Hogar

Skill

Otros

research-ops

affaan-m/ECC

Lleva a cabo procesos de investigación basados en la evidencia, combinando habilidades de búsqueda, síntesis y recomendación para obtener datos actuales, realizar comparaciones o ampliar la información.

...Expandir todo

Tiempo actualizado 1 de octubre de 2026

# Exa Search # synthesis # market research # deep research # evidence based research # knowledge ops # lead intelligence

Operaciones de investigación

Utiliza esta opción cuando el usuario solicite investigar algo de actualidad, comparar opciones, ampliar la información sobre personas o empresas, o convertir búsquedas repetidas en un flujo de trabajo supervisado.

Se trata de un operador que envuelve la pila de investigación del repositorio. No sustituye a deep-research, exa-search, ni market-research; te indica cuándo y cómo utilizarlos conjuntamente.

Pila de habilidades

Incorpora estas habilidades nativas de ECC al flujo de trabajo cuando sea pertinente:

exa-search para una búsqueda rápida en la web actual
deep-research para la síntesis de múltiples fuentes con citas
market-research cuando el resultado final deba ser una recomendación o una decisión clasificada
lead-intelligence cuando la tarea consista en dirigirse a personas o empresas, en lugar de realizar una investigación genérica
knowledge-ops cuando el resultado deba almacenarse posteriormente en un contexto duradero

Cuándo utilizarlo

el usuario dice «investigar», «buscar», «comparar», «con quién debería hablar» o «¿cuáles son las últimas novedades?»
la respuesta depende de la información pública disponible en ese momento
el usuario ya ha aportado datos y quiere que se tengan en cuenta en una nueva recomendación
la tarea puede ser lo suficientemente recurrente como para que se convierta en un seguimiento en lugar de una búsqueda puntual

Pautas

No respondas a preguntas actuales basándote en recuerdos obsoletos cuando realizar una nueva búsqueda no supone un gran esfuerzo
Aparte:
- Datos de origen
- pruebas aportadas por el usuario
- inferencia
- recomendación
No pongas en marcha un proceso de investigación exhaustivo si la respuesta ya se encuentra en el código local o en la documentación

Flujo de trabajo

1. Empieza por lo que el usuario ya te ha facilitado

Normaliza cualquier material proporcionado en:

hechos ya contrastados
que necesitan verificación
cuestiones pendientes

No vuelvas a empezar el análisis desde cero si el usuario ya ha construido parte del modelo.

2. Clasifica la consulta

Elige la vía adecuada antes de realizar la búsqueda:

respuesta rápida y objetiva
comparación o nota de decisión
paso de captación/enriquecimiento
candidato para seguimiento periódico

3. Sigue primero la ruta de pruebas más sencilla y útil

uso exa-search para un descubrimiento rápido
escalar a deep-research cuando la síntesis o las fuentes múltiples sean importantes
utiliza market-research cuando el resultado deba concluir con una recomendación
pasarlo a lead-intelligence cuando lo que realmente se pide es una clasificación de objetivos o el descubrimiento de vías prometedoras

4. Elaborar un informe con límites de evidencia explícitos

En el caso de afirmaciones importantes, indique si se trata de:

hechos contrastados
contexto aportado por el usuario
inferencias
recomendaciones

Las respuestas en las que la actualidad sea relevante deben incluir fechas concretas.

5. Decide si la tarea debe seguir siendo manual

Si es probable que el usuario plantee la misma pregunta de investigación repetidamente, indícalo explícitamente y recomienda una capa de supervisión o de flujo de trabajo en lugar de repetir la misma búsqueda manual indefinidamente.

Formato de salida

QUESTION TYPE
- factual / comparison / enrichment / monitoring

EVIDENCE
- sourced facts
- user-provided context

INFERENCE
- what follows from the evidence

RECOMMENDATION
- answer or next move
- whether this should become a monitor

Errores comunes

No mezcles inferencias con datos contrastados sin indicarlo claramente
No ignores las pruebas aportadas por el usuario
No utilices un proceso de investigación complejo para una pregunta que pueda responderse con el contexto del repositorio local
No dar respuestas que dependan de la actualidad sin indicar la fecha

Verificación

Las afirmaciones importantes deben identificarse según el tipo de evidencia.
Los resultados que dependen de la actualidad deben incluir fechas
La recomendación final se ajusta al modo de investigación realmente utilizado

Ver en GitHub

---
name: research-ops
description: Runs evidence-first research workflows by combining search, synthesis, and recommendation skills for current facts, comparisons, or enrichment.
---

# Research Ops

Use this when the user asks to research something current, compare options, enrich people or companies, or turn repeated lookups into a monitored workflow.

This is the operator wrapper around the repo's research stack. It is not a replacement for `deep-research`, `exa-search`, or `market-research`; it tells you when and how to use them together.

## Skill Stack

Pull these ECC-native skills into the workflow when relevant:

- `exa-search` for fast current-web discovery
- `deep-research` for multi-source synthesis with citations
- `market-research` when the end result should be a recommendation or ranked decision
- `lead-intelligence` when the task is people/company targeting instead of generic research
- `knowledge-ops` when the result should be stored in durable context afterward

## When to Use

- user says "research", "look up", "compare", "who should I talk to", or "what's the latest"
- the answer depends on current public information
- the user already supplied evidence and wants it factored into a fresh recommendation
- the task may be recurring enough that it should become a monitor instead of a one-off lookup

## Guardrails

- do not answer current questions from stale memory when fresh search is cheap
- separate:
  - sourced fact
  - user-provided evidence
  - inference
  - recommendation
- do not spin up a heavyweight research pass if the answer is already in local code or docs

## Workflow

### 1. Start from what the user already gave you

Normalize any supplied material into:

- already-evidenced facts
- needs verification
- open questions

Do not restart the analysis from zero if the user already built part of the model.

### 2. Classify the ask

Choose the right lane before searching:

- quick factual answer
- comparison or decision memo
- lead/enrichment pass
- recurring monitoring candidate

### 3. Take the lightest useful evidence path first

- use `exa-search` for fast discovery
- escalate to `deep-research` when synthesis or multiple sources matter
- use `market-research` when the outcome should end in a recommendation
- hand off to `lead-intelligence` when the real ask is target ranking or warm-path discovery

### 4. Report with explicit evidence boundaries

For important claims, say whether they are:

- sourced facts
- user-supplied context
- inference
- recommendation

Freshness-sensitive answers should include concrete dates.

### 5. Decide whether the task should stay manual

If the user is likely to ask the same research question repeatedly, say so explicitly and recommend a monitoring or workflow layer instead of repeating the same manual search forever.

## Output Format

```text
QUESTION TYPE
- factual / comparison / enrichment / monitoring

EVIDENCE
- sourced facts
- user-provided context

INFERENCE
- what follows from the evidence

RECOMMENDATION
- answer or next move
- whether this should become a monitor
```

## Pitfalls

- do not mix inference into sourced facts without labeling it
- do not ignore user-provided evidence
- do not use a heavy research lane for a question local repo context can answer
- do not give freshness-sensitive answers without dates

## Verification

- important claims are labeled by evidence type
- freshness-sensitive outputs include dates
- the final recommendation matches the actual research mode used