research

실행 흐름

Phase 0: 환경 감지

1. 입력 파싱: 주제, --quick/--deep, 특수 지시 ("한국어 우선" 등)
2. 주제 분류: <topic_classification> 참조 (라이브러리 → docs-fetch 위임)
3. MCP 감지: ToolSearch("firecrawl"), ToolSearch("searxng"), ToolSearch("github")
4. 기존 조사: .claude/research/ 동일 주제 → 업데이트 모드

Phase 1: 검색 전략

Sequential Thinking (2단계):
  thought 1: 핵심 질문 3-5개, 주제 유형 확정, 범위 결정 (시간/지역/언어)
  thought 2: 다각도 쿼리 생성 (영어+한국어), 채널별 배분, 에이전트 역할 분배

**필수**: 모든 검색 쿼리에 현재 연도(2026) 포함. @reliable-search.md 날짜 인식 규칙 적용.

Phase 2: 병렬 수집

에이전트 도구 제약 (@.claude/agents/ 정의 준수):

// 기술 비교 (standard: researcher 3 + explore 1 병렬)
Task({ subagent_type: 'researcher',
       prompt: '기술 A 장단점, 성능 2026. 검색 쿼리에 현재 연도 포함. 출처: URL + 발행일 + 소스유형(공식/블로그/커뮤니티).' })
Task({ subagent_type: 'researcher',
       prompt: '기술 B 장단점, 성능 2026. 검색 쿼리에 현재 연도 포함. 출처: URL + 발행일 + 소스유형.' })
Task({ subagent_type: 'researcher',
       prompt: 'A vs B 벤치마크, 비교, 후기 2026. 검색 쿼리에 현재 연도 포함. 출처: URL + 발행일 + 소스유형.' })
Task({ subagent_type: 'explore', model: 'haiku',
       prompt: 'gh search repos "기술 A/B" --sort stars. 스타, 커밋, 이슈 비교.' })
// MCP 가용 시 main agent가 동시에 search_repositories, firecrawl_scrape 등 실행

researcher 출력: 요약 → 공식 문서 → GitHub 이슈/PR → 추가 참고 → 권장사항 (researcher agent 정의 준수) 시장/트렌드: researcher를 글로벌/한국/투자 등 관점별 배분 경쟁사: researcher를 경쟁사별 1개씩 + 비교 리뷰 1개

Phase 3: Iterative Deep Search (deep만)

analyst (opus, 6-gap 프레임워크):
  1차 수집 갭 분석 → 커버/빈 영역 식별, 미검증 가정, 추가 쿼리 2-5개 도출

researcher × 2-3: 빈 영역 집중 검색

Phase 4: 리포트 생성

document-writer는 AI용 문서 전문 → general-purpose 사용.

Task({ subagent_type: 'general-purpose',
       prompt: `수집 자료 기반 리포트 작성.
       형식: <report_template> 참조. 경로: .claude/research/[NN].주제_요약.md
       필수: Executive Summary 250-400자 (결론 우선), 출처 URL, 비교 테이블, 권장사항
       사람용 문서: XML 태그/토큰 최적화 하지 말 것` })

Phase 5: 저장

파일: .claude/research/[NN].주제_요약.md (기존 파일 다음 번호, 한글+언더스코어)
넘버링: ls .claude/research/ | sort -r | head -1 → 다음 번호
출력: Executive Summary + 핵심 발견 3-5개 + "전체 리포트: [경로]" 안내