deep-research

Überblick über die deep-research-Skill

Die deep-research-Skill ist ein strukturierter Recherche-Workflow für Agenten, die ein Thema gründlich untersuchen, mehrere Quellen vergleichen und eine zusammengefasste Antwort mit Quellenangaben liefern sollen. Sie eignet sich besonders für Nutzer, die mehr als nur eine schnelle Zusammenfassung brauchen: Analysten, Autoren, Gründer, Studierende und operative Teams, die Web-Recherche betreiben und bei denen Quellenqualität sowie die Abdeckung unterschiedlicher Perspektiven zählen.

Wofür deep-research tatsächlich gedacht ist

Setze deep-research ein, wenn es nicht nur darum geht, „diese Frage zu beantworten“, sondern „diese Frage sauber zu recherchieren“. Die Skill zwingt einen Agenten dazu,

• das Rechercheziel zu präzisieren,
• das Thema in Teilfragen zu zerlegen,
• Informationen aus mehreren Perspektiven zu sammeln,
• Glaubwürdigkeit und Aktualität von Quellen zu bewerten,
• Erkenntnisse zu synthetisieren, statt nur Links aufzulisten,
• und eine Analyse mit Belegen zu liefern.

Dadurch passt sie besser als ein gewöhnlicher Prompt, wenn das Ergebnis nachvollziehbar, ausgewogen oder direkt für Entscheidungen nutzbar sein soll.

Geeignete Nutzer und Aufgaben

Die deep-research skill passt besonders gut zu:

• Markt- und Wettbewerbsanalysen,
• Übersichten zu Richtlinien oder Regulierung,
• Recherchen zu technischen Marktlandschaften,
• thematischen Zusammenfassungen im Stil einer Literaturübersicht,
• Due-Diligence für Gründer und Anbieterbewertungen,
• allen Web-Recherche-Aufgaben, bei denen Quellenangaben wichtig sind.

Weniger sinnvoll ist sie für einfache Faktensuche, kreatives Brainstorming oder Aufgaben, bei denen die zusammenzufassende Quellenbasis bereits exakt feststeht.

Was deep-research von einem generischen Prompt unterscheidet

Der wichtigste Unterschied ist die Prozessdisziplin. Statt das Modell einfach zu bitten, „Thema X zu recherchieren“, gibt deep-research eine wiederholbare Abfolge vor: Umfang klären, Blickwinkel definieren, Quellen sammeln, Qualität bewerten, dann synthetisieren. Das verbessert in der Regel:

• die Quellenvielfalt,
• die Abdeckung konkurrierender Sichtweisen,
• die Qualität der Zitation,
• und die Struktur der Antwort.

In der Praxis wollen Nutzer vor allem wissen, ob der Agent einen Bericht liefern kann, dem sie vertrauen und den sie weiterverwenden können. Genau auf dieses Ergebnis ist die Skill ausgelegt.

Was du vor der Installation prüfen solltest

Dieser Repository-Pfad ist schlank: Die Kernlogik steckt in SKILL.md, ohne zusätzliche Skripte, Regeln oder Referenzdateien im sichtbaren Tree. Das ist gut für einen schnellen Einstieg, bedeutet aber auch, dass du eher Prompt- und Workflow-Anleitungen als Tooling, Quellenpakete oder Automatisierungshelfer bekommst.

Wenn du einen sofort einsatzbereiten Crawler, eine Dataset-Pipeline oder ein eigenes Ranking-System suchst, ist deep-research allein wahrscheinlich zu minimal.

So verwendest du die deep-research-Skill

deep-research in einer Skills-fähigen Umgebung installieren

Wenn deine Agent-Runtime Skills unterstützt, installiere deep-research aus dem Repository:

npx skills add Shubhamsaboo/awesome-llm-apps --skill deep-research

Nach der Installation bindest du die Skill in deiner kompatiblen Agent-Umgebung ein oder rufst sie dort auf. Alles deutet auf eine Single-File-Skill hin, daher ist außer dem Hinzufügen und dem Bereitstellen von Webzugriff oder Quellenmaterial kaum Setup nötig.

Diese Datei solltest du zuerst lesen

Starte mit:

• awesome_agent_skills/deep-research/SKILL.md

Da hier keine weiteren Support-Dateien sichtbar sind, ist SKILL.md die maßgebliche Quelle für:

• den passenden Einsatzzeitpunkt der Skill,
• den Rechercheprozess,
• die Erwartungen an das Ergebnis,
• und die vorgesehene Denk- bzw. Arbeitsabfolge.

Welche Mindesteingaben deep-research braucht

Die deep-research usage wird deutlich besser, wenn du von Anfang an vier Dinge mitgibst:

1. die Forschungs- bzw. Recherchefrage,
2. den Zweck der Recherche,
3. die gewünschte Tiefe,
4. mögliche Prioritätswinkel oder Einschränkungen.

