Бесплатная лекция. Deep Research. Как с помощью ИИ искать и исследовать, находить лучшее.

Бесплатный курс: Эффективное использование chatGPT. Новые возможности с «0»! Бесплатная лекция. Deep Research. Как с помощью ИИ искать и исследовать, находить лучшее.

Запись лекции

Предпосылка лекции.

1. Во-первых, предпосылка этой лекции в том, что я увидел, что некоторые мои знакомые практически игнорируют этот инструмент, недооценивают его и в результате тратят просто гигантское количество времени на то, что может быть гораздо более эффективно выполнено с помощью этого конкретного инструмента. Я просто захотел помочь. Точнее, я им уже много раз помогал и много раз показывал, и постепенно понял, что эта проблема достаточно типична вообще.

С этим связано определённое предубеждение по отношению к искусственному интеллекту. Довольно много людей пишет нечто вроде: «я там его что-то спросил, а он типа тупой». Ну, я на это могу сказать так:

Единственная причина такого положения вещей — в том, что те, кто так думает, абсолютно не понимают, как пользоваться этим инструментом. Суждения, которые они делают о возможностях инструмента, основываются не на понимании того, как он работает, не на навыке взаимодействия с ним, а на их невежестве.

И в особенной степени это касается конкретно режима депрессии, потому что этот режим, ну слушайте… он, по большому счёту, 80% современной науки заменяет. Учитывая, что наука с точки зрения анализа феноменов, разработки, дизайна, экспериментов, создания моделей — это на самом деле ничтожная часть. Большая часть людей занимается бесконечным рытьём в уже существующем корпусе, публикациями, созданием обзоров, обзоров на обзоры и так далее.

Но сама по себе задача поиска — она фундаментальна. Мы все тратим много времени на поиск нужной информации по различным критериям. За последние 20–30 лет мы привыкли к поиску с помощью Google, Яндекса и прочих систем. И у многих людей в голове даже не укладывается, насколько расширяет возможности не просто поиска, а именно исследования, вот этот режим депрессии, о котором я хочу рассказать.

Сама эта лекция пример интенсивного использования режима Deep Research. По сути моя роль свелась только у придумыванию сценария лекции и правильных вопросов, заданий, которые я ставил ИИ.

Я использовал Google Gemini и chatGPT, но покажу, как использовать и другие популярные сервисы.

Если вы заходили по ссылке, которую я давал, я вам показывал примеры таких исследований — точнее, результатов, которые можно получить. По факту это диапазон от краткого обзора до докторской диссертации. Потому что если взять любое научное исследование, то существенная его часть — это обзор уже готовых источников, сведение данных, поиск закономерностей, корреляций, формулировок и так далее. Вот этот весь корпус, связанный с наукой, режим DS достаточно хорошо выполняет.

Вот несколько примеров:

Гид по выбору стоматологической клиники — https://alexeykrol.com/pages/dent.html
Рассвет AI-инструментов — https://alexeykrol.com/pages/tools.html
The No-Code AI Ecosystem — https://alexeykrol.com/pages/xpeople.html
Ключевые Ресурсы по Искусственному Интеллекту — https://alexeykrol.com/pages/airss.html

Приложения.

2. Поскольку информации много и большая её часть носит конкретный справочный характер, не было смысла помещать её в лекцию. Поэтому я вынес её в отдельные приложения.

Причём, практически на 95% все эти приложения сверстаны тоже с помощью искусственного интеллекта, с помощью того самого режима DS.

Моя задача сводилась к тому, чтобы задавать правильные вопросы, фактически создавать правильные промты, которые давали нужный результат.

Можно будет всё это увидеть и прочитать. Общий объём, наверное, около 200 страниц по разным разделам. Я потом подробно расскажу, потому что каждый из этих разделов может быть вам полезен.

Все исходники лекции получены с помощью Deep research. Вы можете найти их в Приложении: https://alexeykrol.com/courses/ai_intro/lessons/2-56/topic/2-18/

Если кому-то покажется много букв, и вы захотите получить выжимку, можете воспользоваться сервисом — https://notebooklm.google.com/

Фокус лекции.

