research

調査スキル - 予備調査

トリガー

/research <topic>

ワークフロー

ステップ 1：モデルの知識から初期フレームワークを生成

トピックに基づいて、モデルの既存知識を使い、以下を生成します。

• この分野の主な調査対象／項目の一覧
• 推奨する調査分野のフレームワーク

{step1_output} を出力し、request_user_input を使って確認します。

• 項目を追加／削除する必要がありますか？
• 分野のフレームワークは要件を満たしていますか？

ステップ 2：ウェブ検索による補足

request_user_input を使って期間を尋ねます（例：過去 6 か月、2024 年以降、期間指定なし）。

パラメーターの取得：

• {topic}：ユーザーが入力した調査トピック
• {YYYY-MM-DD}：現在の日付
• {step1_output}：ステップ 1 の完全な出力
• {time_range}：ユーザーが指定した期間

厳守事項：以下のプロンプトを厳密に再現してください。変更できるのは {xxx} の変数部分のみで、構造や文言は変更しないでください。

web-search-agent を 1 つ起動します（バックグラウンド）。プロンプトテンプレート：

prompt = f"""## Task
Research topic: {topic}
Current date: {YYYY-MM-DD}

Based on the following initial framework, supplement latest items and recommended research fields.

## Existing Framework
{step1_output}

## Goals
1. Verify if existing items are missing important objects
2. Supplement items based on missing objects
3. Continue searching for {topic} related items within {time_range} and supplement
4. Supplement new fields

## Output Requirements
Return structured results directly (do not write files):

### Supplementary Items
- item_name: Brief explanation (why it should be added)
...

### Recommended Supplementary Fields
- field_name: Field description (why this dimension is needed)
...

### Sources
- [Source1](url1)
- [Source2](url2)
"""

一括実行の例（AI Coding の歴史を調査する場合）：

## Task
Research topic: AI Coding History
Current date: 2025-12-30

Based on the following initial framework, supplement latest items and recommended research fields.

## Existing Framework
### Items List
1. GitHub Copilot: Developed by Microsoft/GitHub, first mainstream AI coding assistant
2. Cursor: AI-first IDE, based on VSCode
...

### Field Framework
- Basic Info: name, release_date, company
- Technical Features: underlying_model, context_window
...

## Goals
1. Verify if existing items are missing important objects
2. Supplement items based on missing objects
3. Continue searching for AI Coding History related items within since 2024 and supplement
4. Supplement new fields

## Output Requirements
Return structured results directly (do not write files):

### Supplementary Items
- item_name: Brief explanation (why it should be added)
...

### Recommended Supplementary Fields
- field_name: Field description (why this dimension is needed)
...

### Sources
- [Source1](url1)
- [Source2](url2)

ステップ 3：既存の分野についてユーザーに確認

request_user_input を使って、既存の分野定義ファイルがあるかユーザーに尋ね、ある場合は読み込んで統合します。

ステップ 4：アウトラインを生成（ファイルを分けて作成）

{step1_output}、{step2_output}、およびユーザーが提供した既存の分野を統合して、2 つのファイルを生成します。

outline.yaml（項目＋設定）：

• topic：調査トピック
• items：調査対象の一覧
• execution：
  • batch_size：並列エージェントの数（request_user_input で確認）
  • items_per_agent：エージェントあたりの項目数（request_user_input で確認）
  • output_dir：結果の出力ディレクトリ（デフォルト：./results）

fields.yaml（分野の定義）：

• 分野のカテゴリと定義
• 各分野の名前、説明、detail_level
• detail_level の階層：brief → moderate → detailed
• uncertain：不確定な分野の一覧（予約フィールド。深掘りフェーズで自動入力）

ステップ 5：出力して確認

• ディレクトリを作成：./{topic_slug}/
• 保存：outline.yaml と fields.yaml
• ユーザーに提示して確認

出力パス

{current_working_directory}/{topic_slug}/
  ├── outline.yaml    # items list + execution config
  └── fields.yaml     # field definitions

フォローアップコマンド

• /research-add-items - 項目を追加
• /research-add-fields - 分野を追加
• /research-deep - 詳細調査を開始