deep-research

Deep Research Agent

"Complexity is not an obstacle; it's the raw material for structured decomposition."

Kapsamlı, çok kaynaklı araştırma için sistematik metodoloji. Tek web_search yeterli olmadığında kullan.

Core Principle

Tek arama = yüzeysel bilgi. Kaliteli çıktı = kaliteli araştırma. Asla genel bilgiden içerik üretme.

Araştırma Metodolojisi (DeerFlow-inspired)

Phase 1 — Broad Exploration (Geniş Tarama)

Ana konuyu anlamak için geniş sorgular:

1. İlk tarama: Konuyu genel olarak tara
2. Boyutları belirle: Hangi alt konular, açılar, perspektifler var?
3. Harita çiz: Farklı bakış açıları, paydaşlar, tartışmalı noktalar

Örnek: "Oracle agent mimarisi"
İlk sorgular:
- "AI agent orchestration architecture 2025"
- "multi-agent system design patterns"
- "LLM agent memory context management"

Tespit edilen boyutlar:
- Memory sistemleri (short/long term)
- Tool filtering ve güvenlik
- Trace/observability
- Subagent delegation patterns

Phase 2 — Deep Dive (Derinlemesine)

Her önemli boyut için hedefli araştırma:

1. Spesifik sorgular: Her alt konu için ayrı keyword
2. Farklı ifadeler dene: Aynı konuyu farklı kelimelerle ara
3. Tam içeriği oku: web_fetch ile sadece snippet değil, tam sayfa
4. Referansları takip et: Kaynakların bahsettiği diğer kaynakları ara

Phase 3 — Diversity & Validation (Çeşitlilik)

| Bilgi Tipi | Amaç | Sorgu Örnekleri | |---|---|---| | Gerçek & Data | Somut kanıt | "statistics", "benchmark", "numbers" | | Örnekler & Vakalar | Gerçek uygulama | "case study", "example", "implementation" | | Uzman Görüşleri | Otorite perspektifi | "expert analysis", "opinion", "commentary" | | Trendler | Gelecek yönü | "trend 2025", "forecast", "future" | | Karşılaştırma | Bağlam | "vs", "comparison", "alternatives" | | Eleştiriler | Dengeli bakış | "challenges", "limitations", "criticism" |

Phase 4 — Reflection Generation (Yansima Uretimi) [v2]

Her onemli kaynak icin distilled insight olustur. Ham icerik yerine yoğunlastirilmis bilgi kaydet.

Her kaynak icin:

1. URL + baslik kaydet
2. 2-3 cumlede distilled insight yaz (reflection)
3. memory_store ile kaydet: category="research_reflection"

Reflection formati:

- [Kaynak Basligi](URL): [2-3 cumle distilled insight]

Ornekler:

Iyi:

- [LATS: Language Agent Tree Search](https://arxiv.org/abs/2310.04406):
  MCTS + LLM reflection birlestiren agent search. Her basarisiz denemede
  self-reflection uretip sonraki denemeyi yonlendiriyor. ReAct'tan %22
  daha iyi HumanEval'da.

Kotu:

- [LATS paper](URL): Ilginc bir calisma, agent'lar icin onemli gorusuyor.

Kurallar:

• Spesifik veri, somut bulgu, uygulanabilir cikti odakli ol
• YASAK: Genel ifadeler ("ilginc", "onemli", "dikkat cekici")
• Her reflection bagimsiz anlasilabilir olmali
• Minimum 5, maksimum 20 reflection (konu genisligine gore)

Phase 5 — Synthesis from Reflections (Yansimalardan Sentez) [v2]

Icerik uretimini ham kaynak yerine SADECE reflection'lardan yap.

sessions_spawn(
  task="Asagidaki arastirma reflection'larindan kapsamli sentez yaz:\n\n[TUM REFLECTION'LAR]\n\nKurallar:\n- Sadece reflection'lardaki bilgiyi kullan\n- Kaynak URL'lerini icerige dahil et\n- Celiskili bulgulari belirt\n- Bilgi boslugu varsa isaretleKonular arasi baglanti kur",
  model="sonnet-4-6"
)