Schwache Eingabe:

• „Research AI chips.“

Stärkere Eingabe:

• „Research the AI chip market for enterprise inference in 2024–2025. Compare NVIDIA, AMD, Intel, and custom cloud accelerators. Focus on pricing signals, software ecosystem maturity, deployment constraints, and buyer switching costs. Deliver a cited executive summary for a CTO deciding whether to stay standardized on CUDA.”

Die zweite Version gibt der Skill einen klaren Umfang, einen belastbaren Vergleichsrahmen und einen konkreten Entscheidungskontext.

Aus einem groben Ziel ein brauchbares deep-research-Briefing machen

Ein guter deep-research guide beginnt damit, vage Absichten in konkrete Recherchedimensionen zu übersetzen. Bevor du die Skill ausführst, solltest du festlegen:

• Thema oder Entscheidung,
• Zeitraum,
• geografischen Fokus,
• Stakeholder-Perspektive,
• zwingend abzudeckende Unterthemen,
• gewünschtes Ausgabeformat,
• akzeptable Quellen,
• ausgeschlossene Blickwinkel.

Eine kompakte Vorlage:

• Objective: Welche Entscheidung oder welches Verständnis wird benötigt?
• Scope: Was gehört dazu, was nicht?
• Time range: Wie aktuell müssen die Quellen sein?
• Perspectives: Wessen Sichtweisen sollen verglichen werden?
• Deliverable: Summary, Memo, Tabelle oder Empfehlung?
• Citation expectation: Inline-Zitate, Quellenliste oder beides?

Das ist wichtig, weil die Skill explizit damit beginnt, die Forschungsfrage zu schärfen und die zentralen Aspekte zu identifizieren.

deep-research für Web-Recherche nutzen, nicht nur für Zusammenfassungen

deep-research for Web Research funktioniert am besten, wenn der Agent mehrere aktuelle oder vom Nutzer bereitgestellte Quellen prüfen kann, statt nur einen einzelnen Artikel umzuschreiben. Der eigentliche Wert der Skill entsteht durch die Synthese über mehrere Quellen und Perspektiven hinweg.

Ein praxistauglicher Ablauf:

1. die Frage definieren,
2. potenzielle Quellen sammeln,
3. den Agenten Glaubwürdigkeit und Aktualität bewerten lassen,
4. Muster, Widersprüche und Lücken synthetisieren,
5. danach den finalen Bericht mit Quellenangaben erstellen lassen.

Wenn du Quellensammlung und Synthese auslässt, reduzierst du die Skill im Grunde auf einen normalen Zusammenfassungs-Prompt.

Nicht nur Ergebnisse verlangen, sondern auch Quellenbewertung

Einer der nützlichsten Teile von deep-research ist, dass die Skill ausdrücklich Glaubwürdigkeitsprüfungen einbezieht. Bitte den Agenten in deinem Prompt darum, festzuhalten:

• welche Quellen primär und welche sekundär sind,
• wie aktuell sie sind,
• ob Interessenkonflikte bestehen,
• wo die Evidenz dünn oder umstritten ist.

Das ist besonders wichtig bei schnelllebigen Themen, Anbieterbehauptungen, Gesundheitsinformationen, politischer bzw. regulatorischer Auslegung und Marktschätzungen.

Empfohlene Ausgabestruktur für bessere Ergebnisse

Damit die deep-research usage verlässlicher wird, kannst du eine Ausgabestruktur wie diese vorgeben:

1. Forschungsfrage,
2. Umfang und Annahmen,
3. wichtigste Erkenntnisse,
4. quellengestützte Belege nach Unterthema,
5. Bereiche mit Übereinstimmung und Meinungsverschiedenheit,
6. Hinweise zur Sicherheit der Aussagen oder Evidenzqualität,
7. offene Fragen,
8. Schlussfolgerung mit Quellenangaben.

Diese Struktur passt zum beschriebenen Synthese-Workflow der Skill und senkt das Risiko, nur eine oberflächliche Linkliste zu erhalten.

Praktisches Prompt-Muster, um die Skill sauber aufzurufen

Ein starkes Aufrufmuster:

“Use deep-research to investigate [topic]. Clarify the research question first, break it into subtopics, gather information from multiple perspectives, evaluate source credibility and publication date, then synthesize findings with citations. Prioritize [angles]. Exclude [out-of-scope items]. End with key conclusions, uncertainties, and recommended next questions.”

Das funktioniert gut, weil es die interne Abfolge der Skill verstärkt, statt gegen sie zu arbeiten.

