Maison

Skill

Autres

research-ops

affaan-m/ECC

Met en œuvre des processus de recherche axés sur les données probantes en combinant des compétences en matière de recherche, de synthèse et de recommandation pour obtenir des informations actualisées, effectuer des comparaisons ou enrichir les connaissances.

...Développer tout

Heure mise à jour 1 octobre 2026

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

Opérations de recherche

Utilisez cette option lorsque l'utilisateur demande à effectuer des recherches sur un sujet d'actualité, à comparer des options, à enrichir des fiches de personnes ou d'entreprises, ou à transformer des recherches répétitives en un workflow surveillé.

Il s'agit d'un opérateur encapsulant la pile de recherche du dépôt. Il ne remplace pas deep-research, exa-search, ni market-research; il vous indique quand et comment les utiliser conjointement.

Pile de compétences

Intégrez ces compétences natives d’ECC dans le flux de travail lorsque cela est pertinent :

exa-search pour une découverte rapide sur le Web actuel
deep-research pour une synthèse multi-sources avec citations
market-research lorsque le résultat final doit être une recommandation ou une décision classée par ordre de pertinence
lead-intelligence lorsque la tâche consiste à cibler des personnes ou des entreprises plutôt qu’à effectuer une recherche générique
knowledge-ops lorsque le résultat doit ensuite être stocké dans un contexte durable

Quand l'utiliser

l'utilisateur dit « recherche », « consulter », « comparer », « à qui dois-je m'adresser » ou « quelles sont les dernières nouvelles »
la réponse dépend des informations publiques disponibles
l’utilisateur a déjà fourni des éléments d’information et souhaite qu’ils soient pris en compte dans une nouvelle recommandation
la tâche peut être suffisamment récurrente pour qu’elle devienne un suivi plutôt qu’une simple recherche ponctuelle

Contraintes

ne répondez pas aux questions actuelles en vous basant sur des souvenirs périmés lorsqu'une nouvelle recherche ne coûte pas cher
À distinguer :
- les faits provenant de sources fiables
- preuves fournies par l’utilisateur
- inférence
- recommandation
ne lancez pas de cycle de recherche fastidieux si la réponse se trouve déjà dans le code local ou la documentation

Déroulement

1. Partez de ce que l’utilisateur vous a déjà fourni

Normalisez toutes les informations fournies en :

des faits déjà avérés
des éléments nécessitant une vérification
questions en suspens

Ne recommencez pas l’analyse à zéro si l’utilisateur a déjà construit une partie du modèle.

2. Classer la demande

Choisissez la bonne voie avant de lancer la recherche :

réponse factuelle rapide
comparaison ou note de décision
étape de prospection/enrichissement
candidat à un suivi récurrent

3. Commencez par suivre la piste la plus simple et la plus utile

Utilisation exa-search pour une découverte rapide
remonter vers deep-research lorsque la synthèse ou la multiplicité des sources est importante
utiliser market-research lorsque le résultat doit déboucher sur une recommandation
transmettre à lead-intelligence lorsque la demande réelle porte sur un classement des cibles ou la découverte de pistes prometteuses

4. Rapport avec des limites explicites concernant les preuves

Pour les affirmations importantes, précisez si elles sont :

des faits provenant de sources
d’un contexte fourni par l’utilisateur
des déductions
des recommandations

Les réponses dont l'actualité est importante doivent inclure des dates précises.

5. Déterminez si la tâche doit rester manuelle

Si l’utilisateur est susceptible de poser la même question de recherche à plusieurs reprises, indiquez-le explicitement et recommandez la mise en place d’un système de suivi ou d’un flux de travail plutôt que de répéter indéfiniment la même recherche manuelle.

Format de sortie

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

Pièges

ne mélangez pas les déductions avec les faits sourcés sans les signaler
Ne pas ignorer les preuves fournies par l’utilisateur
N’utilisez pas un processus de recherche complexe pour une question à laquelle le contexte du référentiel local peut répondre
Ne donnez pas de réponses sensibles à l'actualité sans indiquer de date

Vérification

les affirmations importantes sont identifiées par type de preuve
les résultats sensibles à l'actualité doivent inclure des dates
la recommandation finale correspond au mode de recherche effectivement utilisé

Voir sur 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