoor、Indeed、G2、Capterra、Google
• 組み合わせる相手: sales-outreach-skill(メッセージング)、opportunity-evaluator-skill(商談)

技術調査

• 参照: AI_MODEL_SELECTION_GUIDE.md、runpod-deployment-skill
• プロジェクト: ai-cost-optimizer、mcp-server-cookbook
• ツール: ドキュメント用の Context7 MCP、モデル用の HuggingFace MCP
• 組み合わせる相手: opportunity-evaluator-skill(内製かパートナーかの意思決定)

---

参照ファイル

市場調査

• reference/market.md - 企業プロフィール、技術スタックの調査、ICP、競合分析

技術調査

• reference/technical.md - フレームワークの比較、LLM の評価、API パターン、MCP の調査

結果サイドカーの出力

最後のステップとして、~/.claude/skill-analytics/last-outcome-research.json に書き込みます:

{"ts":"[UTC ISO8601]","skill":"research","version":"1.0.0","variant":"default",
 "status":"[success|partial|error]","runtime_ms":[estimated ms from start],
 "metrics":{"sources_consulted":[n],"findings_synthesized":[n],"recommendations":[n]},
 "error":null,"session_id":"[YYYY-MM-DD]"}

一部のステージが失敗しても結果が生成された場合は、ステータスに「partial」を使用してください。出力がまったく生成されなかった場合にのみ、「error」を使用してください。