Wann du den Umfang vor dem Start von deep-research eingrenzen solltest

Der größte praktische Stolperstein ist ein zu großer Umfang. Wenn deine erste Anfrage zu viele Märkte, Jahre oder Stakeholder-Gruppen abdeckt, leidet die Ergebnisqualität meist deutlich. Grenze zuerst ein, zum Beispiel auf:

• eine Region,
• eine Käufer- oder Nutzerpersona,
• ein Zeitfenster,
• eine konkrete Entscheidungsfrage,
• oder ein Vergleichsset.

Beispiel:
Statt „Research remote work software“ besser:

• “Compare Notion, Confluence, and Coda for 500-person engineering organizations in 2025, focusing on governance, search quality, AI features, and migration risk.”

Was dir das Repository nicht mitliefert

Diese deep-research install ist unkompliziert, aber erwarte nicht:

• eingebaute Retrieval-Skripte,
• individuelles Ranking- oder Zitations-Tooling,
• Quellensammlungen,
• domänenspezifische Regeln,
• oder vorgefertigte Output-Templates jenseits der Kernanleitung.

Das heißt: Die Skill lässt sich leicht übernehmen, aber die Qualität deiner Prompts und die Fähigkeiten deiner Runtime beeinflussen die Ergebnisse stark.

deep-research-Skill FAQ

Ist deep-research besser als ein normaler Recherche-Prompt?

Meist ja, wenn die Aufgabe Struktur, Quellenvergleich und Zitate erfordert. Ein einfacher Prompt liefert vielleicht schneller eine Antwort, aber deep-research sorgt mit höherer Wahrscheinlichkeit dafür, dass:

• Unterthemen sauber getrennt werden,
• mehrere Perspektiven abgedeckt sind,
• die Quellenqualität geprüft wird,
• und eine wiederverwendbare Recherche-Zusammenfassung entsteht.

Wenn du nur einen einfachen Fakt nachschlagen willst, ist die zusätzliche Struktur oft nicht nötig.

Ist deep-research für Einsteiger geeignet?

Ja. Die Skill ist gut lesbar und leichtgewichtig, mit dem zentralen Workflow in einer einzigen SKILL.md-Datei. Dadurch ist sie gut zugänglich für Nutzer, die eine wiederholbare Recherchemethode möchten, ohne zusätzliche Tools zu installieren.

Der Haken: Auch Einsteiger müssen trotzdem ein ordentliches Recherche-Briefing formulieren. Die Skill verbessert den Prozess, aber sie kann unklare Ziele nicht erraten.

Wann sollte ich die deep-research-Skill nicht verwenden?

Lass deep-research weg, wenn:

• du nur schnell eine Antwort brauchst,
• du bereits ein festes Quellenset hast und nur eine Zusammenfassung willst,
• die Aufgabe eher kreativ als analytisch ist,
• oder der Agent keinen Zugriff auf Quellen hat und Evidenz deshalb nicht sauber bewerten kann.

Ebenfalls wenig passend ist sie für stark regulierte Fachgebiete, in denen Spezialdatenbanken oder formale juristische bzw. medizinische Prüfung nötig sind.

Braucht deep-research Webzugriff?

Nicht zwingend, aber mit Zugriff auf mehrere Quellen arbeitet die Skill am besten, vor allem bei aktuellen Themen. Ohne Webzugriff kannst du die deep-research skill weiterhin auf einem vom Nutzer bereitgestellten Korpus einsetzen, aber Quellenbreite und Aktualität hängen dann vollständig von deinem Input ab.

Wie geht deep-research mit widersprüchlichen Quellen um?

Der Workflow verlangt ausdrücklich, Erkenntnisse zu synthetisieren und Bereiche mit Konsens bzw. Dissens kenntlich zu machen. In der Praxis solltest du den Agenten anweisen:

• konkurrierende Behauptungen darzustellen,
• stärkere Evidenz zu identifizieren,
• und zu erklären, warum Uneinigkeit besteht.

Das ist deutlich nützlicher, als eine künstlich eindeutige Schlussfolgerung zu erzwingen.

Kann ich deep-research für interne Unternehmensrecherche nutzen?

Ja, wenn du die Materialien bereitstellst. Derselbe Prozess funktioniert auch mit internen Dokumenten, Kundentranskripten, Strategiememos oder Wettbewerbsnotizen. Teile dem Agenten einfach mit, welche Quellen maßgeblich sind und ob zusätzlich externe Web-Recherche einbezogen werden soll.

