Deep Research スキル

概要

このスキルは、充実したウェブ研究を実施するための体系的な方法論を提供します。コンテンツ生成タスクを開始する前にこのスキルをロードしてください。複数の観点、深さ、ソースから十分な情報を集めることを保証します。

このスキルを使用する場合

次の場合は必ずこのスキルをロードしてください:

研究質問

• ユーザーが「Xとは何か」「Xを説明して」「Xを研究して」「Xを調べて」と尋ねる場合
• ユーザーがコンセプト、テクノロジー、またはトピックを深く理解したい場合
• 質問に複数のソースからの最新で包括的な情報が必要な場合
• 単一のウェブ検索では適切に答えられない場合

コンテンツ生成(事前調査)

• プレゼンテーション(PPT/スライド)の作成
• フロントエンドデザインまたはUI モックアップの作成
• 記事、レポート、ドキュメントの執筆
• ビデオまたはマルチメディアコンテンツの制作
• 実世界の情報、例、または最新データが必要なコンテンツ

核となる原則

一般的な知識だけでコンテンツを生成しないでください。 出力の品質は、事前に実施した調査の品質と量に直結しています。単一の検索クエリで十分なことはありません。

研究方法論

フェーズ 1: 幅広い調査

トピックの全体像を理解するために、幅広い検索から始めます:

1. 初期調査: メインのトピックを検索して全体的なコンテキストを理解する
2. 側面の特定: 初期結果から、より深い調査が必要な主要なサブトピック、テーマ、観点、側面を特定する
3. 領域のマッピング: 存在するさまざまな視点、関係者、または観点をメモする

例:

トピック: 「ヘルスケアにおけるAI」
初期検索:
- 「AI healthcare applications 2024」
- 「artificial intelligence medical diagnosis」
- 「healthcare AI market trends」

特定された側面:
- 診断AI(放射線科、病理学)
- 治療推奨システム
- 管理業務の自動化
- 患者監視
- 規制環境
- 倫理的考慮事項

フェーズ 2: 深掘り

特定された重要な各側面について、ターゲットを絞った調査を実施します:

1. 具体的なクエリ: 各サブトピックの正確なキーワードで検索する
2. 複数の表現: 異なるキーワードの組み合わせと表現を試す
3. フルコンテンツを取得: web_fetchを使用して重要なソースをスニペットではなく全文で読む
4. 参考文献をたどる: ソースが他の重要なリソースに言及している場合、それも検索する

例:

側面: 「放射線科における診断AI」
ターゲットを絞った検索:
- 「AI radiology FDA approved systems」
- 「chest X-ray AI detection accuracy」
- 「radiology AI clinical trials results」

その後、取得および読取:
- 主要な研究論文または要約
- 業界レポート
- 実際のケーススタディ

フェーズ 3: 多様性と検証

多様な情報タイプを求めることで包括的なカバレッジを確保します:

情報タイプ	目的	検索例
事実とデータ	具体的な証拠	「statistics」「data」「numbers」「market size」
例とケース	実世界の応用	「case study」「example」「implementation」
専門家の意見	権威的視点	「expert analysis」「interview」「commentary」
トレンドと予測	将来の方向性	「trends 2024」「forecast」「future of」
比較	コンテキストと代替案	「vs」「comparison」「alternatives」
課題と批評	バランスの取れた見方	「challenges」「limitations」「criticism」

フェーズ 4: 総合チェック

コンテンツ生成に進む前に、以下を確認します:

• 少なくとも3〜5の異なる観点から検索しましたか?
• 最も重要なソースを取得して全文を読みましたか?
• 具体的なデータ、例、専門家の視点がありますか?
• ポジティブな側面と課題/制限事項の両方を探索しましたか?
• 情報は現在で、権威あるソースからのものですか?

いずれかの回答が「いいえ」の場合、コンテンツ生成前に調査を続けてください。

検索戦略のコツ

効果的なクエリパターン

# コンテキストで具体的に指定する
❌ 「AI trends」
✅ 「enterprise AI adoption trends 2024」

# 権威あるソースのヒントを含める
「[topic] research paper」
「[topic] McKinsey report」
「[topic] industry analysis」

# 特定のコンテンツタイプを検索する
「[topic] case study」
「[topic] statistics」
「[topic] expert interview」

# 時間的修飾子を使用 — 常に <current_date> の実際の現在の年を使用する
「[topic] 2026」   # ← 実際の現在の年に置き換える。過去の年を決してハードコードしない
「[topic] latest」
「[topic] recent developments」

時間的認識

クエリを作成する前に、常にコンテキストの <current_date> を確認してください。

<current_date> は完全な日付(年、月、日、曜日など 2026-02-28, Saturday)を示します。ユーザーが尋ねていることに応じて、必要な精度レベルを使用してください:

ユーザー意図	時間的精度	クエリ例
「今日/今朝/新しくリリースされた」	月 + 日	「tech news February 28 2026」
「今週」	週の範囲	「technology releases week of Feb 24 2026」
「最近/最新/新しい」	月	「AI breakthroughs February 2026」
「今年/トレンド」	年	「software trends 2026」

ルール:

• ユーザーが「今日」または「新しくリリースされた」について尋ねる場合、検索クエリで月 + 日 + 年を使用して同日の結果を取得してください
• 日レベルの精度が必要な場合、年のみに下げないでください — 「tech news 2026」 は今日のニュースを表示しません
• 異なるクエリで複数の表現を試してください: 数値形式 (2026-02-28)、文字形式 (February 28 2026)、相対語 (today、this week)

❌ ユーザーが「テックの新しいニュースは?」と尋ねる → 「new technology 2026」 で検索 → 今日のニュースを見落とす ✅ ユーザーが「テックの新しいニュースは?」と尋ねる → 「new technology February 28 2026」 + 「tech news today Feb 28」 で検索 → 今日の結果を取得

web_fetch を使用する場合

以下の場合、web_fetchを使用してフルコンテンツを読んでください:

• 検索結果が非常に関連性が高く権威あるもの
• スニペットを超えた詳細な情報が必要
• ソースに データ、ケーススタディ、または専門家分析が含まれている
• 見つけ事の完全なコンテキストを理解したい

反復的な改善

研究は反復的です。初期検索後:

1. 学んだことを確認する
2. 理解のギャップを特定する
3. より的を絞った新しいクエリを作成する
4. 包括的なカバレッジが得られるまで繰り返す

品質基準

次の質問に自信を持って答えられるとき、研究は十分です:

• 主要な事実とデータポイントは何ですか?
• 2〜3個の具体的な実世界の例は何ですか?
• 専門家はこのトピックについて何と言っていますか?
• 現在のトレンドと将来の方向性は何ですか?
• 課題または制限事項は何ですか?
• このトピックが今関連性を持つ理由は何ですか?

よくある間違い

• ❌ 1〜2回の検索後に停止する
• ❌ フルソースを読まずに検索スニペットに頼る
• ❌ マルチ側面トピックの1つの側面のみを検索する
• ❌ 対立する視点や課題を無視する
• ❌ 現在のデータが存在する場合、時代遅れの情報を使用する
• ❌ 研究が完全な前にコンテンツ生成を開始する

アウトプット

研究を完了した後、以下の内容が必要です:

1. 複数の観点からのトピックの包括的な理解
2. 具体的な事実、データポイント、統計
3. 実世界の例とケーススタディ
4. 専門家の視点と権威あるソース
5. 現在のトレンドと関連するコンテキスト

その後でのみコンテンツ生成に進んでください。集めた情報を使用して、高品質でよく考え抜かれたコンテンツを作成してください。