deep-research-agent

Files (1)

• SKILL.md

SKILL.md (first lines)

# Deep Research Agent Skill

## Cuándo usar esta skill
- El usuario pide una investigación exhaustiva sobre un tema
- Se necesitan comparativas detalladas (tecnologías, productos, servicios)
- Se pide sintetizar información de múltiples fuentes
- El usuario quiere entender un tema complejo en profundidad
- Se necesita un estado del arte o review de literatura

## Protocolo de investigación profunda

### Fase 1: Descomposición del tema
```
Antes de buscar, descompón la pregunta en:
1. Pregunta principal
2. Sub-preguntas derivadas (3-7)
3. Términos de búsqueda alternativos
4. Perspectivas relevantes (técnica, comercial, histórica, etc.)
5. Tipo de fuentes necesarias (primarias, secundarias, datos, opiniones)
```

### Fase 2: Estrategia de búsqueda
```
Por cada sub-pregunta:
1. Formular variaciones de búsqueda
2. Identificar sitios/dominios especializados
3. Buscar tanto la tesis como la antítesis
4. Buscar datos actualizados vs perspectiva histórica
```

### Fase 3: Síntesis
```
1. Agrupar hallazgos por sub-tema
2. Identificar consensos y controversias
3. Pesar credibilidad de fuentes
4. Identificar gaps de información
5. Formular conclusiones con nivel de confianza
```

## Agentes de sub-investigación

### Usando Gemini CLI
```bash
gemini -p "Investiga en profundidad: [TEMA]. 
Estructura tu respuesta con:
1. Resumen ejecutivo (3 párrafos)
2. Contexto histórico y evolución
3. Estado actual (datos concretos, ejemplos)
4. Actores principales y sus posiciones
5. Tendencias emergentes
6. Controversias o debates activos
7. Conclusiones con nivel de confianza
8. Fuentes recomendadas para profundizar

Sé específico, con números y fechas cuando sea posible."
```

### Usando Perplexity API
```python
import requests

def deep_research(topic: str) -> dict:
    """
    Usa Perplexity para investigación con fuentes verificadas
    """
    response = requests.post(
        "https://api.perplexity.ai/chat/completions",
        headers={"Authorization": f"Bearer {PERPLEXITY_API_KEY}"},
        json={
            "model": "llama-3.1-sonar-large-128k-online",
            "messages": [
                {
                    "role": "system",
                    "content": "Eres un investigador experto. Usa fuentes actualizadas y cita URLs."
                },
                {
                    "role": "user", 
                    "content": f"Investiga exhaustivamente: {topic}\n\nIncluye datos concretos, fechas y fuentes."
                }
            ],
            "return_citations": True,
            "return_related_questions": True
        }
    )
    return response.json()
```

### Usando Exa AI (búsqueda semántica avanzada)
```python
from exa_py import Exa

exa = Exa(api_key=EXA_API_KEY)

def research_with_exa(query: str, num_results: int = 10):
    # Búsqueda con contenido completo
    results = exa.search_and_contents(
        query,
        type="neural",           # Búsqueda semántica
        use_autoprompt=True,     # Optimiza la query automáticamente
        num_results=num_results,
        text=True,               # Obtiene contenido completo
        highlights=True,         # Obtiene fragmentos relevantes
        start_published_date="2023-01-01"  # Solo contenido reciente
    )
    
    return [{
        "title": r.title,
        "url": r.url,
        "score": r.score,
        "text": r.text[:2000],  # Primeros 2000 chars
        "highlights": r.highlights
    } for r in results.results]
```

## Template para investigación estructurada

```markdown
# Investigación: [TEMA]
Fecha: [HOY]

From garri333/Skills, MIT.

More from garri333/Skills