agentleFS
Kit4SomeKit4Some/Oh-my-ClaudeClaw/.claude/skills/research-collector/SKILL.md

research-collector

Skill4 starsChanged 8 months agoMITView on GitHub

웹 리서치 자동화 파이프라인. "조사해", "수집해", "리서치", "찾아봐", "동향 파악", "경쟁사 분석", "뉴스 모아", "트렌드 분석" 요청 시 트리거. 다각도 검색 → 정보 수집 → 구조화 → 메모리 저장 → 보고서 생성을 자동 실행.

1 other project uses a version of this.

Adopted by

Most recently taken up by

  • Other versions1 project uses a version of this.

    Word for word · 0

    None found.

    Edited · 0

    None found.

    Wrote their own version · 1

    1. addisonk/skills★ 1same name

    How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.

  • In this repository4 other files it gives its agents.

The file

Files
SKILL.md

Research Collector — 리서치 & 정보 수집 자동화 파이프라인

역할

사용자의 리서치 요청을 분석하여, 웹 검색과 페이지 수집을 통해 정보를 모으고, 구조화하여 메모리에 영구 저장한 뒤, 표준 보고서로 보고한다. 작업 시작 전 memory_search로 기존 관련 지식을 확인하고, 기존 정보와의 delta를 중심으로 수집한다.

사용 MCP 도구

도구용도
memory_search기존 관련 메모리 조회 (작업 시작 시 필수)
memory_store수집 결과 영구 저장
web_search다각도 검색 쿼리 실행
web_fetch유망 URL 상세 페이지 수집

리서치 파이프라인 5단계

Step 1 — 요청 분석

사용자 요청에서 3가지를 판별한다:

항목질문판별 기준
주제무엇에 대한 리서치인가?핵심 키워드 1~3개 추출
정보 유형어떤 종류의 정보가 필요한가?아래 유형 분류표 참조
깊이얼마나 깊이 조사할 것인가?quick / standard / deep

정보 유형 분류:

유형트리거 표현리서치 전략
경쟁사 분석"경쟁사", "competitor", "비교"→ 경쟁사 분석 전략
기술 동향"동향", "trend", "기술 스택", "최신"→ 기술 동향 전략
인물 조사이름+소속, "누구", "프로필"→ 인물 조사 전략
시장 조사"시장", "market", "규모", "성장률"→ 시장 조사 전략
일반 조사위 어디에도 해당 안 됨→ 기술 동향 전략 변형

깊이 판정:

깊이쿼리 수web_fetch 수소요 시간
quick3개1~2개1분 이내
standard5개3~5개2~3분
deep8개5~10개5분+

기본값: standard. 사용자가 "간단히", "빠르게" → quick. "자세히", "심층", "깊이" → deep.

Step 2 — 검색 전략

깊이에 따라 3~8개의 검색 쿼리를 생성한다.

쿼리 생성 규칙:

  1. 이중 언어: 모든 주제에 대해 한국어 쿼리 + 영어 쿼리를 쌍으로 생성
  2. 다각도: 동일 주제를 다른 관점에서 검색 (뉴스, 기술, 비즈니스, 오피니언)
  3. 날짜 키워드: 최신성이 중요하면 "2026", "latest", "recent", "최근" 포함
  4. 구체화: 첫 검색 결과를 보고 후속 쿼리를 좁혀감

쿼리 구조 템플릿:

쿼리 1 (한국어 일반):  "{주제} {정보유형} 최신"
쿼리 2 (영어 일반):    "{topic} {info_type} 2026 latest"
쿼리 3 (한국어 구체):  "{주제} {세부키워드} {날짜범위}"
쿼리 4 (영어 구체):    "{topic} {specific_keyword} {date_range}"
쿼리 5+ (확장):       결과 기반 후속 쿼리 (deep 모드 시)

Step 3 — 정보 수집

실행 순서:

  1. web_search로 각 쿼리 실행
  2. 검색 결과에서 유망 URL 선별 (제목·snippet 기반)
  3. 선별된 URL을 web_fetch로 상세 수집
  4. 각 소스에서 핵심 데이터 포인트 추출

소스 우선순위 (높은 순):

순위소스 유형예시
1공식 발표·보도자료기업 블로그, PR Newswire
2주요 테크 미디어TechCrunch, The Verge, ZDNet Korea
3전문 분석 리포트Gartner, CB Insights, Statista
4커뮤니티·포럼Hacker News, Reddit, GeekNews
5개인 블로그·SNSMedium, Twitter/X, 개인 블로그

수집 시 주의:

  • 동일 정보의 중복 수집 방지 (이미 추출한 데이터 포인트와 비교)
  • 날짜 확인: 6개월 이상 오래된 정보는 "시점 주의" 표기
  • 수치 데이터는 반드시 출처 URL 기록

Step 4 — 구조화 & 메모리 저장

수집된 정보를 memory_store로 영구 저장한다.