So verbesserst du die deep-research-Skill

Gib deep-research einen klaren Entscheidungskontext

Der schnellste Weg zu besseren Ergebnissen ist, klar zu sagen, wofür die Recherche verwendet wird. „Research this topic“ ist deutlich schwächer als:

• „I need to choose a vendor,“
• „I need an investor memo,“
• „I need a balanced brief for executives,“
• oder „I need a literature-style overview.“

Ein klarer Entscheidungskontext hilft der Skill, Relevanz höher zu gewichten als bloße Menge.

Lege die Vergleichsachsen vorab fest

Viele schwache Rechercheergebnisse scheitern daran, dass das Modell seine eigenen Vergleichsdimensionen wählt. Für bessere deep-research-Ergebnisse solltest du die Achsen selbst definieren.

Beispiel:
“Compare by total cost, integration difficulty, compliance support, switching risk, and evidence strength.”

Das führt zu deutlich entscheidungsnützlicherer Synthese als eine generische Pro-und-Contra-Liste.

Formuliere Erwartungen an die Quellenqualität explizit

Wenn die Qualität der Zitation wichtig ist, dann sag das klar. Bitte den Agenten darum, bevorzugt zu nutzen:

• Primärquellen, wo immer möglich,
• aktuelle Materialien bei schnelllebigen Themen,
• und klar gekennzeichnete Sekundärkommentare, wenn Primärevidenz fehlt.

Bitte ihn außerdem, schwache Evidenz sichtbar zu markieren, statt Lücken glattzubügeln.

Erzwinge eine Unterthemen-Karte, bevor vollständig synthetisiert wird

Ein praktischer Verbesserungsschritt:

1. den Agenten zuerst Unterthemen vorschlagen lassen,
2. diese prüfen und verfeinern,
3. erst dann den vollständigen Recherche-Durchlauf starten.

Das reduziert übersehene Blickwinkel und hält den Abschlussbericht näher an deiner eigentlichen Frage.

Die häufigsten Fehlermuster gezielt korrigieren

Typische Fehlermuster bei deep-research usage:

• der Umfang ist zu breit,
• die Quellen sind nicht vielfältig genug,
• Zitate sind vorhanden, aber schwach,
• Erkenntnisse werden nur aufgelistet statt synthetisiert,
• Widersprüche werden ignoriert,
• Schlussfolgerungen klingen sicherer, als die Evidenz hergibt.

Um das zu korrigieren, fordere:

• einen engeren Scope,
• explizite Vielfalt bei den Quellentypen,
• Hinweise zur Evidenzqualität,
• einen Abschnitt zu Konsens vs. Dissens,
• und einen kurzen Abschnitt zu Grenzen der Analyse.

Verlange Unsicherheiten und nächste Rechercheschritte

Ein starkes Rechercheergebnis sollte nicht so tun, als sei alles abschließend geklärt. Verbessere deep-research, indem du Folgendes ausdrücklich verlangst:

• unbeantwortete Fragen,
• Datenlücken,
• getroffene Annahmen,
• und Themen für die nächste Recherche-Runde.

Das ist besonders nützlich, wenn der erste Durchlauf explorativ ist und einen zweiten vorbereiten soll.

Nach dem ersten Ergebnis iterieren, statt neu anzufangen

Wirf das erste Resultat nicht weg, nur weil es erst teilweise passt. Die beste Schleife zur Verfeinerung ist:

• fehlende Blickwinkel benennen,
• zu einem Unterthema mehr Tiefe anfordern,
• die Quellenstandards verschärfen,
• und eine überarbeitete Synthese verlangen.

Beispiel für ein Follow-up:
“Expand the disagreement section on open-source vs. proprietary models. Add newer sources, separate vendor claims from independent analysis, and revise the conclusion to reflect evidence strength.”

Das ist in der Regel besser, als wieder bei null zu starten.

Kombiniere deep-research bei hohem Risiko mit einer eigenen Quellenliste

Bei Arbeiten mit hohen Konsequenzen erhöhst du die Verlässlichkeit, wenn du den Prozess mit kuratierten Quellen anstößt:

• unverzichtbare Quellen,
• bekannte Primärdokumente,
• glaubwürdige Fachveröffentlichungen,
• und interne Materialien, denen du bereits vertraust.

Die Skill hilft weiterhin bei der Synthese, aber deine kuratierten Inputs verringern das Risiko von halluzinierter Autorität und dem Abrutschen auf schwache Quellen.

Halte die finale Anfrage konkret

Die deep-research skill liefert die besten Ergebnisse, wenn das gewünschte Endformat klar benannt ist. Bitte konkret um eines der folgenden Formate:

• Executive Memo,
• Vergleichstabelle,
• quellengestütztes Briefing,
• Zusammenfassung im Stil einer Literaturübersicht,
• Empfehlung mit Vorbehalten.

Konkrete Output-Anforderungen führen zu klarerer und besser nutzbarer Recherche als ein vages „tell me everything about this topic.“