web-research

Searches multiple web sources, synthesizes findings, and produces cited research reports using delegated subagents. Use when the user asks to research a topic…

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

Больше skills от langchain-ai

langgraph-docs
langchain-ai
Получает доступ к документации LangGraph для создания агентов с состоянием и многолетних рабочих процессов. Извлекает официальную документацию LangGraph на Python, охватывающую конечные автоматы, проектирование агентов на основе графов и шаблоны с участием человека. Приоритизирует релевантную документацию по типу запроса: руководства по реализации для вопросов «как сделать», страницы с концепциями для теории, учебные пособия для сквозных примеров и ссылки на API для технических деталей. Автоматически выбирает 2–4 наиболее релевантных URL-адреса документации и извлекает их содержимое для ответа...
official
langgraph-human-in-the-loop
langchain-ai
Приостановка выполнения графа для проверки, утверждения или валидации человеком с последующим возобновлением с учётом его ввода. Требует три компонента: контрольную точку (InMemorySaver или PostgresSaver), идентификатор потока в конфигурации и JSON-сериализуемые полезные нагрузки прерывания. interrupt(value) приостанавливает и отображает данные; Command(resume=value) возобновляет выполнение и возвращает это значение в приостановленный узел. Весь код до interrupt() повторно выполняется при возобновлении, поэтому побочные эффекты должны быть идемпотентными (используйте upsert, а не insert). Поддерживает рабочие процессы утверждения,...
official
web-research
langchain-ai
Используйте этот навык для запросов, связанных с веб-исследованиями; он предоставляет структурированный подход к проведению всесторонних веб-исследований
official
langchain-oss-primer
langchain-ai
ВСЕГДА НАЧИНАЙТЕ ЗДЕСЬ для любого проекта по созданию агентов LangChain, Deep Agents или LangGraph. Обязательная отправная точка перед выбором других навыков или написанием любого…
official
skill-creator
langchain-ai
Руководство по созданию эффективных навыков, расширяющих возможности агента с помощью специализированных знаний, рабочих процессов или интеграции инструментов. Используйте этот навык, когда пользователь…
official
social-media
langchain-ai
Создаёт платформенно-специфичные посты для социальных сетей с контентом на основе исследований и сгенерированными изображениями-компаньонами. Поддерживает посты для LinkedIn (1300 символов, профессиональный тон) и треды для Twitter/X (280 символов на твит, формат 1/🧵). Требует делегирования исследования сабагенту перед написанием, затем чтения результатов для обеспечения точности и релевантности. Автоматически генерирует привлекательные изображения для соцсетей с помощью инструмента generate_social_image, используя смелые, высококонтрастные композиции, оптимизированные для маленьких...
official
deep-agents-memory
langchain-ai
Подключаемые модули памяти и файловые бэкенды для Deep Agents с эфемерными, постоянными и гибридными вариантами маршрутизации. Четыре типа бэкендов: StateBackend (в рамках потока, эфемерный), StoreBackend (постоянный между сессиями), FilesystemBackend (реальный доступ к диску для локальной разработки) и CompositeBackend (маршрутизация разных путей к разным бэкендам). FilesystemMiddleware предоставляет шесть инструментов для работы с файлами: ls, read_file, write_file, edit_file, glob, grep. CompositeBackend использует сопоставление по самому длинному префиксу для маршрутизации...
official
deep-agents-orchestration
langchain-ai
Оркестрируйте субагентов, планируйте многошаговые задачи и требуйте одобрения человека для чувствительных операций. Делегируйте работу специализированным субагентам через инструмент задач; пользовательские субагенты поддерживают изолированные наборы инструментов и системные подсказки, в то время как стандартный «универсальный» субагент наследует основную конфигурацию агента. Планируйте и отслеживайте сложные рабочие процессы с помощью write_todos, организуя задачи по статусам: ожидающие, в процессе и завершённые; требуется thread_id для сохранения состояния между вызовами. Реализуйте...
official