深層リサーチスキル
概要
このスキルは、徹底的なWebリサーチを実施するための体系的な手法を提供します。コンテンツ生成タスクを開始する前に、このスキルをロードして、複数の角度、深さ、情報源から十分な情報を確実に収集してください。
このスキルを使用すべきタイミング
以下の場合には必ずこのスキルをロードしてください:
リサーチに関する質問
- ユーザーが「Xとは何か」「Xを説明して」「Xについて調べて」「Xを調査して」と尋ねた場合
- ユーザーが概念、技術、トピックを深く理解したい場合
- 最新の包括的な情報を複数の情報源から必要とする場合
- 単一のWeb検索では適切に回答できない場合
コンテンツ生成（事前リサーチ）
- プレゼンテーション（PPT/スライド）の作成
- フロントエンドデザインやUIモックアップの作成
- 記事、レポート、ドキュメントの執筆
- 動画やマルチメディアコンテンツの制作
- 実世界の情報、事例、最新データを必要とするあらゆるコンテンツ
基本原則
一般的な知識のみに基づいてコンテンツを生成してはいけません。 出力の品質は、事前に実施されたリサーチの質と量に直接依存します。単一の検索クエリでは決して十分ではありません。
リサーチ手法
フェーズ1: 広範な探索
状況を把握するために、広範な検索から始めます:
- 初期調査: メイントピックを検索し、全体的なコンテキストを理解する
- 側面の特定: 初期の結果から、より深い探索を必要とする主要なサブトピック、テーマ、角度、側面を特定する
- 領域のマッピング: 存在する異なる視点、ステークホルダー、見解に注目する
例:
トピック: 「医療におけるAI」
初期検索:
- 「AI 医療 応用 2024」
- 「人工知能 医療診断」
- 「医療AI 市場 動向」
特定された側面:
- 診断AI（放射線科、病理学）
- 治療推奨システム
- 管理業務の自動化
- 患者モニタリング
- 規制環境
- 倫理的考察
フェーズ2: 深掘り
特定した重要な側面ごとに、対象を絞ったリサーチを実施します:
- 具体的なクエリ: 各サブトピックに正確なキーワードを使用して検索する
- 複数の言い回し: 異なるキーワードの組み合わせや言い回しを試す
- 全文の取得:
web_fetchを使用して、スニペットだけでなく重要な情報源を全文読む - 参考文献の追跡: 情報源が他の重要なリソースに言及している場合、それらも検索する
例:
側面: 「放射線科における診断AI」
対象を絞った検索:
- 「AI 放射線科 FDA承認システム」
- 「胸部X線 AI検出精度」
- 「放射線科 AI 臨床試験結果」
その後、以下を取得して読む:
- 主要な研究論文またはサマリー
- 業界レポート
- 実世界のケーススタディ
フェーズ3: 多様性と検証
多様な情報タイプを求めて、包括的なカバレッジを確保します:
| 情報タイプ | 目的 | 検索例 |
|---|---|---|
| 事実とデータ | 具体的な証拠 | 「統計」「データ」「数字」「市場規模」 |
| 事例とケース | 実世界の応用 | 「ケーススタディ」「事例」「実装」 |
| 専門家の意見 | 権威ある視点 | 「専門家分析」「インタビュー」「解説」 |
| トレンドと予測 | 将来の方向性 | 「2024年のトレンド」「予測」「将来」 |
| 比較 | コンテキストと代替案 | 「vs」「比較」「代替案」 |
| 課題と批判 | バランスの取れた見解 | 「課題」「限界」「批判」 |
フェーズ4: 統合チェック
コンテンツ生成に進む前に、以下を確認します:
- 少なくとも3～5つの異なる角度から検索しましたか？
- 最も重要な情報源を取得し、全文を読みましたか？
- 具体的なデータ、事例、専門家の視点を得ましたか？
- 肯定的な側面と課題/限界の両方を探索しましたか？
- 情報は最新で、権威ある情報源からのものですか？
いずれかの答えが「いいえ」の場合、コンテンツを生成する前にリサーチを続けてください。
検索戦略のヒント
効果的なクエリパターン
# コンテキストを具体的に
❌ 「AIトレンド」
