Communitygithub.com

research-ops

Workflow de recherche basé sur des preuves pour obtenir des faits actuels, des comparaisons, des enrichissements ou des recommandations à partir de preuves publiques et du contexte local fourni.

Qu'est-ce que research-ops ?

Research Ops est un opérateur de workflow qui orchestre la pile de recherche d'un dépôt ECC. Il ne remplace pas les compétences spécialisées comme `deep-research`, `exa-search` ou `market-research`, mais indique quand et comment les utiliser ensemble. Il est conçu pour être utilisé lorsqu'un utilisateur demande des informations actuelles, des comparaisons, un enrichissement de personnes ou d'entreprises, ou lorsqu'il souhaite transformer des recherches récurrentes en un workflow automatisé. Le flux de travail commence par normaliser les preuves fournies par l'utilisateur, puis classifie la demande, choisit la voie de recherche la plus légère possible (en commençant par `exa-search` pour une découverte rapide, puis en escaladant vers `deep-research` ou `market-research` si nécessaire), et enfin produit un rapport avec des limites explicites entre faits sourcés, contexte utilisateur, inférences et recommandations. Il évite de répondre à partir de connaissances obsolètes lorsque des recherches fraîches sont peu coûteuses, et recommande de transformer les tâches récurrentes en monitoring plutôt que de répéter des recherches manuelles.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/research-ops
Voir l'original→Voir toutes les compétences

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Documentation

Research Ops

Utilisez ceci lorsque l'utilisateur demande une recherche sur un sujet actuel, des comparaisons, un enrichissement de personnes ou d'entreprises, ou pour transformer des recherches récurrentes en un workflow automatisé.

Il s'agit de l'opérateur enveloppant autour de la pile de recherche du dépôt. Ce n'est pas un remplacement pour deep-research, exa-search ou market-research ; il vous indique quand et comment les utiliser ensemble.

Pile de Compétences

Intégrez ces compétences natives d'ECC dans le workflow si pertinent :

  • exa-search pour une découverte rapide sur le web actuel
  • deep-research pour une synthèse multi-sources avec citations
  • market-research lorsque le résultat final doit être une recommandation ou une décision classée
  • lead-intelligence lorsque la tâche cible des personnes/entreprises au lieu d'une recherche générique
  • knowledge-ops lorsque le résultat doit être stocké dans un contexte durable par la suite

Quand Utiliser

  • l'utilisateur dit "recherche", "chercher", "comparer", "à qui devrais-je parler", ou "quelles sont les dernières nouvelles"
  • la réponse dépend d'informations publiques actuelles
  • l'utilisateur a déjà fourni des preuves et souhaite qu'elles soient intégrées dans une nouvelle recommandation
  • la tâche peut être suffisamment récurrente pour devenir un monitoring plutôt qu'une recherche ponctuelle

Garde-fous

  • ne répondez pas à des questions actuelles à partir d'une mémoire obsolète alors qu'une recherche récente est peu coûteuse
  • séparez :
    • fait sourcé
    • preuve fournie par l'utilisateur
    • inférence
    • recommandation
  • ne lancez pas une recherche lourde si la réponse se trouve déjà dans le code ou la documentation locale

Workflow

1. Partez de ce que l'utilisateur vous a déjà donné

Normalisez tout matériel fourni en :

  • faits déjà prouvés
  • éléments à vérifier
  • questions ouvertes

Ne recommencez pas l'analyse à zéro si l'utilisateur a déjà construit une partie du modèle.

2. Classez la demande

Choisissez la bonne voie avant de chercher :

  • réponse factuelle rapide
  • comparaison ou note de décision
  • passe d'enrichissement/de prospection
  • candidat pour un monitoring récurrent

3. Empruntez d'abord la voie de preuve la plus légère

  • utilisez exa-search pour une découverte rapide
  • montez à deep-research lorsque la synthèse ou plusieurs sources sont importantes
  • utilisez market-research lorsque le résultat doit aboutir à une recommandation
  • passez à lead-intelligence lorsque la demande réelle est un classement de cibles ou une découverte de voie chaude

4. Rapportez avec des limites de preuve explicites

Pour les affirmations importantes, dites si elles sont :

  • des faits sourcés
  • du contexte fourni par l'utilisateur
  • une inférence
  • une recommandation

Les réponses sensibles à la fraîcheur doivent inclure des dates concrètes.

5. Décidez si la tâche doit rester manuelle

Si l'utilisateur est susceptible de poser la même question de recherche de manière répétée, dites-le explicitement et recommandez une couche de monitoring ou de workflow au lieu de répéter indéfiniment la même recherche manuelle.

Format de Sortie

TYPE DE QUESTION
- factuel / comparaison / enrichissement / monitoring

PREUVES
- faits sourcés
- contexte fourni par l'utilisateur

INFÉRENCE
- ce qui découle des preuves

RECOMMANDATION
- réponse ou prochaine action
- si cela devrait devenir un monitoring

Pièges

  • ne mélangez pas l'inférence dans les faits sourcés sans l'indiquer
  • n'ignorez pas les preuves fournies par l'utilisateur
  • n'utilisez pas une voie de recherche lourde pour une question à laquelle le contexte local du dépôt peut répondre
  • ne donnez pas de réponses sensibles à la fraîcheur sans dates

Vérification

  • les affirmations importantes sont étiquetées par type de preuve
  • les sorties sensibles à la fraîcheur incluent des dates
  • la recommandation finale correspond au mode de recherche réellement utilisé

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.

Skills associés

steipete/video-frames

Extract frames or short clips from videos using ffmpeg.

community

steipete/summarize

Summarize or transcribe URLs, YouTube/videos, podcasts, articles, transcripts, PDFs, and local files.

community

openclaw/openclaw

Use when testing, fixing, or extending the OpenClaw Control UI GUI with Vitest + Playwright end-to-end checks, mocked Gateway WebSocket flows, mocked dashboard runs, screenshots/videos, or agent-verifiable browser proof.

community

obra/superpowers

Obra superpowers agent skills.

community

affaan-m/ECC

See, Understand, Act on video and audio. See- ingest from local files, URLs, RTSP/live feeds, or live record desktop; return realtime context and playable stream links. Understand- extract frames, build visual/semantic/temporal indexes, and search moments with timestamps and auto-clips. Act- transcode and normalize (codec, fps, resolution, aspect ratio), perform timeline edits (subtitles, text/image overlays, branding, audio overlays, dubbing, translation), generate media assets (image, audio...

community

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

community