Was macht deep-research-skill?
Eine entscheidungsorientierte Deep-Research-Fertigkeit für OpenClaw / Codex Agent, die Aufgabenweiterleitung, Nachvollziehbarkeit von Beweisen, Zustandsprüfung, Gegenbeweisbeschränkungen und prüfbare Lieferung betont.
Eine entscheidungsorientierte Deep-Research-Fertigkeit für OpenClaw/Codex Agent, die Aufgabenweiterleitung, Nachvollziehbarkeit von Beweisen, Zustandsprüfung, Gegenbeweisbeschränkungen und prüfbare Lieferung betont.
Diese Fertigkeit ermöglicht es AI-Agenten (insbesondere OpenClaw und Codex), tiefgehende Recherchen durchzuführen, die auf Entscheidungsfindung ausgerichtet sind. Sie zeichnet sich durch eine klare Aufgabenweiterleitung (Task Routing) aus, bei der komplexe Forschungsanfragen in kleinere, handhabbare Teilaufgaben zerlegt und an spezialisierte Module weitergeleitet werden. Die Ergebnisse sind stets mit nachvollziehbaren Beweisen verknüpft, sodass jede Aussage auf ihre Quelle zurückgeführt werden kann. Ein besonderes Merkmal ist die aktuelle Zustandsprüfung (Current-State Verification), die sicherstellt, dass die Forschung auf dem neuesten Stand ist. Darüber hinaus werden Gegenbeweise explizit berücksichtigt, um die Robustheit der Schlussfolgerungen zu erhöhen. Die Endlieferung erfolgt in einem prüfbaren Format, das eine unabhängige Überprüfung der gesamten Argumentationskette ermöglicht. Diese Fertigkeit ist besonders nützlich für Szenarien, in denen fundierte, vertrauenswürdige und auditierbare Entscheidungen auf Basis umfassender Recherchen erforderlich sind.
npx skills add ShadyUnderLight/deep-research-skillInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Eine entscheidungsorientierte Deep-Research-Fertigkeit für OpenClaw / Codex Agent, die Aufgabenweiterleitung, Nachvollziehbarkeit von Beweisen, Zustandsprüfung, Gegenbeweisbeschränkungen und prüfbare Lieferung betont.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.