deep-research

deep-research 개요

deep-research가 하는 일

deep-research skill은 빠른 대화형 답변이 아니라, 계획 수립·웹 자료 읽기·종합이 필요한 질문에 대해 Google Gemini의 Deep Research 워크플로를 실행합니다. 시장 분석, 경쟁 구도 분석, 기술 조사, 문헌 검토, 실사(due diligence)처럼 출처가 남는 보고서가 필요할 때 특히 잘 맞습니다.

어떤 사람에게 설치가 필요한가

출처를 추적할 수 있고 구조화된 결과를 갖춘 다중 출처 조사가 자주 필요하다면 deep-research skill을 설치하는 것이 좋습니다. 특히 결과물의 근거와 정리가 중요할 때 유용합니다. 반대로, 한 번의 브레인스토밍, 가벼운 사실 확인, 또는 단일 프롬프트로 짧은 요약만 필요할 때는 효용이 떨어집니다.

무엇이 다른가

deep-research의 핵심 가치는 워크플로에 있습니다. 조사 계획을 세우고, 반복적으로 검색하고, 출처를 읽고, 결과를 보고서로 종합할 수 있습니다. 그래서 이해관계가 얽혀 있거나, 상반된 주장이 많거나, 출처 기반 판단이 중요한 주제에서는 일반적인 프롬프트보다 훨씬 적합합니다.

deep-research skill 사용 방법

deep-research 설치하기

먼저 리포지토리용 skill installer를 사용한 다음, Python 의존성을 설치하고 API 키를 설정한 뒤 실행하세요:

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

.env에 GEMINI_API_KEY를 추가하거나 셸에서 export하세요. 키가 없으면 이 skill은 조사 작업을 시작할 수 없습니다.

조사 작업 시작하기

deep-research의 핵심 사용 패턴은 한 번에 초점을 맞춘 단일 질의입니다:

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

더 나은 결과를 얻으려면, 막연한 요청을 범위·기간·지역·산출물 형태가 들어간 research brief로 바꾸세요. 예를 들어 단순히 “벤더를 비교해줘”라고 하기보다 “상위 5개 벤더, 출처가 뒷받침되는 비교, 리스크, 추천안”처럼 요청하는 편이 좋습니다.

더 좋은 입력을 주는 방법

deep-research guide는 프롬프트에 다음 요소가 들어갈 때 가장 잘 작동합니다:

• 어떤 결정을 내려야 하는지
• 보고서의 대상 독자
• 지역, 날짜 범위, 산업 같은 제약 조건
• 원하는 반환 형식

예시:

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."

아주 구체적인 구조가 필요하다면, 생성 전에 --format을 사용해 보고서 형식을 먼저 잡아두세요.

먼저 읽어야 할 파일

리포지토리를 검토하거나 이 skill을 수정하려는 경우, 먼저 SKILL.md를 확인한 뒤 README.md, requirements.txt, scripts/research.py를 살펴보세요. README.md에는 예상되는 워크플로가 나와 있고, scripts/research.py에서는 --stream, --wait, --status, --json 같은 지원 플래그를 확인할 수 있습니다.

deep-research skill FAQ

deep-research는 일반 프롬프트와 같은가요?

아닙니다. 일반 프롬프트는 보통 모델이 바로 답하도록 요청합니다. deep-research는 여러 출처를 검색하고, 읽고, 종합하는 더 깊은 워크플로를 위한 것이어서, 근거가 필요한 조사 업무에 더 잘 맞습니다.

언제 deep-research를 쓰지 말아야 하나요?

가벼운 상식 퀴즈, 단순 재작성, 또는 이미 답을 알고 있어서 표현만 다듬으면 되는 질문에는 deep-research를 쓰지 마세요. 조사 대상을 정의할 만큼 맥락을 충분히 줄 수 없는 경우에도 적합하지 않습니다.

deep-research는 초보자도 쓰기 쉬운가요?

명확한 질문을 말할 수 있고, 응답이 조금 느려도 괜찮다면 그렇습니다. 초보자가 가장 흔히 하는 실수는 범위 없는 큰 주제를 던지는 것이며, 그러면 쓸모 있는 보고서 대신 너무 일반적인 결과가 나옵니다.

deep-research 설치 시 무엇을 기대해야 하나요?

Python 기반의 로컬 설정, Gemini API 키, 그리고 커맨드라인 워크플로를 기대하면 됩니다. 완전히 호스팅된 UI를 선호하거나 API 설정을 전혀 하고 싶지 않다면, 이 deep-research skill은 다소 운영 부담이 큰 방식처럼 느껴질 수 있습니다.

deep-research skill 개선 방법

조사를 의사결정형 질문으로 바꾸기

가장 큰 품질 향상은 “X를 조사해줘”를 바로 실행 가능한 brief로 바꾸는 데서 나옵니다. 단순히 주제명만 적지 말고, 무엇을 선택·비교·설명·검증해야 하는지 넣으세요. 입력이 선명할수록 방향이 덜 흔들리고 최종 종합도 좋아집니다.

제약 조건으로 잡음을 줄이기

첫 결과가 너무 넓게 느껴지면, deep-research 프롬프트에 지역, 대상 독자, 회사 규모, 기간, 출처 유형 같은 구체적인 제약을 하나나 둘 더하세요. 예를 들어 “U.S. B2B SaaS in 2024”는 “market analysis”보다 훨씬 실행 가능한 요청입니다.

내용만이 아니라 구조도 조정하기

보고서가 거의 괜찮지만 완벽하지 않다면, 주제 문구만 바꾸기보다 출력 형식 요청을 조정하세요. 결과를 어떻게 사용할지에 따라 표, 순위형 추천, 리스크, 임원용 요약을 요청하는 것이 더 중요할 수 있습니다.

자주 발생하는 실패 패턴을 주의하기

가장 흔한 문제는 범위가 충분히 정의되지 않은 질의로 인해 넓고 차별화가 약한 보고서가 나오는 것입니다. 두 번째는 서로 관련이 적은 하위 주제를 한 번에 너무 많이 묻는 경우입니다. 큰 조사 과제는 더 좁은 단위로 나눈 뒤, 결과를 직접 합치거나 후속 프롬프트로 이어가세요.