name: research-deep
version: 1.0.0
description: Investigación ultra-profunda sobre temas complejos usando múltiples fuentes y agentes. Usa cuando necesites el nivel más exhaustivo de investigación posible, combinando búsqueda, lectura de papers, síntesis y conclusiones accionables.
tags: [research, deep-research, gemini, perplexity, synthesis, multi-source, academic]
author: garri333
license: MIT
source: https://clawdbotskills.org/
Research Deep Skill
Cuándo usar esta skill vs deep-research-agent
deep-research-agent: Una investigación estructurada con buenos resultadosresearch-deep: Nivel máximo de exhaustividad — múltiples agentes, papers académicos, estado del arte
El processo de investigación ultra-profunda
Al recibir una petición de investigación profunda:
1. SCOPING (5 min):
- ¿Es una pregunta factual? → Diferentes herramientas
- ¿Es técnica? → GitHub, arXiv, docs oficiales
- ¿Es de mercado? → CBInsights, Crunchbase, análisis sectoriales
- ¿Es académica? → PubMed, arXiv, Semantic Scholar
- ¿Es normativa? → EUR-Lex, CNMC, organismos reguladores
2. PLAN DE BÚSQUEDA (3+ queries distintas por sub-tema):
- Query A: términos exactos
- Query B: sinónimos/alternativas conceptuales
- Query C: negación (buscar críticas/contra-argumentos)
- Query D: en inglés si el tema tiene más literatura en ese idioma
3. SÍNTESIS:
- Encontrar puntos de consenso entre fuentes
- Identificar controversias activas
- Pesar credibilidad de fuentes
- Declarar incertidumbres explícitamente
4. VALIDACIÓN:
- Cross-checking de datos críticos
- Verificar que las fuentes primarias dicen lo que las secundarias afirman
- Actualidad de la información (especialmente en tech/regulación)
Herramientas por tipo de investigación
Investigación técnica / software
# Buscar en GitHub con linguaged query
gh search repos "TERM" --language=python --stars=>100 --sort=updated
# Buscar issues/discussions para contexto real
gh search issues "TERM" --repo=REPO --label=enhancement
# Leer documentación oficial
curl https://rawgit.com/.../README.md | head -100
# Buscar en Hacker News
curl "https://hn.algolia.com/api/v1/search?query=TERM&tags=story&hitsPerPage=5" | jq '.hits[] | {title, url, points}'
Investigación académica
import requests
def search_arxiv(query: str, max_results: int = 10) -> list:
"""Buscar papers en arXiv"""
url = "http://export.arxiv.org/api/query"
params = {
"search_query": f"all:{query}",
"start": 0,
"max_results": max_results,
"sortBy": "relevance",
"sortOrder": "descending"
}
response = requests.get(url, params=params)
# Parsear XML (simplificado)
import xml.etree.ElementTree as ET
root = ET.fromstring(response.text)
ns = {"atom": "http://www.w3.org/2005/Atom", "arxiv": "http://arxiv.org/schemas/atom"}
papers = []
for entry in root.findall("atom:entry", ns):
papers.append({
"title": entry.find("atom:title", ns).text.strip(),
"summary": entry.find("atom:summary", ns).text.strip()[:500],
"published": entry.find("atom:published", ns).text[:10],
"authors": [a.find("atom:name", ns).text for a in entry.findall("atom:author", ns)],
"url": entry.find("atom:id", ns).text,
})
return papers
def search_semantic_scholar(query: str, year_from: int = 2020) -> list:
"""Buscar en Semantic Scholar (papers con citations)"""
response = requests.get(
"https://api.semanticscholar.org/graph/v1/paper/search",
params={
"query": query,
"limit": 10,
"fields": "title,year,citationCount,abstract,authors,openAccessPdf",
"publicationDateOrYear": f"{year_from}:"
}
)
return response.json().get("data", [])
Investigación de mercado y empresa
def research_company(company_name: str) -> dict:
"""
Investigar una empresa desde múltiples ángulos
"""
queries = {
"crunchbase": f"site:crunchbase.com {company_name}",
"funding": f"{company_name} funding raise investor series",
"tech_stack": f"{company_name} technology stack engineering blog",
"reviews": f"{company_name} reviews glassdoor trustpilot",
"news": f"{company_name} news announcement 2024",
"competitors": f"{company_name} competitors alternatives comparison",
"linkedin": f"site:linkedin.com/company {company_name}",
}
