deep-research

name	deep-research
version	1.0.0
category	productivity
description	하나의 질문을 현재 가동 중인 모든 모델에게 병렬로 던지고(research_panel), 모델별 답을 직접 종합해 교차검증된 결론을 낸다 — 한 모델의 맹점을 여러 모델의 합의/모순으로 메운다. Use when: '딥리서치', '여러 모델한테 물어봐', '교차검증', 한 모델 답을 믿기 어려운 고위험 의사결정·설계 선택·논쟁적 사실. NOT for: 단순 사실 조회(단일 모델/fact-check), 잡담, 비용 민감한 빠른 답변(모델 수만큼 N배 비용·지연).
metadata	{"deneb":{"emoji":"🔬","tags":["deepresearch","딥리서치","패널","교차검증","multimodel","fusion","종합","panel"],"triggers":["딥리서치","딥 리서치","교차검증","여러 모델","크로스체크"],"related_skills":["fact-check","decision-premortem","retrieval-plan"],"requires_tools":["research_panel"]}}
user-invocable	true

딥리서치 (모델 패널)

하나의 질문을 현재 가동 중인 모든 모델에게 병렬로 던져, 각 모델의 답을 당신이 직접 종합한다. 한 모델은 자기 맹점을 못 본다 — 서로 다른 모델의 합의와 모순이 그 맹점을 드러낸다. 도구(research_panel)는 답을 모아만 오고, 종합자는 당신이다.

근거: 독립 모델 패널 + 종합 단계는 단일 모델보다 개방형 리서치에서 낫다 (Mixture-of-Agents, OpenRouter Fusion). 단, 약한 모델이 평균을 끌어내리고 (Self-MoA), 같은 계열 모델은 같은 맹점을 공유한다(에코챔버). 그래서 종합은 "표 세기"가 아니라 역량·계열을 가중한 판단이다.

When to Use

• 트리거: "딥리서치", "여러 모델한테 물어봐/돌려봐", "교차검증", "한 모델만 믿기 그래".
• 적합: 고위험 의사결정, 설계·기술 선택의 트레이드오프, 논쟁적이거나 한 모델 답이 미심쩍은 사실, 틀렸을 때 비용이 큰 판단.
• 부적합(쓰지 마라): 단순 사실 조회(단일 모델이 빠르고 싸다 → 필요하면 fact-check), 잡담, 빠른 답이 더 중요한 질문. 패널은 모델 수만큼 비용·지연이 N배다.

Procedure

1. 질문 정련. 패널 모델들은 이 대화를 못 본다 → 질문을 자기완결적 한 문장/문단으로 다듬는다(필요 맥락 포함). 큰 주제면 독립 하위질문 2~4개로 분해(decomposition)해 각각 패널에 돌린다 — 한 덩어리로 뭉치면 모델마다 다른 부분만 답해 비교가 깨진다.
2. 패널 호출. 각 (하위)질문마다 research_panel을 호출한다.
   • question: 정련한 질문. models는 비워라(= 헬시 모델 전체 팬아웃이 기본). 특정 모델만 비교할 이유가 분명할 때만 지정.
   • 도구는 모델별 답을 [N] model=… · family=… · Nms 라벨로 모아 온다. 실패/시간초과 모델은 자동 제외되어 끝에 명시된다.
3. 종합(핵심). 모아온 답을 당신이 하나의 결론으로 합친다. 표 세기가 아니다:
   • 이종 계열 합의 우대. 서로 다른 계열(deepseek↔glm↔qwen…)이 합의한 점일수록 신뢰하라. 같은 계열끼리의 합의는 같은 맹점일 수 있다.
   • 모순은 숨기지 말고 판정. 어느 모델이 어느 쪽인지 밝히고, 당신의 추론 + 검증 가능한 사실로 직접 가린다. 가장 자신만만한 답에 닻 내리지 마라(확신≠정확).
   • 약한 모델 강등. 소형·분류급 모델의 답은 참고로만. 한 약한 모델이 우긴다고 결론을 비틀지 마라.
   • 미확인 표기. 어느 답으로도 검증 안 된 주장은 단정 대신 '미확인'으로 남긴다 (→ 사실이 걸렸으면 fact-check로 도구 재확인).
4. 결론 제시. 합의 → 핵심 결론을 먼저. 그다음 불일치점(어느 모델이 갈렸는지)과 남은 불확실성을 짧게. 의사결정 질문이면 decision-premortem으로 이어 위험을 친다.

Pitfalls

• 비용/지연 N배. 전체 팬아웃은 모델 수만큼 호출이다. 단순 질문에 쓰지 마라 — "여러 관점·교차검증이 결론을 바꿀 만한가?"가 yes일 때만.
• 에코챔버. 헬시 모델 다수가 같은 계열이면 '합의'가 실은 한 계열의 메아리다. family 라벨을 보고 계열 다양성으로 합의를 할인하라.
• 약한 모델 드래그. 패널에 소형 모델이 섞여 있다 — 평균/다수결로 종합하면 품질이 단일 best 모델보다 떨어질 수 있다. 가중 종합이 필수.
• 앵커링. 길고 단정적인 답이 맞아 보이는 착시. 근거의 검증 가능성으로 판단하라.
• 패널 빈손. 라우터가 죽었거나 헬시 모델이 없으면 도구가 그 사실을 알린다 → 이번 질문은 단일 모델로 답하고 패널은 건너뛴다.

Verification

• 결론에 합의점·불일치점·미확인이 구분되어 있는가(전부 단정으로 뭉개지 않았는가).
• 다수결이 아니라 계열·역량을 가중해 종합했는가.
• 사실 주장이 핵심이면 패널 합의에 기대지 말고 fact-check로 도구 재확인했는가.