유형별 memory_store 파라미터 매핑:

리서치 유형categorysubcategorytags 규칙importance
경쟁사 분석projects프로젝트명 (예: sapiens)["경쟁사", "분석", 경쟁사명...]7
기술 동향knowledge기술 분야 (예: ai, web3)["동향", "기술", 키워드...]6
인물 조사people(없음)["프로필", 소속, 역할...]6
시장 조사knowledgebusiness["시장", "분석", 산업명...]6
일반 조사knowledge주제 분야["리서치", 키워드...]5

저장 content 구조:

## 조사 개요
- 주제: {topic}
- 조사일: {YYYY-MM-DD}
- 쿼리 수: {N}개, 소스 수: {M}개

## 핵심 발견
1. {발견 1} — [출처]({url})
2. {발견 2} — [출처]({url})

## 상세 내용
{구조화된 분석}

## 출처
- [{제목}]({url}) — {날짜}, {소스유형}

저장 규칙:

  • 경쟁사 분석: 경쟁사별 개별 저장 + 비교 매트릭스 1건 = 총 N+1건
  • 기술 동향: 주제당 1건으로 통합 저장
  • 인물 조사: 인물당 1건
  • 시장 조사: 시장당 1건

Step 5 — 보고서 생성

모든 수집·저장이 완료된 후, 아래 표준 템플릿으로 보고한다:

## 리서치 보고서: {주제}

**조사 일시**: {YYYY-MM-DD HH:MM}
**리서치 유형**: {경쟁사 분석 / 기술 동향 / 인물 조사 / 시장 조사}
**깊이**: {quick / standard / deep}
**검색 쿼리**: {N}개 | **수집 소스**: {M}개

---

### 핵심 발견

1. **{발견 제목}** — {한 줄 요약} ([출처]({url}))
2. **{발견 제목}** — {한 줄 요약} ([출처]({url}))
3. ...

### 상세 분석

{유형별 구조화된 분석 — 경쟁사면 비교 테이블, 기술이면 변화 타임라인 등}

### 소스 목록

| # | 제목 | URL | 날짜 | 신뢰도 |
|---|------|-----|------|--------|
| 1 | {제목} | {url} | {날짜} | {높음/중간/낮음} |

### 메모리 저장 내역

| 항목 | category | tags | importance |
|------|----------|------|------------|
| {제목} | {category} | {tags} | {importance} |

### 추가 조사 필요 항목

- {미해결 질문 또는 추가 조사가 필요한 영역}

리서치 유형별 상세 전략

1. 경쟁사 분석

단계:
1. memory_search(query: "경쟁사", category: "projects") → 기존 경쟁사 목록 확인
2. 경쟁사 목록이 없으면 → web_search("{프로젝트} competitor alternatives")로 식별
3. 각 경쟁사에 대해 (병렬 가능):
   a. web_search("{경쟁사명} funding news 2026")
   b. web_search("{경쟁사명} product update latest")
   c. web_fetch(공식 사이트/블로그)
4. 비교 매트릭스 생성:
   | 항목 | 자사 | 경쟁사A | 경쟁사B |
   |------|------|---------|---------|
   | 제품 | ... | ... | ... |
   | 펀딩 | ... | ... | ... |
   | 기술 스택 | ... | ... | ... |
   | 강점 | ... | ... | ... |
   | 약점 | ... | ... | ... |
5. memory_store(category:"projects", subcategory:"{프로젝트}", tags:["경쟁사","분석"], importance:7)

2. 기술 동향

단계:
1. memory_search(query: "{기술 키워드}", category: "knowledge") → 기존 지식 확인
2. 검색 쿼리 (한/영 쌍):
   a. "{기술} 최신 동향 2026" / "{technology} trend 2026 latest"
   b. "{기술} 신규 릴리즈" / "{technology} new release announcement"
   c. "{기술} 비교 분석" / "{technology} comparison benchmark"
3. 주요 변화점 추출 (기존 지식 대비 delta):
   - 새로운 버전/기능
   - 시장 채택률 변화
   - 주요 이벤트 (인수, 오픈소스화 등)
4. memory_store(category:"knowledge", subcategory:"{분야}", tags:["동향","기술",키워드], importance:6)

3. 인물 조사

단계:
1. memory_search(query: "{이름}", category: "people") → 기존 프로필 확인
2. 검색 쿼리:
   a. "{이름} {소속}" / "{name} {organization}"
   b. "{이름} LinkedIn" / "{name} conference speaker"
   c. "{이름} interview" / "{이름} 인터뷰"
3. 수집 항목:
   - 현재 소속·직책
   - 경력 히스토리
   - 전문 분야·관심사
   - 최근 발표·활동
   - SNS/연락처 (공개 정보만)
4. memory_store(category:"people", title:"{이름}", tags:["프로필",소속,역할], importance:6)
5. 관련 프로젝트 메모리가 있으면 memory_update로 링크 추가

4. 시장 조사

단계:
1. memory_search(query: "{시장}", category: "knowledge") → 기존 시장 데이터 확인
2. 검색 쿼리:
   a. "{시장} 시장 규모 2026" / "{market} market size 2026"
   b. "{시장} 성장률 전망" / "{market} growth forecast CAGR"
   c. "{시장} 주요 기업 점유율" / "{market} key players market share"
   d. "{시장} 규제 동향" / "{market} regulation policy"
3. 수집 항목:
   - TAM/SAM/SOM (가능한 경우)
   - CAGR 및 성장 전망
   - 주요 플레이어 및 점유율
   - 진입 장벽·규제 환경
   - 최근 M&A/투자 동향
4. memory_store(category:"knowledge", subcategory:"business", tags:["시장","분석",산업명], importance:6)

실행 원칙

  1. 기존 지식 우선 — 수집 전 반드시 memory_search로 기존 데이터 확인. 중복 수집 방지.
  2. 출처 필수 — 모든 수치·사실에 URL 출처 첨부. 출처 없는 정보는 "미확인" 표기.
  3. 이중 언어 — 한국어+영어 쿼리를 병행하여 국내외 정보를 균형있게 수집.
  4. 최신성 우선 — 동일 주제의 정보가 여러 건이면 최신 정보를 우선 채택.
  5. delta 중심 — 기존 메모리에 이미 있는 정보보다 새로운 변화에 집중.

참조 문서

  • 유형별 상세 검색 전략·쿼리 예시: references/research-strategies.md
  • 보고서 포맷팅 스크립트: scripts/format-report.py

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.