strategy-investigacion-profunda

name	strategy-investigacion-profunda
description	Genera informes completos de investigación profunda en español con triangulación multi-fuente, scoring de credibilidad, verificación de afirmaciones y salida Markdown + HTML. Úsala para decisiones complejas, estudios comparativos, estado del arte o research reports; para búsqueda ligera de 3-5 fuentes usa `strategy-web-research`.

Investigación Profunda

Propósito

Entregar informes de investigación con citas verificadas a través de un pipeline estructurado de 8 fases, con persistencia de evidencia, gestión de identidad de fuentes, verificación a nivel de afirmación, y control progresivo del contexto. Réplica adaptada del repo 199-biotechnologies/claude-deep-research-skill para entorno Claude.ai (web/app).

Diferencia con strategy-web-research: strategy-web-research sirve para búsqueda ligera y rápida con 3-5 fuentes. strategy-investigacion-profunda se usa cuando hace falta informe completo con triangulación, scoring de fuentes, evidencias persistidas y verificación de afirmaciones.

Principio de autonomía: Opera de forma independiente. Infiere asunciones del contexto. Solo te detienes para errores críticos o preguntas incomprensibles. Hace explícitas las asunciones de alto impacto en la Introducción y Metodología en lugar de adoptarlas en silencio.

Idioma: El informe se redacta SIEMPRE en español (es el público objetivo), aunque las fuentes consultadas pueden estar en cualquier idioma. Las citas mantienen el título original de la fuente.

---

Flujo de inicio (OBLIGATORIO)

Antes de empezar la investigación:

1. Confirmar tema y modo con el usuario. Si el usuario no ha especificado el modo, preguntar con ask_user_input_v0 (un solo single_select):

   • Quick (3 fases, 2-5 min, 2.000-4.000 palabras) — Exploración inicial
   • Standard (6 fases, 5-10 min, 4.000-8.000 palabras) — Mayoría de casos
   • Deep (8 fases, 10-20 min, 8.000-15.000 palabras) — Decisiones críticas
   • UltraDeep (8+ fases, 20-45 min, 15.000-20.000 palabras) — Máximo rigor

2. Si el tema es ambiguo, pedir clarificación SOLO si es indispensable (ej. "compara X vs Y" sin decir X o Y). En caso contrario, inferir y declarar la asunción en la Introducción.

3. Crear carpeta de trabajo en projects/investigacion/<YYYY-MM-DD>/<tema-slug>/ para todos los artefactos.

---

Árbol de decisión

Análisis de la solicitud
├── ¿Búsqueda simple? → PARAR: usa web_search directo
├── ¿Pregunta factual rápida? → PARAR: responde sin skill
└── ¿Análisis complejo? → CONTINUAR

Selección de modo
├── Exploración inicial → quick (3 fases)
├── Investigación estándar → standard (6 fases) [SUGERIDO POR DEFECTO]
├── Decisión crítica → deep (8 fases)
└── Revisión exhaustiva → ultradeep (8+ fases)

Asunciones por defecto: Pregunta técnica = audiencia técnica. Comparación = perspectiva equilibrada. Tendencia = últimos 1-2 años.

---

Visión general del flujo de trabajo

Fase	Nombre	Quick	Std	Deep	Ultra
1	SCOPE (Encuadre)	✓	✓	✓	✓
2	PLAN (Estrategia)	-	✓	✓	✓
3	RETRIEVE (Recuperación)	✓	✓	✓	✓
4	TRIANGULATE (Triangulación)	-	✓	✓	✓
4.5	OUTLINE REFINEMENT (Refino de esquema)	-	✓	✓	✓
5	SYNTHESIZE (Síntesis)	-	✓	✓	✓
6	CRITIQUE (Crítica)	-	-	✓	✓
7	REFINE (Refinamiento)	-	-	✓	✓
8	PACKAGE (Empaquetado)	✓	✓	✓	✓

Nota: Las fases 3-5 operan como un bucle de evidencia por sección (recuperar → almacenar evidencia → refinar esquema → redactar → verificar afirmaciones → buscar deltas si hace falta), no como puertas secuenciales estrictas.

---

Ejecución

Al invocar la skill, cargar los archivos de referencia relevantes:

1. Fases 1-7: Lee reference/methodology.md para instrucciones detalladas de cada fase
2. Fase 8 (Informe): Lee reference/report-assembly.md para generación progresiva
3. Salida HTML: Lee reference/html-generation.md
4. Controles de calidad: Lee reference/quality-gates.md

Plantillas:

• Estructura del informe: templates/report_template.md
• Estilo HTML: templates/mckinsey_report_template.html

Scripts (ejecutar desde la raíz del skill):

• python scripts/validate_report.py --report [ruta] — 9 checks de estructura
• python scripts/verify_citations.py --report [ruta] — verificación de citas y bibliografía
• python scripts/source_evaluator.py --url [url] — scoring de credibilidad 0-100
• python scripts/md_to_html.py [ruta_md] — conversión a HTML McKinsey

---

Herramientas disponibles en este entorno

A diferencia del repo original (Claude Code), aquí en Claude.ai trabajas con:

• ✅ web_search: búsqueda principal. Lánzala en serie u en batch (varias llamadas seguidas) para paralelismo lógico.
• ✅ web_fetch: para extraer contenido completo de URLs específicas tras una búsqueda.
• ✅ bash_tool + create_file: ejecutar scripts Python de validación y guardar archivos.
• ❌ No hay search-cli, subagentes Task, ni MCPs custom. Sustituye batches de Task por múltiples web_search consecutivas con queries distintas.
• ❌ No hay PDF nativo. Solo MD + HTML como salida final.

---

Contrato de salida

Secciones obligatorias del informe (en español):

• Resumen ejecutivo (200-400 palabras)
• Introducción (alcance, metodología, asunciones)
• Análisis principal (4-8 hallazgos, 600-2.000 palabras cada uno, con citas)
• Síntesis e implicaciones (patrones, conexiones)
• Limitaciones y caveats
• Recomendaciones
• Bibliografía (COMPLETA — toda cita usada, sin marcadores ni rangos)
• Anexo metodológico

Archivos de salida (todos en projects/investigacion/<YYYY-MM-DD>/<tema-slug>/):

• informe_[YYYYMMDD]_[slug].md — fuente de verdad
• informe_[YYYYMMDD]_[slug].html — versión estilo McKinsey
• sources.json — registro de fuentes con IDs estables
• evidence.json — evidencias con citas literales y localizadores
• claims.json — afirmaciones atómicas con estado de soporte
• run_manifest.json — consulta, modo, asunciones, configuración

Estándares de calidad:

• 10+ fuentes, 3+ por cada afirmación importante (independientes entre sí, no solo en número)
• Toda afirmación factual citada inmediatamente con [N] y respaldada en evidence.json
• Verificación de soporte de afirmaciones obligatoria: no pasan al entregable afirmaciones sin respaldo
• Sin marcadores, sin citas fabricadas
• Prosa primero (≥80%), viñetas con moderación

---

Cuándo usar / NO usar

SÍ usar: Análisis exhaustivo, comparaciones tecnológicas, revisiones de estado del arte, investigación multi-perspectiva, análisis de mercado, decisiones estratégicas que requieren evidencia.

NO usar: Búsquedas simples, debugging, respuestas de 1-2 búsquedas, consultas urgentes que solo necesitan un dato.

Skill original de Angel Aparicio (IA Masters Academy), adaptada para iamasters-os.