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.