Token tasarrufu:

• ~50K ham veri → ~3K reflection = ~%94 azalma
• Writer subagent'a sadece reflection'lar gider (tam content DEGIL)
• Context penceresi korunur, sentez kalitesi artar (gurultu azalir)

Reflection yetersizse:

• Phase 4'teki minimum 5 kurali kontrole et
• Eksik boyut varsa Phase 2-3'e don, ek arastirma yap
• Yeni reflection'lar ekle, sonra Phase 5'i tekrarla

Phase 6 — Synthesis Check (Sentez Kontrolu)

Icerik uretimine gecmeden once:

• [ ] En az 3-5 farkli acidan aradim mi?
• [ ] Onemli kaynaklari tam okudum mu?
• [ ] Somut veri, ornek, uzman gorusu var mi?
• [ ] Hem olumlu hem elestirel perspektif var mi?
• [ ] Bilgi guncel mi?
• [ ] Reflection'lar spesifik ve uygulanabilir mi? [v2]
• [ ] Writer subagent'a sadece reflection'lar mi gitti? [v2]

Herhangi biri HAYIR ise → arastirmaya devam et.

Etkili Sorgu Stratejisi

# Bağlam ile spesifik ol
❌ "AI trends"
✅ "enterprise AI agent architecture 2025"

# Otoriter kaynak ipuçları ekle
"[konu] research paper"
"[konu] benchmark comparison"
"[konu] industry analysis"

# İçerik tipi belirt
"[konu] case study"
"[konu] statistics"
"[konu] expert interview"

# Temporal qualifier
"[konu] 2025"
"[konu] latest"
"[konu] recent"

web_fetch Ne Zaman Kullan

• Arama sonucu yüksek relevance gösteriyor
• Snippet yeterli değil, tam içerik gerekiyor
• Data, case study, uzman analizi var
• Tam bağlamı anlamak gerekiyor

Kalite Çubuğu

Araştırma yeterli sayılır, şunları yanıtlayabiliyorsam:

• Temel gerçekler ve veriler neler?
• 2-3 somut gerçek dünya örneği?
• Uzmanlar ne diyor?
• Mevcut trendler ve gelecek yönü?
• Zorluklar ve limitasyonlar?
• Bu konu şu an neden önemli?

Kaçınılacaklar

• ❌ 1-2 aramada durma
• ❌ Snippet'e güvenip tam kaynak okumama
• ❌ Konunun sadece bir boyutunu arama
• ❌ Çelişkili görüşleri görmezden gelme
• ❌ Güncel olmayan bilgiyi kullanma
• ❌ Araştırma tamamlanmadan içerik üretme

Multi-Step Research Planning

Karmaşık sorular için plan önce:

1. Hedefi parçala: Ana soruyu alt sorulara böl
2. Sıralı/paralel execution: Bağımlılıkları belirle
3. Context yönet: Bulguları düzenli kaydet
4. Sentez: Tüm bulguları birleştir → tutarlı rapor

Subagent Delegation (Büyük Araştırmalar)

Uzun araştırmalarda sessions_spawn ile Gemini Pro subagent kullan:

• 2M context → tüm repo/döküman okuyabilir
• $0 maliyet (OAuth)
• Oracle token'ı korunur

sessions_spawn(
  task="[araştırma görevi]",
  model="gemini31-pro",
  runtime="subagent"
)

Çıktı Formatı

Araştırma tamamlandığında:

1. Konunun çok açılı kapsamlı analizi
2. Spesifik gerçekler, veriler, istatistikler
3. Gerçek dünya örnekleri ve vakalar
4. Uzman perspektifleri ve otoriter kaynaklar
5. Güncel trendler ve bağlam
6. Kaynak listesi ([başlık](URL) formatında)

Ancak bundan sonra içerik üret.