Communitygithub.com

research-ops

Ein evidenzbasierter Workflow für aktuelle Recherchen, Vergleiche und Empfehlungen, der frische öffentliche Informationen mit bereitgestelltem lokalen Kontext kombiniert.

Was ist research-ops?

Research Ops ist ein operativer Wrapper, der die ECC-eigenen Recherche-Fähigkeiten orchestriert. Es ersetzt nicht `deep-research`, `exa-search` oder `market-research`, sondern gibt Anweisungen, wann und wie diese zusammen verwendet werden sollen. Der Skill wird aktiviert, wenn der Benutzer nach aktuellen Fakten, Vergleichen, Personen- oder Unternehmensanreicherungen oder wiederholten Recherchen fragt. Er unterstützt Plattformen wie Claude Code (ECC) und stellt sicher, dass Antworten stets auf frischen öffentlichen Daten basieren, lokaler Kontext berücksichtigt wird und klare Grenzen zwischen belegten Fakten, Benutzerkontext, Schlussfolgerungen und Empfehlungen gezogen werden. Der Workflow beginnt mit der Normalisierung vorhandener Informationen, gefolgt von einer Klassifizierung der Anfrage und der Auswahl des leichtesten passenden Recherchepfads (z. B. `exa-search` für schnelle Fakten, `deep-research` für Synthesen, `market-research` für Empfehlungen). Am Ende wird entschieden, ob die Aufgabe als einmalige Recherche behandelt oder in einen überwachten Workflow überführt werden sollte.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/research-ops

In Ihrer bevorzugten KI fragen

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

Dokumentation

Research Ops

Verwenden Sie dies, wenn der Benutzer bittet, etwas Aktuelles zu recherchieren, Optionen zu vergleichen, Personen oder Unternehmen anzureichern oder wiederholte Nachfragen in einen überwachten Workflow umzuwandeln.

Dies ist der operative Wrapper um den Recherche-Stack des Repositorys. Es ersetzt nicht deep-research, exa-search oder market-research; es sagt Ihnen, wann und wie Sie diese zusammen verwenden.

Fertigkeiten-Stack

Beziehen Sie diese ECC-eigenen Fertigkeiten bei Bedarf in den Workflow ein:

  • exa-search für schnelle aktuelle Web-Entdeckungen
  • deep-research für mehrquellige Synthesen mit Quellenangaben
  • market-research wenn das Endergebnis eine Empfehlung oder eine bewertete Entscheidung sein soll
  • lead-intelligence wenn die Aufgabe die gezielte Ansprache von Personen/Unternehmen und nicht die allgemeine Recherche ist
  • knowledge-ops wenn das Ergebnis anschließend im dauerhaften Kontext gespeichert werden soll

Wann verwenden

  • Der Benutzer sagt „recherchiere", „schlage nach", „vergleiche", „mit wem sollte ich sprechen" oder „was gibt es Neues"
  • Die Antwort hängt von aktuellen öffentlichen Informationen ab
  • Der Benutzer hat bereits Belege geliefert und möchte, dass diese in eine frische Empfehlung einfließen
  • Die Aufgabe könnte wiederkehrend genug sein, um als Monitor statt als einmalige Nachfrage behandelt zu werden

Leitplanken

  • Aktuelle Fragen nicht aus veraltetem Gedächtnis beantworten, wenn eine frische Suche günstig ist
  • Trennen Sie:
    • belegte Fakten
    • vom Benutzer bereitgestellte Belege
    • Schlussfolgerungen
    • Empfehlungen
  • Starten Sie keine aufwändige Recherche, wenn die Antwort bereits im lokalen Code oder in der Dokumentation zu finden ist

Workflow

1. Beginnen Sie mit dem, was der Benutzer bereits gegeben hat

Normalisieren Sie alle gelieferten Materialien in:

  • bereits belegte Fakten
  • überprüfungsbedürftige Angaben
  • offene Fragen

Starten Sie die Analyse nicht von Null, wenn der Benutzer bereits Teile des Modells aufgebaut hat.

2. Klassifizieren Sie die Anfrage

Wählen Sie vor der Suche die richtige Kategorie:

  • schnelle Sachfrage
  • Vergleich oder Entscheidungsvorlage
  • Lead- / Anreicherungsdurchlauf
  • Kandidat für wiederkehrende Überwachung

3. Wählen Sie zuerst den leichtesten nützlichen Recherchepfad

  • Verwenden Sie exa-search für schnelle Entdeckungen
  • Eskalieren Sie zu deep-research, wenn Synthesen oder mehrere Quellen wichtig sind
  • Verwenden Sie market-research, wenn das Ergebnis in einer Empfehlung enden soll
  • Übergeben Sie an lead-intelligence, wenn die eigentliche Anfrage die Zielbewertung oder die Entdeckung warmer Pfade ist

4. Berichten Sie mit expliziten Evidenzgrenzen

Geben Sie bei wichtigen Behauptungen an, ob es sich um:

  • belegte Fakten
  • vom Benutzer bereitgestellten Kontext
  • Schlussfolgerungen
  • Empfehlungen

Antworten, bei denen Aktualität wichtig ist, sollten konkrete Daten enthalten.

5. Entscheiden Sie, ob die Aufgabe manuell bleiben soll

Wenn der Benutzer wahrscheinlich dieselbe Recherchefrage wiederholt stellen wird, sagen Sie dies explizit und empfehlen Sie eine Überwachungs- oder Workflow-Schicht, anstatt dieselbe manuelle Suche für immer zu wiederholen.

Ausgabeformat

FRAGENTYP
- sachlich / vergleich / anreicherung / überwachung

EVIDENZ
- belegte Fakten
- vom Benutzer bereitgestellter Kontext

SCHLUSSFOLGERUNG
- was aus der Evidenz folgt

EMPFEHLUNG
- Antwort oder nächster Schritt
- ob dies zu einem Monitor werden sollte

Fallstricke

  • Mischen Sie Schlussfolgerungen nicht ohne Kennzeichnung in belegte Fakten ein
  • Ignorieren Sie keine vom Benutzer bereitgestellten Belege
  • Verwenden Sie keinen schweren Recherchepfad für eine Frage, die der lokale Repo-Kontext beantworten kann
  • Geben Sie keine zeitkritischen Antworten ohne Angabe von Daten

Verifizierung

  • Wichtige Behauptungen sind nach Evidenztyp gekennzeichnet
  • Zeitkritische Ausgaben enthalten Daten
  • Die endgültige Empfehlung entspricht dem tatsächlich verwendeten Recherchemode

Individual skills in this repo

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

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills