huytieu/COG-second-brain

COG Auto Research Skill

Wann anwenden

• Der Benutzer stellt eine strategische Frage, die tiefgehende Recherche erfordert
• Der Benutzer sagt "research", "auto-research", "investigate", "strategische Analyse", "tief eintauchen in [Thema]"
• Der Benutzer möchte Marktkräfte, Wettbewerbsdynamiken, Technologietrends oder strategische Optionen verstehen
• Der Benutzer benötigt eine evidenzbasierte Analyse mit echten Quellen zur Entscheidungsunterstützung

Inspiriert von Karpathys Autoresearch – jedoch für strategisches Denken statt ML-Training.

Agent-Modus-Erkennung

Prüfe agent_mode im Frontmatter von 00-inbox/MY-PROFILE.md:

• Bei agent_mode: team – verwende die vollständige parallele Agenten-Ausführungsstrategie (5-7 Agenten). Diese Fähigkeit profitiert massiv vom Team-Modus.
• Bei agent_mode: solo – führe 2-3 sequenzielle Research-Durchgänge mit WebSearch/WebFetch durch, erstelle eine leichtere Analyse ohne die vollständige Multithread-Struktur.

Befehl: /auto-research

Eingabe

Der Benutzer gibt eine strategische Frage oder ein Thema als Befehlsargument an. Beispiele:

• „Wenn Foundation Models sich kommoditisieren, was passiert mit LLM-Wrapper-Unternehmen wie Katalon/Scout?“
• „Zukunft der Testbranche, während KI-Fähigkeiten expandieren“
• „Sollten wir für unsere KI-Ebene bauen, kaufen oder eine Partnerschaft eingehen?“
• „Welche strategischen Optionen hat Scout, wenn OpenAI ein Testprodukt auf den Markt bringt?“

---

Ausführungsstrategie

Phase 1: Fragezerlegung (Orchestrator – 2 Minuten)

Zerlege die strategische Frage des Benutzers in 5-7 Recherchestränge, die zusammen eine umfassende Antwort liefern. Jeder Strang sollte:

• Unabhängig – kann parallel recherchiert werden
• Spezifisch – hat ein klares Rechercheziel
• Komplementär – deckt zusammen die gesamte strategische Landschaft ab

Zerlegungsrahmen:

1. Marktkräfte – welche Makrotrends treiben diese Frage?
2. Historischer Präzedenzfall – hat sich dieses Muster bereits in anderen Branchen abgespielt?
3. Akteursanalyse – wer sind die Hauptakteure und was tun sie?
4. Technologieverlauf – wohin entwickelt sich die zugrunde liegende Technologie?
5. Kundenverhalten – was wollen/tun die Endbenutzer eigentlich?
6. Wirtschaftsmodell – wie sind die Unit Economics und die Wertschöpfungsdynamik?
7. Aufkommende Technologien und Architekturen – welche Konzepte, Projekte oder Frameworks sind noch in Entwicklung/Diskussion (vor dem Mainstream), die grundlegend sein könnten? Recherchiere Open-Source-Projekte, Forschungspapiere, GitHub-Repos, Discord-/Forum-Diskussionen, Konferenzvorträge und frühe Tools, die relevant sind. Beispiele: neuartige Agentenarchitekturen, neue Testparadigmen, experimentelle Frameworks. Diese haben möglicherweise keine ausgefeilten Dokumentationen – lies READMEs, GitHub Issues, Twitter/X-Threads, Blogbeiträge von Entwicklern und akademische Preprints.
8. Konträre Sichtweise – was ist das stärkste Argument gegen den Konsens?

Nicht alle Stränge sind für jede Frage relevant. Wähle die 5-7 relevantesten aus. Strang 7 (Aufkommende Technologien) sollte IMMER enthalten sein – der Benutzer möchte ausdrücklich Konzepte im Auge behalten, die noch nicht im Mainstream sind.

Vor dem Starten der Agenten:

1. Lies relevante Dateien aus der Wissensbasis für vorhandenen Kontext:
   • 05-knowledge/ für vorhandene Frameworks und mentale Modelle
   • 04-projects/ für projektspezifischen Kontext, falls relevant
   • Aktuelle Braindumps für das vorhandene Denken des Benutzers zu diesem Thema
2. Teile die Zerlegung dem Benutzer mit, damit er vor dem Start der Agenten Korrekturen vornehmen kann

Phase 2: Parallele Tiefenrecherche (Starte 5-7 Agenten gleichzeitig)

KRITISCH: Starte ALLE Agenten in einer einzigen Nachricht. Verwende run_in_background: true für alle Agenten.

Jeder Agent erhält eine detaillierte Eingabeaufforderung nach folgender Vorlage:

Du bist ein strategischer Forschungsanalyst, der einen bestimmten Strang einer größeren strategischen Frage untersucht.

HAUPTFRAGE: [ursprüngliche Frage des Benutzers]
DEIN STRANG: [spezifischer Recherchestrang]
VORHANDENER KONTEXT: [relevanter Kontext aus der Wissensbasis]

FORSCHUNGSMETHODIK:
1. WebSearch für 8-12 hochwertige Quellen (priorisiere: Forschungsberichte, Expertenanalysen, Unternehmenseinreichungen, akademische Arbeiten, Branchenpublikationen – KEINE Listicles oder oberflächlichen Blogbeiträge)
2. Für jede gefundene Quelle: WebFetch, um den vollständigen Inhalt zu lesen und Kernargumente, Datenpunkte und Frameworks zu extrahieren
3. Suche nach WIDERSPRÜCHLICHEN Standpunkten – bestätige nicht nur eine Erzählung
4. Identifiziere spezifische Datenpunkte, Statistiken und konkrete Beispiele
5. Notiere die Glaubwürdigkeit und mögliche Verzerrung jeder Quelle
6. FÜR AUFKOMMENDE TECHNOLOGIESTRÄNGE: Gehe über polierte Quellen hinaus. Durchsuche GitHub-Repos (README, Issues, Discussions), Twitter/X-Threads von Entwicklern, Discord-/Forum-Diskussionen, Zusammenfassungen von Konferenzvorträgen, arXiv-Preprints und frühe Blogbeiträge. Ziel ist es, Konzepte aufzuspüren, die vor dem Mainstream liegen, aber technisch vielversprechend sind. Bewerte für jedes gefundene Konzept: Reifegrad, technischer Ansatz, Relevanz für den Anwendungsfall des Benutzers und was für eine Integration/Übernahme erforderlich wäre.

AUSGABEFORMAT (gib ALLES davon zurück):

## Strang: [Strangname]

### Wichtigste Erkenntnisse (3-5 Aufzählungspunkte)
- Erkenntnis mit Quellenangabe

### Belege und Datenpunkte
- Spezifische Statistiken, Marktdaten, Beispiele mit Quellen

### Experten-/bemerkenswerte Perspektiven
- Benannte Perspektiven von glaubwürdigen Stimmen

### Auswirkungen auf [Kontext des Benutzers]
- Was dies speziell für die Situation des Benutzers bedeutet

### Sicherheitsgrad
- HOCH / MITTEL / NIEDRIG mit Begründung

### Quellen
- Nummerierte Liste der tatsächlich konsultierten URLs

Benennungskonvention für Agenten: research-[strang-slug] (z. B. research-market-forces, research-historical-precedent)

Phase 3: Synthese (Orchestrator – nachdem alle Agenten fertig sind)

Sobald alle Agenten zurückgekehrt sind, synthetisiere in ein einziges strategisches Analysedokument:

Dokumentstruktur:

---
type: strategic-research
domain: [automatisch erkennen aus der Frage]
date: YYYY-MM-DD
question: "[ursprüngliche Frage]"
threads: [Liste der Recherchestränge]
confidence: [Gesamtsicherheitsgrad HOCH/MITTEL/NIEDRIG]
tags:
  - auto-research
  - strategy
  - [Themen-Tags]
status: complete
---

# [Strategische Frage als Titel]

## Zusammenfassung
3-5 Sätze, die die Kernaussage erfassen. Beginne mit der Antwort, nicht mit dem Prozess.

## Die strategische Landschaft
Synthetisierte Sichtweise über alle Recherchestränge hinweg. Keine Strang-für-Strang-Auflistung – verwebe die Ergebnisse zu einer kohärenten Erzählung.

## Wesentliche Kräfte im Spiel
Die 3-4 wichtigsten Dynamiken, die diese Frage bestimmen, mit Belegen aus mehreren Strängen.

## Szenarien
### Szenario A: [Am wahrscheinlichsten] – X% Wahrscheinlichkeit
Was passiert, Zeitplan, Auswirkungen

### Szenario B: [Optimistisch/Alternativ]
Was passiert, Zeitplan, Auswirkungen

### Szenario C: [Schlimmster Fall/Störung]
Was passiert, Zeitplan, Auswirkungen

## Aufkommende Technologien und Architekturen, die man beobachten sollte
Konzepte, Projekte und Frameworks, die sich noch in Entwicklung/Diskussion befinden, aber grundlegend sein könnten. Für jedes:
- **Was es ist:** Ein-Absatz-Erklärung
- **Reifegrad:** Pre-Alpha / Alpha / Frühe Einführung / Wachsende Community
- **Technischer Ansatz:** Wie es architektonisch funktioniert
- **Relevanz für unseren Anwendungsfall:** Warum es speziell für uns wichtig ist
- **Integrationspfad:** Was für eine Integration/Übernahme erforderlich wäre – Aufwand, Risiken, Abhängigkeiten
- **Wichtige Links:** GitHub-Repo, Paper, Diskussionsthread

## Strategische Optionen
Für jede Option:
- **Beschreibung:** Was dies konkret bedeutet
- **Vorteile:** Mit Belegen
- **Nachteile:** Mit Belegen
- **Voraussetzungen:** Was muss wahr sein
- **Zeitplan:** Wann entscheiden/handeln
- **Nutzung aufkommender Technologien:** Welche aufkommenden Konzepte von oben könnten diese Option stärken

## Empfohlene Maßnahmen
Priorisierte, konkrete, zeitgebundene Aktionspunkte. Nicht vage „X in Betracht ziehen“ – spezifisch „X bis Y tun, weil Z.“
Füge einen separaten Unterabschnitt „Technologie-Wetten“ hinzu: mit welchen aufkommenden Projekten jetzt experimentiert werden sollte, auch wenn sie noch nicht produktionsreif sind.

## Konträre Sichtweise
Das stärkste Argument gegen den Konsens/den empfohlenen Weg. Was könnte all dies falsch machen?

## Sicherheit und Lücken
- Worüber wir sicher sind und warum
- Was wir nicht ermitteln konnten und welche zusätzliche Recherche helfen würde
- Wichtige Annahmen, die überwacht werden sollten

## Quellen
Konsolidierte, deduplizierte Liste aller Quellen aus allen Strängen.

Phase 4: Speichern und Ausliefern

1. Speichere die vollständige Analyse unter 05-knowledge/research/YYYY-MM-DD-[slug].md
2. Wenn die Analyse lang ist (>3000 Wörter), erstelle auch eine kurze 1-Seiten-Zusammenfassung unter 05-knowledge/research/YYYY-MM-DD-[slug]-summary.md
3. Präsentiere die Zusammenfassung + Empfohlenen Maßnahmen dem Benutzer direkt im Chat

---

Qualitätsstandards

• Keine halluzinierten Quellen. Jede Behauptung muss auf ein echtes WebSearch/WebFetch-Ergebnis zurückgehen.
• Aktualität ist wichtig. Priorisiere Quellen aus den letzten 6 Monaten. Kennzeichne alles Ältere.
• Verzerrungsbewusstsein. Notiere, wenn Quellen offensichtliche kommerzielle Anreize haben.
• Spezifität vor Allgemeinheit. „Der Markt für Testtools beträgt XX,X Mrd. USD und wächst mit einer CAGR von YY%“ ist besser als „der Markt wächst“.
• Handlungsorientierung. Die Ausgabe sollte dem Benutzer helfen, eine Entscheidung zu treffen, nicht nur ein Thema zu verstehen.
• Intellektuelle Ehrlichkeit. Wenn die Forschung nicht schlüssig ist, sag es. Erzeuge keine falsche Sicherheit.

Beispielzerlegung

Frage: „Wenn generische LLM-Modelle mit der Zeit besser werden, wie sieht die Zukunft für LLM-Wrapper-Unternehmen wie Katalon oder Scout aus?“

Stränge:

1. Foundation-Modell-Verlauf – Wie schnell verbessern sich GPT/Claude/Gemini bei Codeverständnis, Testgenerierung, Fehlererkennung? Wie sieht die Fähigkeitskurve aus?
2. Historischer Präzedenzfall: Plattform-Kommoditisierung – Was ist mit Unternehmen passiert, die auf AWS, iOS, Salesforce usw. aufgebaut haben, als die Plattform ihre Funktionen absorbiert hat? Wer hat überlebt und warum?
3. Struktur der Testbranche – Aktuelle Marktkarte, Wertschöpfungskette, wo die Marge lebt, wofür Käufer tatsächlich bezahlen
4. Wrapper-Unternehmensstrategien – Wie passen sich aktuelle KI-Wrapper-Unternehmen (Jasper, Copy.ai, Cursor usw.) an? Was funktioniert?
5. Einkaufsverhalten von Unternehmen – Kaufen Unternehmen „KI“ oder kaufen sie „Lösungen“? Wie sieht die Beschaffungsrealität aus?
6. Aufkommende Technologien und Architekturen – Welche vor dem Mainstream liegenden Konzepte könnten die Landschaft neu gestalten? (z. B. neuartige Agentenframeworks, neue Testparadigmen, Computer-Use-Agenten, Browser-Automatisierungsarchitekturen). Durchsuche GitHub-Repos, arXiv, Twitter/X-Builder-Threads, Discord-Communities, Konferenzvorträge.
7. Verteidigungsanalyse – Welche Burggräben gibt es für test-spezifische KI-Unternehmen? Daten, Workflow, Integration, Marke, Wechselkosten?
8. Konträr: Wrapper gewinnen – Argumente dafür, warum vertikale KI-Unternehmen an Wert gewinnen könnten, wenn Modelle sich kommoditisieren

Laufzeiterwartungen

• Phase 1: ~2 Minuten (Zerlegung + Benutzerbestätigung)
• Phase 2: ~5-10 Minuten (parallele Recherche, der längste Agent bestimmt die Gesamtzeit)
• Phase 3: ~3-5 Minuten (Synthese)
• Gesamt: ~10-15 Minuten für eine umfassende strategische Analyse

Fehlerbehandlung

• Wenn ein Recherchestrang Ergebnisse von geringer Qualität liefert, vermerke dies in der Synthese, anstatt Tiefe zu erfinden
• Wenn WebSearch/WebFetch für einen Strang fehlschlägt, wiederhole einmal mit alternativen Suchbegriffen und dokumentiere dann die Lücke
• Der Benutzer kann während Phase 2 eingreifen, um die Richtung zu ändern oder Stränge hinzuzufügen
• Die Fähigkeit kann mehrmals zu verwandten Fragen ausgeführt werden – verweise auf frühere Recherchedateien aus 05-knowledge/research/

Rückfallverhalten

Diese Fähigkeit erfordert WebSearch- und WebFetch-Tools. Falls diese nicht verfügbar sind:

• Falle zurück auf eine reine Wissensbasis-Analyse unter Verwendung vorhandener 05-knowledge/-Inhalte
• Gib klar an, dass keine Live-Webrecherche durchgeführt wurde
• Empfehle dem Benutzer, die Fähigkeit erneut auszuführen, wenn Web-Tools verfügbar sind