deep-research

Aperçu de la skill deep-research

Ce que fait deep-research

La skill deep-research exécute le workflow Deep Research de Google Gemini pour les questions qui demandent de la planification, de la lecture de sources web et de la synthèse, pas une réponse de chat rapide. Elle est particulièrement adaptée si vous voulez un rapport sourcé sur une analyse de marché, un paysage concurrentiel, une recherche technique, une revue de littérature ou un travail de due diligence.

Qui devrait l’installer

Installez la skill deep-research si vous avez régulièrement besoin d’une recherche multi-sources avec une réponse claire à la fin, surtout si vous tenez à des sources traçables et à une sortie structurée. Elle est moins utile pour un brainstorming ponctuel, une recherche factuelle superficielle ou les tâches où vous n’avez besoin que d’un court résumé à partir d’un seul prompt.

En quoi elle est différente

La vraie valeur de deep-research, c’est son workflow : elle peut planifier l’enquête, rechercher de façon itérative, lire les sources et synthétiser les résultats dans un rapport. Elle fait donc mieux que le simple prompt sur les sujets à plusieurs paramètres, les thèses concurrentes ou les décisions qui reposent sur beaucoup de sources.

Comment utiliser la skill deep-research

Installer deep-research

Utilisez l’installateur de skills du dépôt, puis installez les dépendances Python et définissez votre clé API avant de lancer quoi que ce soit :

npx skills add sanjay3290/ai-skills --skill deep-research
cd skills/deep-research
pip install -r requirements.txt
cp .env.example .env

Ajoutez GEMINI_API_KEY à .env ou exportez-la dans votre shell. Si la clé manque, la skill ne peut pas démarrer de tâche de recherche.

Démarrer une tâche de recherche

Le schéma d’utilisation central de deep-research, c’est une requête unique et ciblée :

python3 scripts/research.py --query "Research the competitive landscape of cloud providers in 2024"

Pour obtenir un meilleur résultat, transformez une demande vague en brief de recherche avec périmètre, période, zone géographique et forme du livrable. Par exemple, demandez « top 5 vendors, source-backed comparison, risks, and recommendation » plutôt que simplement « compare vendors ».

Donner de meilleures entrées à la skill

Le guide deep-research fonctionne mieux quand votre prompt inclut :

• la décision que vous essayez de prendre
• le public visé par le rapport
• les contraintes comme la région, la période ou le secteur
• le format de restitution souhaité

Exemple :

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."

Si vous voulez une structure très précise, utilisez --format pour cadrer le rapport avant sa génération.

Lire ces fichiers en premier

Si vous examinez le repo ou adaptez la skill, commencez par SKILL.md, puis consultez README.md, requirements.txt et scripts/research.py. README.md montre le workflow attendu, tandis que scripts/research.py révèle les flags pris en charge comme --stream, --wait, --status et --json.

FAQ sur la skill deep-research

deep-research est-elle la même chose qu’un prompt normal ?

Non. Un prompt normal demande généralement au modèle de répondre directement. deep-research sert à un workflow plus approfondi qui recherche, lit et synthétise à travers plusieurs sources, ce qui la rend plus adaptée aux tâches de recherche avec exigences de preuves.

Quand ne faut-il pas utiliser deep-research ?

N’utilisez pas deep-research pour des trivias rapides, des reformulations simples ou des questions dont vous connaissez déjà la réponse et pour lesquelles vous n’avez besoin que d’aide sur le wording. Elle convient aussi mal si vous ne pouvez pas fournir assez de contexte pour définir la cible de recherche.

deep-research est-elle adaptée aux débutants ?

Oui, si vous pouvez formuler une question claire et accepter un temps de réponse plus long. L’erreur la plus fréquente chez les débutants est d’utiliser un sujet trop large, sans périmètre, ce qui produit une sortie générique au lieu d’un rapport utile.

À quoi faut-il s’attendre lors de l’installation de deep-research ?

Il faut s’attendre à une installation locale basée sur Python, à une clé API Gemini et à un workflow en ligne de commande. Si vous préférez une interface entièrement hébergée ou aucune configuration d’API, cette skill deep-research peut sembler plus opérationnelle que souhaité.

Comment améliorer la skill deep-research

Formuler la question de recherche comme une décision

Le plus gros gain de qualité vient du passage de « rechercher X » à un brief prêt à décider. Indiquez ce que vous devez choisir, comparer, expliquer ou vérifier, pas seulement le nom du sujet. De meilleures entrées réduisent les dérives et améliorent la synthèse finale.

Utiliser des contraintes pour réduire le bruit

Si la première réponse paraît trop large, resserrez le prompt deep-research avec une ou deux contraintes concrètes : région, audience, taille d’entreprise, fenêtre temporelle ou type de source. Par exemple, « U.S. B2B SaaS in 2024 » est bien plus actionnable que « market analysis ».

Itérer sur la structure, pas seulement sur le contenu

Si le rapport est proche de ce que vous voulez mais pas encore idéal, améliorez le prompt en changeant la demande de format de sortie, pas seulement la formulation du sujet. Demandez un tableau, des recommandations classées, les risques ou un executive summary lorsque ces éléments comptent pour l’usage que vous ferez du résultat.

Surveiller les modes d’échec fréquents

Le problème le plus courant est une requête trop peu précise qui produit un rapport large et peu différencié. Le deuxième est de demander trop de sous-thèmes sans lien entre eux dans une seule exécution. Découpez les gros projets de recherche en passes plus étroites, puis combinez les résultats vous-même ou dans un prompt de suivi.