Communitygithub.com

ASoudy/AGS

Dieses Skill sollte für umfassende Recherchen zu jedem Thema unter Verwendung der OpenAI Deep Research API eingesetzt werden. Es automatisiert die Prompt-Verbesserung durch interaktive Verständnisfragen, speichert Forschungsparameter und führt Tiefenrecherchen mit Websuche durch. Verwenden Sie es, wenn der Benutzer eine ausführliche Analyse, Untersuchung, Forschungszusammenfassung oder Themenexploration wünscht.

Was ist AGS?

Das ASoudy/AGS Skill ermöglicht eine umfassende, internetgestützte Recherche zu jedem Thema unter Verwendung der OpenAI Deep Research API (Modell o4-mini-deep-research). Es verbessert Benutzerprompts intelligent durch interaktive Verständnisfragen, speichert alle Forschungsparameter für Reproduzierbarkeit und führt Tiefenrecherchen mit vollständiger Websuche durch. Das Skill unterstützt verschiedene Plattformen wie Claude Code, Codex und Cursor und kann als Werkzeug zur Ausführung von Forschungsaufgaben oder direkt über die Befehlszeile aufgerufen werden. Der Ablauf beginnt mit der Bewertung der Prompt-Vollständigkeit: Ist der Prompt zu kurz oder zu allgemein (< 15 Wörter oder beginnt mit „Was ist“, „Wie“ usw.), stellt das Skill 2-3 gezielte Fragen, um Umfang, Tiefe und Fokusbereiche zu klären. Nach der Verbesserung wird der Prompt in einer dateizeitgestempelten Datei gespeichert und die Tiefenrecherche gestartet. Die Forschung dauert in der Regel 10-20 Minuten und wird synchron (blockierend) ausgeführt, um Tokeneffizienz zu maximieren. Die Ergebnisse werden als Markdown-Bericht mit Quellenangaben und Metadaten automatisch gespeichert. Das Skill ist optimiert für lange Wartezeiten und vermeidet unnötige Statusabfragen, was Token spart. Zu den wichtigsten Funktionen gehören die intelligente Prompt-Verbesserung (mit Erkennung technischer vs. allgemeiner Forschung), reproduzierbare Forschungsparameter und anpassbare Timeout- und Ausgabeoptionen.

Funktioniert mit✓Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/ASoudy/AGS/tree/HEAD/claude_skills_libraries/landing-page-mastery/skills/deep-research

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

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:

  1. Die Recherche starten
  2. Auf den Abschluss warten (der Unterprozess blockiert automatisch)
  3. 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:

  1. Bewertet die Vollständigkeit des Prompts: Prüft, ob der Prompt zu kurz oder zu allgemein ist (< 15 Wörter oder beginnt mit „Was ist“, „Wie“ usw.)

  2. 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
  3. Verbessert den Prompt: Kombiniert den ursprünglichen Prompt mit den Antworten des Benutzers zu strukturierten Forschungsparametern

  4. Speichert die Prompt-Datei: Schreibt den verbesserten Prompt in research_prompt_YYYYMMDD_HHMMSS.txt für Reproduzierbarkeit

  5. Führt Tiefenrecherche durch: Führt das Kernskript deep_research.py aus mit:

    • Modell: o4-mini-deep-research (konfigurierbar über --model)
    • Timeout: 1800 Sekunden / 30 Minuten (konfigurierbar über --timeout)
    • Tools: Websuche standardmäßig aktiviert

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:

  1. Erkennt kurzen Prompt (12 Wörter) + technische Schlüsselwörter („Open-Source”, „RAG”)
  2. Stellt technische Forschungsfragen:
    • Technologiespektrum: Nur Open-Source? (Benutzer: Ja)
    • Wichtige Metriken: Leistung/Benchmarks? (Benutzer: Geschwindigkeit und Genauigkeit)
    • Anwendungsfälle: Produktionseinsatz? (Benutzer: Mehrere Aspekte)
  3. Verbessert zu detailliertem Prompt mit Parametern
  4. Speichert und führt Tiefenrecherche aus
  5. 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:

