Deep Research Skill
Zweck
Dieses Skill ermöglicht eine umfassende, internetgestützte Recherche zu jedem Thema unter Verwendung der OpenAI Deep Research API (o4-mini-deep-research-Modell). Es verbessert Benutzerforschungsprompts intelligent durch interaktive Verständnisfragen, stellt sicher, dass Forschungsparameter für die Reproduzierbarkeit gespeichert werden, und führt Tiefenrecherchen mit vollständigen Websuche-Funktionen aus.
Wann dieses Skill verwendet werden soll
Aktivieren Sie dieses Skill, wenn:
- Der Benutzer eine Recherche zu einem bestimmten Thema wünscht
- Der Benutzer um eine Analyse, Untersuchung oder umfassende Informationssammlung bittet
- Der Benutzer eine Erkundung eines Themas mit Websuche und logischer Argumentation wünscht
- Der Benutzer eine kurze Forschungsanfrage stellt, die verfeinert werden könnte
- Der Benutzer den aktuellen Stand, Trends oder Vergleiche in einem Bereich verstehen möchte
Beispiele für Benutzeranfragen:
- „Recherchiere die effektivsten Open-Source-RAG-Lösungen mit hoher Benchmark-Leistung“
- „Was sind die neuesten KI-Entwicklungen im Jahr 2025?“
- „Ich brauche eine umfassende Analyse verteilter Datenbanksysteme“
- „Finde Best Practices für die Implementierung von Vektorsuche“
- „Untersuche, wie KI die Softwareentwicklungsbranche beeinflusst“
Arbeitsablauf-Übersicht
Benutzereingabe
↓
Bewertung: Prompt zu kurz?
↓
JA → Verständnisfragen stellen → Antworten sammeln
↓ ↓
└───────→ Erweiterten Prompt erstellen ←──┘
↓
In dateizeitgestempelte Datei speichern
↓
deep_research.py ausführen
↓
Bericht + Quellen ausgeben
↓
Dem Benutzer präsentieren
Wie Claude dieses Skill verwenden sollte
Wichtig für Tokeneffizienz: Eine Tiefenrecherche dauert 10-20 Minuten. Das Skill ist so konzipiert, dass es synchron (blockierend) ohne zwischenzeitliche Statusprüfungen läuft. Dieser Ansatz minimiert die Token-Nutzung während der Wartezeit. Claude sollte:
- Die Recherche starten
- Auf den Abschluss warten (der Unterprozess blockiert automatisch)
- Die endgültigen Ergebnisse nach Abschluss präsentieren
Es ist kein regelmäßiges Abfragen oder Status-Updates während der Ausführung erforderlich.
Schritt 1: Forschungsanfrage annehmen
Empfangen Sie die Forschungsanfrage des Benutzers. Diese kann von kurz („Neueste KI-Trends“) bis sehr detailliert („Auswirkungen von Sprachmodellen auf die Entwicklerproduktivität mit Fokus auf 2024-2025“) reichen.
Schritt 2: Das Orchestrierungsskript ausführen
Führen Sie das Hauptorchestrierungsskript des Skills mit der Forschungsanfrage des Benutzers aus:
python3 scripts/run_deep_research.py "Ihre Forschungsanfrage hier"
Das Skript befindet sich unter scripts/run_deep_research.py im Installationsverzeichnis des Skills.
Schritt 3: Skriptausführungsablauf
Das Skript führt automatisch Folgendes aus:
-
Bewertet die Vollständigkeit des Prompts: Prüft, ob der Prompt zu kurz oder zu allgemein ist (< 15 Wörter oder beginnt mit „Was ist“, „Wie“ usw.)
-
Stellt Verständnisfragen (falls erforderlich):
- Präsentiert 2-3 gezielte Fragen, die für den Forschungstyp relevant sind
- Erkennt, ob die Forschung technisch oder allgemein ist, basierend auf Schlüsselwörtern
- Ermöglicht Benutzern die Auswahl aus vordefinierten Optionen (1-4) oder die Eingabe von benutzerdefiniertem Text
- Fragen decken ab: Umfang/Zeitraum, Tiefe, Schwerpunktbereiche
-
Verbessert den Prompt: Kombiniert den ursprünglichen Prompt mit den Antworten des Benutzers zu strukturierten Forschungsparametern
-
Speichert die Prompt-Datei: Schreibt den verbesserten Prompt in
research_prompt_YYYYMMDD_HHMMSS.txtfür Reproduzierbarkeit -
Führt Tiefenrecherche durch: Führt das Kernskript
deep_research.pyaus mit:- Modell: o4-mini-deep-research (konfigurierbar über
--model) - Timeout: 1800 Sekunden / 30 Minuten (konfigurierbar über
--timeout) - Tools: Websuche standardmäßig aktiviert
- Modell: o4-mini-deep-research (konfigurierbar über
Schritt 4: Ergebnisse dem Benutzer präsentieren
Das Skript automatisiert:
- Speichert Markdown-Datei: Forschungsbericht mit Quellen, gespeichert unter
research_report_YYYYMMDD_HHMMSS.md - Gibt an Terminal aus: Vollständiger Forschungsbericht mit Markdown-Formatierung
- Listet Webquellen auf: Nummerierte URLs, die in der Forschung referenziert werden
- Bestätigt Abschluss: Pfad, in dem die Forschungsdateien gespeichert wurden
Hinweis zur Tokeneffizienz: Tiefenrecherche dauert 10-20 Minuten. Das Skript läuft synchron (blockierend) ohne zwischenzeitliches Abfragen und minimiert so die Token-Nutzung während der Wartezeit.
