composite
Ejecutar tareas compuestas de investigación y generación de reportes. Orquesta múltiples búsquedas web (research.web) + generación LLM (llm.generate) para producir un reporte de investigación completo en Notion. Usa cuando el usuario pida "investigar y reportar", "research report", "reporte de investigación", "buscar y resumir", "análisis de mercado", "estudio de tema".
소스 정보
- 저장소
- Umbral-Bot/umbral-agent-stack
- 최근 소스 활동
- 2026년 3월 24일 23:39
- 감지된 SKILL.md 언어
- 스페인어
- 스타
- 0
- 포크
- 0
설치 방법
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
소스 파일 검토
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
SKILL.md 표시 중
SKILL.md
소스 지침 · 읽기 전용 미리보기- name
- composite
- description
- Ejecutar tareas compuestas de investigación y generación de reportes. Orquesta múltiples búsquedas web (research.web) + generación LLM (llm.generate) para producir un reporte de investigación completo en Notion. Usa cuando el usuario pida "investigar y reportar", "research report", "reporte de investigación", "buscar y resumir", "análisis de mercado", "estudio de tema".
- metadata
- {"openclaw":{"emoji":"📊","requires":{"env":"[Truncated]"}}}
# Composite Research Report
Skill para generar reportes de investigación completos a partir de un solo tema. Orquesta automáticamente el pipeline: generación de queries → búsqueda web → síntesis LLM.
## Worker Task
`composite.research_report`
## Parámetros
| Parámetro | Tipo | Requerido | Default | Descripción |
|-----------|------|-----------|---------|-------------|
| `topic` | string | ✅ | — | Tema a investigar |
| `queries` | list[str] | ❌ | auto-generadas | Queries de búsqueda explícitas |
| `depth` | string | ❌ | `"standard"` | Profundidad: `"quick"` (3 queries), `"standard"` (5), `"deep"` (10) |
| `language` | string | ❌ | `"es"` | Idioma del reporte |
## Respuesta
| Campo | Tipo | Descripción |
|-------|------|-------------|
| `report` | string | Reporte completo en markdown |
| `sources` | list[dict] | Fuentes usadas `{title, url, query}` |
| `queries_used` | list[str] | Queries ejecutadas |
| `stats` | dict | Estadísticas `{total_sources, research_time_ms, generation_time_ms}` |
## Estructura del Reporte
1. **Resumen Ejecutivo** — 2-3 párrafos
2. **Hallazgos Principales** — con citas de fuentes
3. **Tendencias Identificadas** — patrones observados
4. **Recomendaciones** — acciones concretas
## Ejemplos de Uso
### Investigación rápida
```json
{
"task": "composite.research_report",
"input": {
"topic": "Adopción de BIM en Latinoamérica 2025",
"depth": "quick"
}
}
```
### Investigación profunda con queries custom
```json
{
"task": "composite.research_report",
"input": {
"topic": "IA generativa en diseño arquitectónico",
"depth": "deep",
"queries": [
"AI generative design architecture 2025",
"parametric design machine learning",
"midjourney architecture workflow"
],
"language": "es"
}
}
```
## Pipeline Interno
```
topic → LLM genera N queries → research.web × N → LLM sintetiza → reporte markdown
```
## Dependencias
- `research.web` (Tavily API)
- `llm.generate` (Gemini / OpenAI / Anthropic según routing)
## Regla cuando el reporte alimenta una verificacion en browser
Si el trabajo no termina en el reporte y despues alguien abrira una fuente en
browser o GUI para comprobarla:
- no dependas de una sola URL por hallazgo importante;
- conserva al menos 2 fuentes plausibles cuando el tema lo permita;
- si la primera fuente abierta devuelve `404`, `Page not found`, homepage
generica o contenido no relacionado, la verificacion debe saltar a la
siguiente fuente antes de cerrar;
- separar siempre `hallazgo de research` de `verificacion browser`.
GitHub에서 보기