Communitygithub.com

research-ops

Fluxo de trabalho de pesquisa do estado atual baseado em evidências para ECC. Use quando o usuário quiser fatos atualizados, comparações, enriquecimento ou uma recomendação construída a partir de evidências públicas atuais e qualquer contexto local fornecido.

O que é research-ops?

Research Ops é um operador que orquestra o uso de várias habilidades de pesquisa do repositório ECC, como exa-search, deep-research, market-research, lead-intelligence e knowledge-ops. Ele não substitui essas habilidades, mas determina quando e como combiná-las para responder perguntas que exigem informações públicas atuais. O workflow classifica a solicitação do usuário (fato rápido, comparação, enriquecimento, monitoramento), começa pela via de evidência mais leve (exa-search para descoberta rápida) e escala conforme necessário (deep-research para síntese, market-research para recomendações, lead-intelligence para targeting de pessoas/empresas). O resultado sempre separa explicitamente fatos com fontes, contexto do usuário, inferências e recomendações, incluindo datas para respostas sensíveis à atualidade, e sugere a criação de um monitoramento contínuo para perguntas recorrentes.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/research-ops

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Research Ops

Use isso quando o usuário pedir para pesquisar algo atual, comparar opções, enriquecer pessoas ou empresas, ou transformar consultas repetidas em um fluxo monitorado.

Este é o operador encapsulador da pilha de pesquisa do repositório. Não substitui deep-research, exa-search ou market-research; ele informa quando e como usá-los juntos.

Pilha de Habilidades

Incorpore estas habilidades nativas do ECC ao fluxo quando relevante:

  • exa-search para descoberta rápida na web atual
  • deep-research para síntese de múltiplas fontes com citações
  • market-research quando o resultado final deve ser uma recomendação ou decisão ranqueada
  • lead-intelligence quando a tarefa é direcionamento de pessoas/empresas em vez de pesquisa genérica
  • knowledge-ops quando o resultado deve ser armazenado em contexto durável posteriormente

Quando Usar

  • o usuário diz "pesquise", "procure", "compare", "com quem devo falar" ou "qual é o mais recente"
  • a resposta depende de informações públicas atuais
  • o usuário já forneceu evidências e deseja que elas sejam consideradas em uma nova recomendação
  • a tarefa pode ser recorrente o suficiente para se tornar um monitor em vez de uma consulta única

Salvaguardas

  • não responda perguntas atuais com memória desatualizada quando uma pesquisa rápida for barata
  • separe:
    • fato com fonte
    • evidência fornecida pelo usuário
    • inferência
    • recomendação
  • não inicie um processo de pesquisa pesado se a resposta já estiver no código ou documentação local

Fluxo de Trabalho

1. Comece pelo que o usuário já lhe deu

Normalize qualquer material fornecido em:

  • fatos já evidenciados
  • precisa de verificação
  • perguntas em aberto

Não recomece a análise do zero se o usuário já construiu parte do modelo.

2. Classifique a solicitação

Escolha a via correta antes de pesquisar:

  • resposta factual rápida
  • comparação ou memorando de decisão
  • passagem de enriquecimento/lead
  • candidato a monitoramento recorrente

3. Siga primeiro o caminho de evidência mais leve e útil

  • use exa-search para descoberta rápida
  • escale para deep-research quando síntese ou múltiplas fontes importarem
  • use market-research quando o resultado deve terminar em uma recomendação
  • passe para lead-intelligence quando a verdadeira solicitação for ranqueamento de alvos ou descoberta de caminhos quentes

4. Relate com limites explícitos de evidência

Para afirmações importantes, diga se são:

  • fatos com fonte
  • contexto fornecido pelo usuário
  • inferência
  • recomendação

Respostas sensíveis à atualidade devem incluir datas concretas.

5. Decida se a tarefa deve permanecer manual

Se o usuário provavelmente fará a mesma pergunta de pesquisa repetidamente, diga isso explicitamente e recomende uma camada de monitoramento ou fluxo em vez de repetir a mesma pesquisa manual para sempre.

Formato de Saída

TIPO DE PERGUNTA
- factual / comparação / enriquecimento / monitoramento

EVIDÊNCIA
- fatos com fonte
- contexto fornecido pelo usuário

INFERÊNCIA
- o que decorre das evidências

RECOMENDAÇÃO
- resposta ou próximo passo
- se isso deve se tornar um monitor

Armadilhas

  • não misture inferência em fatos com fonte sem rotulá-la
  • não ignore evidências fornecidas pelo usuário
  • não use uma via de pesquisa pesada para uma pergunta que o contexto do repositório local pode responder
  • não dê respostas sensíveis à atualidade sem datas

Verificação

  • afirmações importantes são rotuladas por tipo de evidência
  • saídas sensíveis à atualidade incluem datas
  • a recomendação final corresponde ao modo de pesquisa realmente usado

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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

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.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Habilidades Relacionadas