web-research

Orquestra pesquisa web multi-fontes delegando a subagentes, sintetizando descobertas e produzindo relatórios citados. Divide perguntas de pesquisa em 2 a 5 subtópicos distintos, cria um arquivo de plano de pesquisa e gera até 3 subagentes em paralelo para investigação eficiente. Cada subagente realiza de 3 a 5 pesquisas na web por subtópico e escreve descobertas em arquivos locais com fatos-chave, citações e URLs de origem. Sintetiza resultados lendo arquivos locais de descobertas, integrando insights entre subtópicos e...

npx skills add https://github.com/langchain-ai/deepagents --skill web-research

Web Research Skill

Research Process

Step 1: Create and Save Research Plan

Before delegating to subagents, you MUST:

  1. Create a research folder - Organize all research files in a dedicated folder relative to the current working directory:

    mkdir research_[topic_name]
    

    This keeps files organized and prevents clutter in the working directory.

  2. Analyze the research question - Break it down into distinct, non-overlapping subtopics

  3. Write a research plan file - Use the write_file tool to create research_[topic_name]/research_plan.md containing:

    • The main research question
    • 2-5 specific subtopics to investigate
    • Expected information from each subtopic
    • How results will be synthesized

Planning Guidelines:

  • Simple fact-finding: 1-2 subtopics
  • Comparative analysis: 1 subtopic per comparison element (max 3)
  • Complex investigations: 3-5 subtopics

Step 2: Delegate to Research Subagents

For each subtopic in your plan:

  1. Use the task tool to spawn a research subagent with:

    • Clear, specific research question (no acronyms)
    • Instructions to write findings to a file: research_[topic_name]/findings_[subtopic].md
    • Budget: 3-5 web searches maximum
  2. Run up to 3 subagents in parallel for efficient research

Subagent Instructions Template:

Research [SPECIFIC TOPIC]. Use the web_search tool to gather information.
After completing your research, use write_file to save your findings to research_[topic_name]/findings_[subtopic].md.
Include key facts, relevant quotes, and source URLs.
Use 3-5 web searches maximum.

Step 3: Synthesize Findings

After all subagents complete:

  1. Review the findings files that were saved locally:

    • First run list_files research_[topic_name] to see what files were created
    • Then use read_file with the file paths (e.g., research_[topic_name]/findings_*.md)
    • Important: Use read_file for LOCAL files only, not URLs
  2. Synthesize the information - Create a comprehensive response that:

    • Directly answers the original question
    • Integrates insights from all subtopics
    • Cites specific sources with URLs (from the findings files)
    • Identifies any gaps or limitations
  3. Write final report (optional) - Use write_file to create research_[topic_name]/research_report.md if requested

Note: If you need to fetch additional information from URLs, use the fetch_url tool, not read_file.

Best Practices

  • Plan before delegating - Always write research_plan.md first
  • Clear subtopics - Ensure each subagent has distinct, non-overlapping scope
  • File-based communication - Have subagents save findings to files, not return them directly
  • Systematic synthesis - Read all findings files before creating final response
  • Stop appropriately - Don't over-research; 3-5 searches per subtopic is usually sufficient

Mais skills de langchain-ai

langgraph-docs
langchain-ai
Acesse a documentação do LangGraph para construir agentes com estado e fluxos de trabalho multiagente. Busca a documentação oficial do LangGraph em Python, abordando máquinas de estado, design de agentes baseado em grafos e padrões com intervenção humana. Prioriza a documentação relevante por tipo de consulta: guias de implementação para perguntas de "como fazer", páginas conceituais para teoria, tutoriais para exemplos completos e referências de API para detalhes técnicos. Seleciona automaticamente de 2 a 4 URLs de documentação mais relevantes e recupera seu conteúdo para responder...
official
langgraph-human-in-the-loop
langchain-ai
Pausar a execução do grafo para revisão, aprovação ou validação humana e, em seguida, retomar com a contribuição do usuário. Requer três componentes: um checkpointer (InMemorySaver ou PostgresSaver), um ID de thread na configuração e payloads de interrupção serializáveis em JSON. interrupt(value) pausa e exibe dados; Command(resume=value) retoma e retorna esse valor ao nó pausado. Todo código antes de interrupt() é reexecutado na retomada, portanto, os efeitos colaterais devem ser idempotentes (use upsert, não insert). Suporta fluxos de aprovação,...
official
web-research
langchain-ai
Use esta habilidade para solicitações relacionadas a pesquisa na web; ela fornece uma abordagem estruturada para realizar pesquisas web abrangentes.
official
langchain-oss-primer
langchain-ai
SEMPRE COMEÇE AQUI para qualquer projeto de construção de agentes LangChain, Deep Agents ou LangGraph. Ponto de partida obrigatório antes de escolher outras habilidades ou escrever qualquer…
official
skill-creator
langchain-ai
Guia para criar skills eficazes que estendem as capacidades do agente com conhecimento especializado, fluxos de trabalho ou integrações de ferramentas. Use esta skill quando o usuário…
official
social-media
langchain-ai
Cria posts para redes sociais específicas da plataforma, com conteúdo baseado em pesquisa e imagens de acompanhamento geradas. Suporta posts no LinkedIn (1.300 caracteres com tom profissional) e threads no Twitter/X (280 caracteres por tweet no formato 1/🧵). Exige delegar a pesquisa a um subagente antes de escrever e, em seguida, ler os resultados para garantir precisão e relevância. Gera imagens sociais atraentes automaticamente usando a ferramenta generate_social_image, com composições ousadas e de alto contraste otimizadas para telas pequenas...
official
deep-agents-memory
langchain-ai
Backends de memória e arquivos plugáveis para Deep Agents com opções de roteamento efêmero, persistente e híbrido. Quatro tipos de backend: StateBackend (efêmero, com escopo de thread), StoreBackend (persistente entre sessões), FilesystemBackend (acesso real a disco para desenvolvimento local) e CompositeBackend (roteia diferentes caminhos para diferentes backends). FilesystemMiddleware fornece seis ferramentas de operação de arquivos: ls, read_file, write_file, edit_file, glob, grep. CompositeBackend usa correspondência de prefixo mais longo para rotear...
official
deep-agents-orchestration
langchain-ai
Orquestrar subagentes, planejar tarefas de múltiplas etapas e exigir aprovação humana para operações sensíveis. Delegar trabalho a subagentes especializados por meio da ferramenta de tarefas; subagentes personalizados suportam conjuntos de ferramentas isolados e prompts de sistema, enquanto o subagente "de propósito geral" padrão herda a configuração do agente principal. Planejar e acompanhar fluxos de trabalho complexos com write_todos, organizando tarefas entre estados pendente, em andamento e concluído; requer um thread_id para persistência entre invocações. Implementar...
official