O que Deep faz?
Pipeline de inteligência de documentos com foco local, com solucionador multiagente, pesquisa aprofundada, aprendizado guiado e memória persistente — alimentado pelo LM Studio.
Pipeline de inteligência de documentos com foco local, com solucionador multiagente, pesquisa aprofundada, aprendizado guiado e memória persistente — alimentado pelo LM Studio.
O shinshekai/Deep é uma pipeline de inteligência de documentos com foco local (local-first) que combina um solucionador multiagente, recursos de pesquisa aprofundada, aprendizado guiado e memória persistente. Projetado para desenvolvedores e usuários de agentes de IA que precisam processar, analisar e extrair conhecimento de grandes volumes de documentos sem depender de serviços em nuvem, ele utiliza o LM Studio como backend de inferência local. A ferramenta suporta múltiplos agentes especializados que colaboram para resolver tarefas complexas, como resumo, extração de entidades, resposta a perguntas e geração de insights. Sua memória persistente permite que o sistema aprenda com interações anteriores, oferecendo recomendações e contextos cada vez mais precisos. Ideal para cenários de pesquisa acadêmica, análise de contratos, preparação de relatórios e automação de fluxos de conhecimento, o Deep é compatível com o ecossistema de agentes como Claude Code e Cursor, garantindo flexibilidade e privacidade dos dados.
npx skills add shinshekai/DeepInstalled? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Pipeline de inteligência de documentos com foco local, com solucionador multiagente, pesquisa aprofundada, aprendizado guiado e memória persistente — alimentado pelo LM Studio.
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.