deep-research
von sanjay3290deep-research ist ein GitHub-Skill für autonome, mehrstufige Recherche mit Google Gemini. Es plant, sucht, liest und verdichtet Quellen zu zitierten Berichten für Marktanalysen, Wettbewerbsbeobachtung, technische Recherchen, Literaturübersichten und Due Diligence. Verwenden Sie es, wenn Sie strukturierte Deep Research für Webrecherche benötigen.
Dieses Skill erreicht 78/100 und ist damit ein solider Kandidat für das Verzeichnis: Es gibt genug Belege, um den Installationsnutzen zu bewerten, und Agents können es über einen klaren Befehlsablauf anstoßen, statt raten zu müssen. Das Repo zeigt einen echten, nicht nur beispielhaften Recherche-Workflow mit klaren Anwendungsfällen, API-Anforderungen und CLI-Einstiegspunkten, lässt aber einige Einführungsdetails weiterhin dem Nutzer überlassen.
- Frontmatter und Beschreibung machen den Auslöser klar: autonome, mehrstufige Recherche für Marktanalysen, Literaturübersichten, Wettbewerbsbeobachtung und Due Diligence.
- Praktisch nutzbare CLI-Beispiele für query, stream, no-wait, status und wait reduzieren die Unklarheit für die Ausführung durch Agents.
- Das Python-Skript und die README deuten auf einen substanziellen Workflow mit lokalem History-/Cache-Support und Ausgabe zitierter Berichte hin, statt auf einen bloßen Demo-Platzhalter.
- In SKILL.md fehlt ein Installationsbefehl, daher müssen Nutzer das Setup aus README und Requirements ableiten, statt einem einzigen kanonischen Einstiegspunkt zu folgen.
- Der Skill ist von einem externen Gemini-API-Schlüssel und kostenpflichtiger Nutzung abhängig, was die Adoption für Nutzer einschränken kann, die ein vollständig eigenständiges Skill erwarten.
Überblick über die deep-research-Skill
Was deep-research macht
Die deep-research-Skill führt den Deep-Research-Workflow von Google Gemini aus – für Fragen, die Planung, Web-Recherche und Synthese brauchen und nicht einfach eine schnelle Chat-Antwort. Sie passt besonders gut, wenn du einen belegt gestützten Report zu Marktanalysen, Wettbewerbslandschaften, technischer Recherche, Literaturrecherche oder Due Diligence brauchst.
Wer die Skill installieren sollte
Installiere die deep-research-Skill, wenn du regelmäßig Recherche über mehrere Quellen mit einem klaren Ergebnis am Ende brauchst, besonders wenn dir nachvollziehbare Quellen und eine strukturierte Ausgabe wichtig sind. Weniger sinnvoll ist sie für einmaliges Brainstorming, oberflächliche Faktensuche oder Aufgaben, bei denen du nur eine kurze Zusammenfassung aus einem einzigen Prompt brauchst.
Warum sie sich unterscheidet
Der eigentliche Mehrwert von deep-research liegt im Workflow: Die Skill kann die Untersuchung planen, iterativ suchen, Quellen lesen und die Ergebnisse zu einem Report verdichten. Damit ist sie für Themen mit vielen Teilaspekten, widersprüchlichen Aussagen oder quellenschweren Entscheidungen deutlich stärker als gewöhnliches Prompting.
deep-research-Skill verwenden
deep-research installieren
Nutze den Skill-Installer aus dem Repository, installiere dann die Python-Abhängigkeiten und setze deinen API-Schlüssel, bevor du etwas startest:
npx skills add sanjay3290/ai-skills --skill deep-research
cd skills/deep-research
pip install -r requirements.txt
cp .env.example .env
Füge GEMINI_API_KEY in .env ein oder exportiere sie in deiner Shell. Wenn der Schlüssel fehlt, kann die Skill keinen Research-Task starten.
Einen Research-Task starten
Das grundlegende deep-research-Muster ist eine einzelne, klar fokussierte Anfrage:
python3 scripts/research.py --query "Research the competitive landscape of cloud providers in 2024"
Für bessere Ergebnisse solltest du eine vage Anfrage in ein Research-Briefing mit Scope, Zeitraum, Region und gewünschter Form des Ergebnisses umwandeln. Bitte zum Beispiel um „die Top 5 Anbieter, einen quellenbasierten Vergleich, Risiken und eine Empfehlung“ statt nur um „Anbieter vergleichen“.