Mitgelieferte Ressourcen
Skripte
scripts/run_deep_research.py (Haupteinstiegspunkt)
Das Orchestrierungsskript, das Folgendes übernimmt:
- Bewertung der Prompt-Qualität
- Interaktive Verbesserungsfragen (mit intelligenter Erkennung für technische vs. allgemeine Forschung)
- Speichern und Zeitstempeln von Prompts
- Ausführung der Kern-Tiefenrecherche
Hauptfunktionen:
- Intelligente Verbesserung: Stellt nur Fragen, wenn der Prompt kurz/allgemein ist
- Vorlagenbasierte Fragen: Unterschiedliche Fragensets für technische vs. allgemeine Forschung
- Flexible Eingabe: Nummerierte Optionen + benutzerdefinierte Texteingabe
- Fehlerbehandlung: Hilfreiche Meldungen, wenn deep_research.py nicht gefunden wird
Verfügbare Optionen:
python3 run_deep_research.py <prompt> [OPTIONEN]
--no-enhance Verbesserungsfragen überspringen
--model <model> Zu verwendendes Modell (Standard: o4-mini-deep-research)
--timeout <sekunden> Timeout in Sekunden (Standard: 1800)
--output-dir <pfad> Pfad zum Speichern der Prompt-Datei
assets/deep_research.py
Kernskript, das mit der OpenAI Deep Research API interagiert. Übernimmt:
- API-Authentifizierung über OPENAI_API_KEY
- Erstellung und Ausführung von Anfragen
- Automatisches Markdown-Speichern: Speichert standardmäßig dateizeitgestempelte Berichtsdateien
- Ausgabeformatierung (Bericht + Quellen mit Metadaten)
- Fehlerbehandlung und Wiederholungsversuche
Neue Befehlszeilenoptionen:
--output-file <pfad> Benutzerdefinierter Ausgabedateipfad
--no-save Automatisches Markdown-Speichern deaktivieren
Referenzen
references/workflow.md
Detaillierte Arbeitsablaufdokumentation mit:
- Vollständigem Skill-Workflow mit Beispielen
- Prompt-Verbesserungsstrategien
- Erklärung der Forschungsparameter
- Integrationsanleitung für Claude
- Referenz zur Befehlszeilenschnittstelle
- Fehlerbehandlung und Fehlerbehebung
- Tipps für effektive Forschung
Wichtige Verhaltensweisen
Intelligente Prompt-Verbesserung
Das Skill erkennt intelligent, ob eine Verbesserung erforderlich ist:
- Löst Verbesserung aus bei Prompts mit < 15 Wörtern oder generischen Anfängen
- Überspringt Verbesserung bei detaillierten, spezifischen Prompts
- Ermöglicht Benutzern die Deaktivierung mit dem Flag
--no-enhance - Vorlagenbewusst: Verwendet unterschiedliche Fragen für technische vs. allgemeine Forschung
Forschungsparameter
Verbesserte Prompts enthalten:
- Ursprüngliche Benutzeranfrage mit vollständigem Kontext
- Präferenzen für Umfang und Zeitrahmen
- Gewünschte Tiefe (Zusammenfassung, technisch, Implementierung, vergleichend)
- Spezifische Schwerpunktbereiche (Leistung, Kosten, Sicherheit usw.)
Diese Parameter helfen dem Tiefenrecherche-Modell, gezieltere und relevantere Ergebnisse zu liefern.