✅ 「企業のAI導入トレンド2024」
# 権威ある情報源のヒントを含める
「[トピック] 研究論文」
「[トピック] McKinseyレポート」
「[トピック] 業界分析」
# 特定のコンテンツタイプを検索する
「[トピック] ケーススタディ」
「[トピック] 統計」
「[トピック] 専門家インタビュー」
# 時間修飾子を使用する — 必ず <current_date> から実際の現在年を使用する
「[トピック] 2026」 # ← 実際の現在年に置き換え、過去の年をハードコードしない
「[トピック] 最新」
「[トピック] 最近の動向」
時間認識
検索クエリを形成する前に、必ずコンテキスト内の <current_date> を確認してください。
<current_date> は完全な日付（年、月、日、曜日。例: 2026-02-28、土曜日）を提供します。ユーザーが求めている内容に応じて、適切な精度レベルを使用してください:
| ユーザーの意図 | 必要な時間精度 | クエリ例 |
|---|---|---|
| 「今日 / 今朝 / リリースされたばかり」 | 月 + 日 | 「テクノロジーニュース 2026年2月28日」 |
| 「今週」 | 週の範囲 | 「2026年2月24日の週の技術リリース」 |
| 「最近 / 最新 / 新しい」 | 月 | 「2026年2月のAI画期的成果」 |
| 「今年 / トレンド」 | 年 | 「2026年のソフトウェアトレンド」 |
ルール:
- ユーザーが「今日」や「リリースされたばかり」について尋ねた場合、検索クエリには月 + 日 + 年を使用して、当日の結果を取得する
- 日単位の精度が必要な場合に年のみにダウングレードしない —
「テクノロジーニュース 2026」では今日のニュースは得られない - 複数の言い回しを試す: 数値形式 (
2026-02-28)、文章形式 (2026年2月28日)、相対表現 (今日,今週) を異なるクエリで使用する
❌ ユーザーが「今日のテクノロジーの新着情報は？」と尋ねた場合 → 「新しい技術 2026」を検索 → 今日のニュースを見逃す
✅ ユーザーが「今日のテクノロジーの新着情報は？」と尋ねた場合 → 「新しい技術 2026年2月28日」 + 「今日のテクノロジーニュース 2月28日」を検索 → 今日の結果を得る
web_fetch を使用すべきタイミング
以下の場合に web_fetch を使用して全文を読みます:
- 検索結果が非常に関連性が高く、権威があるように見える場合
- スニペット以上の詳細情報が必要な場合
- 情報源にデータ、ケーススタディ、専門家分析が含まれている場合
- 調査結果の全体的なコンテキストを理解したい場合
反復的な洗練
リサーチは反復的です。最初の検索後:
- 学んだ内容を確認する
- 理解におけるギャップを特定する
- 新しい、より対象を絞ったクエリを策定する
- 包括的なカバレッジが得られるまで繰り返す
品質基準
以下の質問に自信を持って答えられる場合、リサーチは十分です:
- 主要な事実とデータポイントは何ですか？
- 具体的な実世界の例を2～3つ挙げられますか？
- 専門家はこのトピックについて何と言っていますか？
- 現在のトレンドと将来の方向性は何ですか？
- 課題や限界は何ですか？
- このトピックが今、関連性があり重要である理由は何ですか？
避けるべきよくある間違い
- ❌ 1～2回の検索でやめてしまう
- ❌ 全文を読まずに検索スニペットのみに頼る
- ❌ 多面的なトピックの一側面のみを検索する
- ❌ 矛盾する視点や課題を無視する
- ❌ 最新のデータが存在するのに古い情報を使用する
- ❌ リサーチが完了する前にコンテンツ生成を開始する
出力
リサーチ完了後、以下を備えている必要があります:
- 複数の角度からのトピックの包括的な理解
- 具体的な事実、データポイント、統計
- 実世界の例とケーススタディ
- 専門家の視点と権威ある情報源
- 現在のトレンドと関連するコンテキスト
その後にのみコンテンツ生成に進み、収集した情報を使用して高品質で十分な情報を得たコンテンツを作成します。