Der Skill mit besseren Eingaben füttern
Der deep-research-Leitfaden funktioniert am besten, wenn dein Prompt Folgendes enthält:
- die Entscheidung, die du treffen willst
- die Zielgruppe des Reports
- Einschränkungen wie Region, Zeitraum oder Branche
- das gewünschte Ausgabeformat
Beispiel:
python3 scripts/research.py --query "For a CTO choosing a frontend stack in 2025, compare React, Vue, and Angular for hiring availability, ecosystem maturity, and long-term maintenance. Return a concise recommendation with sources."
Wenn du eine sehr konkrete Struktur willst, nutze --format, um den Report vor der Generierung zu steuern.
Diese Dateien zuerst lesen
Wenn du das Repo prüfst oder die Skill anpassen willst, fang mit SKILL.md an und schau dir danach README.md, requirements.txt und scripts/research.py an. README.md zeigt den erwarteten Workflow, während scripts/research.py die unterstützten Flags wie --stream, --wait, --status und --json offenlegt.
deep-research-Skill FAQ
Ist deep-research dasselbe wie ein normaler Prompt?
Nein. Ein normaler Prompt fordert das Modell meistens direkt zu einer Antwort auf. deep-research ist für einen tieferen Workflow gedacht, der über Quellen sucht, sie liest und die Ergebnisse zusammenführt – deshalb ist die Skill bei Recherchen mit Nachweispflicht deutlich besser.
Wann sollte ich deep-research nicht verwenden?
Verwende deep-research nicht für schnelles Trivia, einfache Umformulierungen oder Fragen, bei denen du die Antwort schon kennst und nur Formulierungshilfe brauchst. Auch wenn dir nicht genug Kontext vorliegt, um das Rechercheziel klar einzugrenzen, ist die Skill eine schlechte Wahl.
Ist deep-research anfängerfreundlich?
Ja, wenn du eine klare Frage formulieren kannst und mit einer etwas längeren Antwortzeit leben kannst. Der häufigste Anfängerfehler ist ein zu breites Thema ohne klaren Scope, was eher zu generischem Output als zu einem nützlichen Report führt.
Was sollte ich bei der deep-research-Installation erwarten?
Erwarte ein lokales Setup auf Python-Basis, einen Gemini-API-Schlüssel und einen Workflow über die Kommandozeile. Wenn du eine vollständig gehostete UI oder gar keine API-Konfiguration bevorzugst, kann sich diese deep-research-Skill operativer anfühlen, als dir lieb ist.
deep-research-Skill verbessern
Die Forschungsfrage entscheidungsnah formulieren
Der größte Qualitätssprung entsteht, wenn du aus „recherchiere X“ ein briefing machst, das direkt auf eine Entscheidung zielt. Nenne, was du auswählen, vergleichen, erklären oder verifizieren musst – nicht nur den Thementitel. Bessere Eingaben reduzieren Abschweifungen und verbessern die abschließende Synthese.
Mit Einschränkungen die Unschärfe reduzieren
Wenn die erste Antwort zu breit wirkt, eng den deep-research-Prompt mit ein oder zwei konkreten Einschränkungen ein: Region, Zielgruppe, Unternehmensgröße, Zeitfenster oder Quellentyp. „U.S. B2B SaaS in 2024“ ist zum Beispiel deutlich handlungsnäher als „Market analysis“.
An der Struktur iterieren, nicht nur am Inhalt
Wenn der Report fast passt, aber noch nicht ideal ist, verbessere den Prompt nicht nur über die Themenformulierung, sondern auch über die gewünschte Ausgabeform. Bitte um eine Tabelle, eine Rangfolge, Risiken oder eine Executive Summary, wenn diese Elemente dafür wichtig sind, wie du das Ergebnis später nutzt.
Auf typische Fehlermuster achten
Das häufigste Problem ist eine zu ungenau formulierte Anfrage, die einen breiten, nur leicht differenzierten Report erzeugt. Das zweitgrößte Problem ist, in einem Lauf zu viele unzusammenhängende Teilthemen abzufragen. Teile große Rechercheprojekte in kleinere Durchgänge auf und kombiniere die Ergebnisse danach selbst oder in einem Follow-up-Prompt.