Utilisez uniquement lorsque l'utilisateur dit explicitement 'recherche approfondie', 'exhaustif', 'rapport complet' ou 'investigation approfondie'. Plus lent et plus coûteux que parallel-web-search. Pour les demandes de recherche/consultation normales, utilisez parallel-web-search. Prend en charge plusieurs tours : passez --previous-interaction-id depuis une recherche ou un enrichissement antérieur pour continuer avec le contexte.
Cette compétence, parallel-web/parallel-deep-research, est un outil d'investigation avancé pour les agents IA, conçu pour mener des recherches approfondies et exhaustives. Contrairement à parallel-web-search, qui est plus adapté aux requêtes de recherche rapides, celle-ci doit être utilisée uniquement sur demande explicite de l'utilisateur avec des termes comme 'recherche approfondie' ou 'rapport complet', car elle est plus lente et plus coûteuse en ressources. Elle prend en charge les interactions multi-tours, permettant de passer un --previous-interaction-id provenant d'une recherche ou d'un enrichissement antérieur pour maintenir le contexte. Son objectif est de générer des rapports détaillés et complets, idéal pour les investigations poussées où une compréhension exhaustive est requise. Elle est conçue pour les plateformes d'agents comme Claude Code, Cursor ou Codex, et nécessite une configuration minimale, fonctionnant avec des variables d'environnement standard pour l'authentification et la gestion des clés API.
npx skills add https://github.com/parallel-web/parallel-agent-skills/tree/main/skills/parallel-deep-researchInstalled? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Utilisez uniquement lorsque l'utilisateur dit explicitement 'recherche approfondie', 'exhaustif', 'rapport complet' ou 'investigation approfondie'. Plus lent et plus coûteux que parallel-web-search. Pour les demandes de recherche/consultation normales, utilisez parallel-web-search. Prend en charge plusieurs tours : passez --previous-interaction-id depuis une recherche ou un enrichissement antérieur pour continuer avec le contexte.
This repo contains 8 individual skills — each has its own dedicated page.
Bulk data enrichment. Adds web-sourced fields (CEO names, funding, contact info) to lists of companies, people, or products. Use for enriching CSV files or inline data. Supports multi-turn: pass --previous-interaction-id from a prior research task to carry context forward.
Discover entities (companies, people, products, etc.) matching a natural-language description. Use when the user asks to 'find all X' or 'list every Y that…' — e.g., 'Find AI startups that raised Series A in 2026', 'List roofing companies in Charlotte NC', 'Show me YC W24 dev tools companies'. Different from web-search (which returns webpages) and deep-research (which returns a narrative report). Use this when the user wants a structured list of entities.
Continuously track the web for changes on a recurring cadence. Use when the user asks to 'monitor', 'track changes to', 'watch', or 'alert me when' something on the web changes — e.g., 'Track price changes for iPhone 16', 'Alert me when Tesla files a new 8-K', 'Monitor competitor pricing pages weekly'. Also use to list, inspect, update, or delete existing monitors.
URL content extraction. Use for fetching any URL - webpages, articles, PDFs, JavaScript-heavy sites. Token-efficient: runs in forked context. Prefer over built-in WebFetch.
DEFAULT for all research and web queries. Use for any lookup, research, investigation, or question needing current info. Fast and cost-effective. Only use parallel-deep-research if user explicitly requests 'deep' or 'exhaustive' research.
Get completed research task result by run ID
Set up the Parallel plugin (install CLI)
Check running research task status by run ID
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.