  1. Erkennt detaillierten Prompt (24 Wörter) mit spezifischem Umfang/Fokus
  2. Überspringt Verbesserungsfragen
  3. Speichert und führt Tiefenrecherche sofort aus
  4. Gibt fokussierte Analyse gemäß Benutzervorgaben zurück

Anforderungen

  • Python 3.7+
  • OpenAI-API-Schlüssel (gesetzt über Umgebungsvariable OPENAI_API_KEY oder .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:

  1. Synchrone Ausführung: Das Skript läuft als blockierender Unterprozess (kein Hintergrundabfragen)
  2. Keine zwischenzeitlichen Prüfungen: Claude wartet still auf den Abschluss ohne Statusaktualisierungen
  3. Einzelausgabe: Ergebnisse werden einmal am Ende präsentiert
  4. 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 Parametern
  • research_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 mit OPENAI_API_KEY=Ihr-Schlüssel erstellen

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

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

ASoudy/AGS

Advanced JavaScript animation library skill for creating complex, high-performance web animations.

ASoudy/AGS

Astropy is the core Python package for astronomy, providing essential functionality for astronomical research and data analysis.

ASoudy/AGS

Build content-focused websites with Astro — zero JS by default, islands architecture, multi-framework components, and Markdown/MDX support.

ASoudy/AGS

One sentence - what this skill does and when to invoke it

ASoudy/AGS

Audit and fix animation performance issues including layout thrashing, compositor properties, scroll-linked motion, and blur effects. Use when animations stutter, transitions jank, or reviewing CSS/JS animation performance.

ASoudy/AGS

Internationalization and localization patterns. Detecting hardcoded strings, managing translations, locale files, RTL support.

ASoudy/AGS

Pull a YouTube video transcript into a queryable markdown vault with yt-dlp subtitle discovery, VTT cleanup, metadata frontmatter, and capture-seed stubs.

ASoudy/AGS

Expert in building portfolios that actually land jobs and clients - not just showing work, but creating memorable experiences. Covers developer portfolios, designer portfolios, creative portfolios, and portfolios that convert visitors into opportunities.

ASoudy/AGS

Generates high-converting Next.js/React landing pages with Tailwind CSS. Uses PAS, AIDA, and BAB frameworks for optimized copy/components (Heroes, Features, Pricing). Focuses on Core Web Vitals/SEO.

ASoudy/AGS

AI-powered animation tool for creating motion in logos, UI, icons, and social media assets.

ASoudy/AGS

CRITICAL: Use for Makepad animation system. Triggers on: makepad animation, makepad animator, makepad hover, makepad state, makepad transition, "from: { all: Forward", makepad pressed, makepad 动画, makepad 状态, makepad 过渡, makepad 悬停效果

ASoudy/AGS

Comprehensive patterns for Next.js 14+ App Router architecture, Server Components, and modern full-stack React development.

ASoudy/AGS

Next.js App Router principles. Server Components, data fetching, routing patterns.

ASoudy/AGS

Expert integration of Supabase Auth with Next.js App Router

ASoudy/AGS

React and Next.js 14+ application development with App Router, Server Components, TypeScript, Tailwind CSS, and modern frontend patterns.

ASoudy/AGS

Best practices for Remotion - Video creation in React

ASoudy/AGS

Generate walkthrough videos from Stitch projects using Remotion with smooth transitions, zooming, and text overlays

ASoudy/AGS

Seek and analyze video content using Memories.ai Large Visual Memory Model for persistent video intelligence

ASoudy/AGS

Writes complete, structured landing pages optimized for SEO ranking, AEO citation, and visitor conversion. Activate when the user wants to write or generate a landing page for a product, service, or offer.

ASoudy/AGS

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

Verwandte Skills