deep-research

deep-research skill の概要

deep-research でできること

deep-research skill は、Google Gemini の Deep Research ワークフローを使って、計画立案、Web 読解、統合が必要な問いに取り組むための skill です。短いチャット回答ではなく、調査をきちんと組み立てたいときに向いています。市場分析、競合調査、技術リサーチ、文献レビュー、デューデリジェンスのようなテーマで、出典付きレポートが欲しい場合に特に相性が良いです。

どんな人に向いているか

複数ソースを横断した調査を日常的に行い、最後に明確な答えが必要な人は、deep-research skill をインストールする価値があります。特に、追跡可能なソースと構造化された出力を重視する場合に向いています。一方で、単発のブレスト、浅い事実確認、1つのプロンプトから短い要約だけ欲しい用途にはあまり向きません。

何が違うのか

deep-research の価値は、何よりワークフローにあります。調査計画を立て、反復的に検索し、ソースを読み込み、結果をレポートとして統合できます。そのため、論点が多いテーマ、見解が割れるテーマ、あるいはソースを大量に読む必要がある判断では、通常のプロンプトより適しています。

deep-research skill の使い方

deep-research をインストールする

まず repo の skill installer を使い、その後で Python 依存関係を入れ、実行前に API key を設定します:

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

.env に GEMINI_API_KEY を追加するか、shell で export してください。key がないと、この skill は research task を開始できません。

調査タスクを開始する

deep-research の基本的な使い方は、1つの焦点を絞った query を投げることです:

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

より良い出力を得るには、曖昧な依頼を research brief に変え、範囲、期間、地域、成果物の形を明確にします。たとえば単に「vendors を比較して」ではなく、「上位 5 社、出典付き比較、リスク、推奨」まで指定すると精度が上がります。

入力をより良くする

deep-research guide は、次の要素が入った prompt で最も力を発揮します:

• 何を決めたいのか
• レポートの読者
• 地域、日付範囲、業界などの制約
• 返してほしい形式

例:

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."

かなり具体的な構成が必要なら、生成前に --format を使ってレポートの形を整えてください。

先に読むべきファイル

repo をレビューする場合や skill を調整する場合は、まず SKILL.md を読み、その後 README.md、requirements.txt、scripts/research.py を確認してください。README.md には想定されるワークフローが示されており、scripts/research.py では --stream、--wait、--status、--json などの対応フラグが確認できます。

deep-research skill の FAQ

deep-research は通常の prompt と同じですか？

いいえ。通常の prompt は、たいていモデルに直接答えさせるものです。deep-research は、複数ソースを検索し、読み、統合する深いワークフロー向けです。だからこそ、根拠が必要な research task に向いています。

どんなときに deep-research を使うべきではありませんか？

簡単な雑学、単純な言い換え、あるいはすでに答えが分かっていて表現だけ欲しい質問には、deep-research は使わないほうがよいです。また、調査対象を定義するのに十分な context を与えられない場合も、適した用途ではありません。

deep-research は初心者向けですか？

はい、明確な質問を言語化できて、多少遅い応答を受け入れられるなら使いやすいです。初心者がやりがちな失敗は、範囲のない広すぎるテーマを投げてしまうことです。その場合、有用なレポートではなく、ありきたりな出力になりがちです。

deep-research のインストールで何を想定すべきですか？

Python ベースのローカルセットアップ、Gemini API key、そしてコマンドライン中心のワークフローを想定してください。完全にホストされた UI や、API 設定なしの運用を求めるなら、この deep-research skill はやや運用寄りに感じるかもしれません。

deep-research skill を改善する方法

調査クエリを意思決定型にする

品質を大きく上げるコツは、「X を調べる」を、意思決定に使える brief に変えることです。単に話題名を入れるのではなく、何を選ぶのか、比べるのか、説明するのか、検証するのかを入れてください。入力が具体的なほど、脱線が減り、最後の統合もよくなります。

ノイズを減らすために制約を使う

最初の回答が広すぎると感じたら、deep-research prompt に 1〜2 個の具体的な制約を足してください。たとえば、地域、対象読者、企業規模、期間、ソース種別などです。「market analysis」だけよりも、「2024年の米国 B2B SaaS」のほうが、はるかに実行しやすい依頼になります。

内容だけでなく構成も反復する

レポートの内容はかなり良いのに、仕上がりが理想に届かないなら、話題の言い回しだけでなく、出力形式の指定を変えて改善してください。表、順位付き推奨、リスク、要約など、使い方に影響する要素は明示したほうがよいです。

よくある失敗パターンに注意する

最も多い問題は、指定が足りない query によって、広いだけで差がつかないレポートが出てしまうことです。次に多いのは、1回の実行で無関係な小テーマを詰め込みすぎることです。大きな research project は、まず狭いパスに分け、そのあと自分で統合するか、続きの prompt でまとめるとよいです。