Reproduzierbarkeit
Jede Forschungsausführung:
- Speichert den exakt verwendeten Prompt in einer dateizeitgestempelten Datei
- Ermöglicht die Nachverfolgung von Forschungsentscheidungen
- Ermöglicht Folgeforschung mit denselben/geänderten Prompts
- Führt ein Prüfpfad der Forschungsparameter
Beispiele
Kurzer Prompt mit Verbesserung
Benutzer: „Recherchiere die effektivsten Open-Source-RAG-Lösungen”
Skriptverhalten:
- Erkennt kurzen Prompt (12 Wörter) + technische Schlüsselwörter („Open-Source”, „RAG”)
- Stellt technische Forschungsfragen:
- Technologiespektrum: Nur Open-Source? (Benutzer: Ja)
- Wichtige Metriken: Leistung/Benchmarks? (Benutzer: Geschwindigkeit und Genauigkeit)
- Anwendungsfälle: Produktionseinsatz? (Benutzer: Mehrere Aspekte)
- Verbessert zu detailliertem Prompt mit Parametern
- Speichert und führt Tiefenrecherche aus
- Gibt umfassenden Bericht mit vergleichenden Benchmarks und Quell-URLs zurück
Detaillierter Prompt ohne Verbesserung
Benutzer: „Analysiere die Auswirkungen großer Sprachmodelle auf die Produktivität von Softwareentwicklern in den Jahren 2024-2025, mit Fokus auf Codegenerierungswerkzeuge, Paarprogrammierung und Produktivitätsmetriken.”
Skriptverhalten:
- Erkennt detaillierten Prompt (24 Wörter) mit spezifischem Umfang/Fokus
- Überspringt Verbesserungsfragen
- Speichert und führt Tiefenrecherche sofort aus
- Gibt fokussierte Analyse gemäß Benutzervorgaben zurück
Anforderungen
- Python 3.7+
- OpenAI-API-Schlüssel (gesetzt über Umgebungsvariable
OPENAI_API_KEYoder.env-Datei) - Internetverbindung (für Websuche)
- 30+ Minuten für Forschungsabschluss (konfigurierbares Timeout)
Token-effizienter Arbeitsablauf
Optimierung langer Aufgaben
Tiefenrecherche-Anfragen dauern in der Regel 10-20 Minuten. Dieses Skill ist optimiert, um die Token-Nutzung während langer Wartezeiten zu minimieren:
So funktioniert es:
- Synchrone Ausführung: Das Skript läuft als blockierender Unterprozess (kein Hintergrundabfragen)
- Keine zwischenzeitlichen Prüfungen: Claude wartet still auf den Abschluss ohne Statusaktualisierungen
- Einzelausgabe: Ergebnisse werden einmal am Ende präsentiert
- Automatisches Speichern: Markdown-Dateien werden automatisch gespeichert, kein manueller Eingriff erforderlich
Token-Einsparungen:
- Traditioneller Ansatz: Status alle 30 Sekunden prüfen = ~40 Prüfungen × 500 Token = ~20.000 Token verschwendet
- Dieser Ansatz: Einmaliges Warten = ~1.000 Token insgesamt
Automatische Dateiverwaltung
Das Skill generiert und speichert automatisch Dateien:
Generierte Dateien:
research_prompt_YYYYMMDD_HHMMSS.txt- Verbesserter Forschungsprompt mit Parameternresearch_report_YYYYMMDD_HHMMSS.md- Vollständiger Markdown-Bericht mit:- Forschungsabschnitten (historisch, kognitiv, kulturell usw.)
- Nummerierten Quellenzitaten
- Metadaten-Fußzeile (Datum, Modell)
Anpassungsoptionen:
# Benutzerdefinierter Ausgabeort
python3 deep_research.py --prompt-file prompt.txt --output-file my_research.md
# Automatisches Speichern deaktivieren (nur Terminalausgabe)
python3 deep_research.py --prompt-file prompt.txt --no-save
Fehlerbehebung
Fehlender OPENAI_API_KEY
Fehler: „Missing OPENAI_API_KEY”
Lösung:
- Umgebungsvariable setzen:
export OPENAI_API_KEY="Ihr-Schlüssel" - Oder
.env-Datei im Arbeitsverzeichnis mitOPENAI_API_KEY=Ihr-Schlüsselerstellen
deep_research.py nicht gefunden
Fehler: „Could not find deep_research.py”
Lösung:
- Sicherstellen, dass das Skill ordnungsgemäß mit Assets installiert ist
- Skript sucht in: Skill-Asset-Verzeichnis → aktuelles Verzeichnis → übergeordnetes Verzeichnis
Forschungstimeout
Fehler: Anfrage timeout nach 30 Minuten
Lösung:
- Timeout erhöhen:
--timeout 5400(90 Minuten) - Prompt vereinfachen, um Forschungsumfang zu reduzieren
- Außerhalb der Spitzenzeiten ausführen für potenziell schnellere API-Antworten