# Ejecutar cada query con Exa o Brave Search
# (ver skills web-search-exa y web-search-brave)
return queries
def market_research_queries(market: str) -> list:
"""Generar queries de investigación de mercado"""
return [
f"{market} market size 2024 billion",
f"{market} market growth rate CAGR forecast",
f"{market} top players competitors market share",
f"{market} industry trends emerging technology",
f"{market} challenges barriers problems",
f"{market} regulatory environment compliance",
f"disruption {market} startups innovation",
f"{market} M&A activity acquisitions 2023 2024",
]
Pipeline completo de deep research
from dataclasses import dataclass, field
from typing import Callable
import json
@dataclass
class ResearchPlan:
topic: str
objective: str # Qué debe poder decidir/hacer el usuario con esto
depth: str = "deep" # "quick", "standard", "deep", "exhaustive"
sub_topics: list = field(default_factory=list)
sources_required: list = field(default_factory=list)
output_format: str = "report" # "report", "brief", "comparison", "summary"
def create_research_plan(topic: str, objective: str) -> ResearchPlan:
"""
Crear un plan de investigación estructurado
(En la práctica, esto lo generaría el LLM dado el topic)
"""
plan = ResearchPlan(
topic=topic,
objective=objective,
sub_topics=[
f"Definición y conceptos clave de {topic}",
f"Estado actual y tendencias de {topic}",
f"Actores principales en {topic}",
f"Debates y controversias sobre {topic}",
f"Perspectiva práctica: cómo aplica a {objective}",
],
sources_required=["web", "docs", "academic"],
)
return plan
def execute_research(plan: ResearchPlan, search_fn: Callable) -> dict:
"""
Ejecutar el plan de investigación
search_fn: función que toma una query string y retorna resultados
"""
results = {
"topic": plan.topic,
"objective": plan.objective,
"findings": {}
}
for sub_topic in plan.sub_topics:
# 3 queries por sub-tema
queries = [
sub_topic,
f"{sub_topic} expert perspective analysis",
f"{sub_topic} problems challenges criticism",
]
sub_results = []
for query in queries:
found = search_fn(query)
sub_results.extend(found)
results["findings"][sub_topic] = sub_results
return results
Formato de entregable para deep research
# Deep Research: [TEMA]
**Encargo:** [Qué necesitaba el usuario]
**Fecha:** [Fecha]
**Profundidad:** Exhaustiva — [N fuentes consultadas]
**Nivel de confianza general:** [Alto/Medio/Bajo]
---
## 🎯 Conclusiones ejecutivas (para quien no leerá el resto)
**Bottom line:** [1-3 frases con LO MÁS IMPORTANTE]
**Acciones recomendadas:**
1. [Acción concreta — razón]
2. [Acción concreta — razón]
**Incertidumbres clave:**
- [Lo que NO pudo confirmarse con certeza]
---
## 📊 Hallazgos por dimensión
### 1. [Dimensión 1]
**Consenso:** [Lo que la mayoría de fuentes coincide]
**Controversia:** [Donde hay debate]
**Datos clave:**
- [Dato concreto con fuente y fecha]
### 2. [Dimensión 2]
...
---
## 🔍 Fuentes consultadas (por relevancia)
### Tier 1 — Alta credibilidad
- [Fuente 1 — URL — Fecha — Por qué es fiable]
### Tier 2 — Buena referencia
- [Fuente 2 — URL]
### Fuentes contradictorias
- [Fuente que dice algo distinto — URL — Por qué diverge]
---
## ❓ Preguntas sin respuesta clara
1. [Pregunta que las fuentes no resolvieron]
2. [Controversy activa sin resolución]
---
## 🔗 Para profundizar más
- [Recurso 1 — Descripción]
- [Recurso 2 — Descripción]
Anti-patrones de investigación profunda
❌ Confirmar sesgos: Solo buscar fuentes que apoyen la hipótesis inicial
❌ Wikipedia como fuente primaria (solo para orientación, nunca para citar)
❌ Artículos de blog sin credenciales como "estudios"
❌ Datos sin fecha (especialmente en tech/mercados que cambian rápido)
❌ Generalizar desde un solo caso o estudio
❌ No distinguir entre correlación y causalidad
❌ Ignorar el contexto geográfico/temporal de los datos
✅ Buscar activamente evidencia contraria a tu conclusión inicial
✅ Identificar quién financia cada estudio o análisis
✅ Triangular: misma afirmación desde 3+ fuentes independientes
✅ Declarar explícitamente el nivel de certeza de cada claim
✅ La fecha de los datos importa siempre — mencionarla
Referencias
By