hashbulla/deep-research

O que deep-research faz?

Pesquisa multi-fonte de nível de inteligência como uma habilidade do Claude Code. Pipeline de 6 fases com suporte Tavily, classificação NATO Admiralty, fundamentação CRAG e execuções exaustivas de 100+ fontes calibradas para o Perplexity Deep Research.

Visão Geral

O hashbulla/deep-research é uma ferramenta de pesquisa automatizada que permite ao Claude Code realizar investigações profundas na web. Ele segue um processo estruturado em 6 fases:

1. Análise de Consulta - Compreensão e decomposição da pergunta do usuário
2. Geração de Consultas de Pesquisa - Criação de múltiplas consultas otimizadas para a API Tavily
3. Execução de Pesquisa - Execução simultânea de 100+ consultas em paralelo
4. Coleta e Avaliação de Fontes - Classificação de cada fonte com a classificação NATO Admiralty (A-F)
5. Fundamentação CRAG - Correção e verificação de informações usando geração aumentada por recuperação corretiva
6. Síntese e Relatório - Geração de um relatório final com citações e níveis de confiança

Pré-requisitos

• Claude Code instalado e configurado
• Chave de API Tavily (gratuita ou paga) configurada como variável de ambiente

Instalação

1. Adicione a habilidade ao seu projeto Claude Code:

   claude add skill hashbulla/deep-research
   

2. Configure a variável de ambiente TAVILY_API_KEY com sua chave de API Tavily:

   export TAVILY_API_KEY="sua_chave_aqui"
   

3. (Opcional) Ajuste as configurações de pesquisa no arquivo de configuração da habilidade.

Uso

Uma vez instalada, a habilidade pode ser acionada com comandos como:

• deep-research "o que são modelos de difusão em IA?"
• pesquisa-profunda "últimas inovações em computação quântica"

A habilidade guiará o Claude através do pipeline completo, retornando um relatório detalhado.

Exemplo de Saída

# Relatório de Pesquisa: Modelos de Difusão em IA

**Confiança Geral:** Alta (com base em 47 fontes avaliadas)

## Principais Descobertas

- Modelos de difusão geram dados amostrando de uma distribuição aprendida via processamento reverso de ruído.
- São amplamente usados em geração de imagens (ex.: DALL-E, Stable Diffusion) e áudio.
- A pesquisa recente foca em eficiência amostral e aplicações multimodais.

## Fontes Avaliadas

| Fonte | Classificação | Confiança |
|-------|---------------|-----------|
| artigo_academico_1.pdf | A | Muito Alta |
| blog_tecnologico.com | C | Média |
| post_forum.md | F | Não Confiável |

## Citações

1. Artigo Acadêmico: "Denoising Diffusion Probabilistic Models" (2020) [A]
2. Blog: "O Guia Prático para Difusão" [C]

Configuração

A habilidade pode ser configurada via arquivo YAML no diretório .claude/skills/deep-research/:

# config.yaml
max_sources: 150
min_confidence: "C"
tavily_search_depth: "advanced"
include_admiralty_grading: true
crag_correction_threshold: 0.8

Licença

MIT