Важная оговорка. Фокус данной лекции на использование режима DR. Т.е. мы не будем рассматривать общие и элементарные вопросы — как эффективно использовать ИИ.

Тем не менее, у меня есть бесплатный мини-курс, который так и называется — https://alexeykrol.com/courses/ai_intro/ — там ликбез, в т.ч. и про DS, но не так подробно. Курс был создан в марте, но на 90% не утратил актуальности.

Как мы будем работать?

Я расскажу то, чем хочу поделиться, и во время лекции я не отвечаю на вопросы. В конце 5 минут ответы на вопросы, если они возникнут, впрочем, я планирую так подавить вас интеллектом, что надеюсь — вопросов не будет…. Это шутка. Я заметил, что люди моложе 35, похоже, вообще перестали понимать шутки, а любой сарказм воспринимают, как личное оскорбление, травму и бегут к наркодилерам, под вывеской психотерапевтов.

Я даже не буду уточнять, поняли ли вы, что это шутка, чтобы не разочаровываться раньше времени. Вообще, если что — я не имею привычки щадить чувства слушателей и зрителей, потому что верю, что правда приносит пользу, даже если она причиняет боль. Ладно… поехали.

Как быстро получить режим DR?

3. Где этот режим искать? Для тех, кто не в курсе?

https://chatgpt.com/ —

https://gemini.google.com/app

https://grok.com/

https://claude.ai/new

https://chat.deepseek.com/

Как все это работает? Вы вводите промпт (задние) и нажимаете кнопку. К примеру — «Найди 10 значимых научных статей, посвященных гипотезе симуляции».

Это плохой промпт, как вы позже поймете, но мне сейчас надо показать — как это работает. Пока мы идем дальше, ИИ будет работать — это требует больше времени, чем режим обычного чата.

Вы уже можете сформулировать простой промпт-задание, зайти в ИИ, который вы используете, и повторить, чтобы увидеть результат. Напоминаю, что для большинства сервисов нужен платный тариф — в приложении будет отдельно про тарифы…

Пока ИИ работает, давайте разберемся с основами….

Чем режим Deep Research отличается от обычного чата?

4. Чем режим Deep Research отличается от обычного чата? Типа, зачем он мне нужен вообще? Какие задачи специфически этот режим дает? Какие специфические возможности дает этот режим, который я не могу просто получить от чата?”

Обычный чат, вроде стандартного режима общения с ИИ, хорош, когда нужно просто ответить на какой-то конкретный вопрос или получить какую-то справочную информацию.

А режим Deep Research — это как будто у вас есть персональный исследователь, который не просто отвечает на один вопрос, а проводит целое исследование

Он может:

собрать информацию из разных источников,
проанализировать данные,
сравнить варианты
и в итоге выдать структурированный и продуманный ответ, примеры вы уже видели.

То есть, если нужно просто узнать, например, погоду или рецепт супа, достаточно обычного чата.

Но если вы хотите, например, выбрать лучший инструмент для своего бизнеса, сравнить его с конкурентами, понять плюсы и минусы, то тут уже на помощь приходит Deep Research.

Важный вопрос: Чем отличается режим DS от поиска в Google?

Google, даёт просто список ссылок, из которых самому нужно выбирать, анализировать и делать выводы.

Deep Research — это более глубокий и комплексный подход. Он не просто отвечает на один вопрос, а может проводить целое исследование, разбивая его на несколько этапов, анализируя информацию из разных источников, проверяя данные и выдавая уже готовые выводы и рекомендации.

Deep Research как бы «копает глубже», чтобы найти более точные и детальные ответы. В итоге, это позволяет получить более надёжную и всестороннюю картину, особенно когда нужно принять важное решение или провести серьёзный анализ.

Разумеется, нам стоит определить термин «исследование», в контексте DR?

Под исследованием в контексте Deep Research мы будем подразумевать процесс, в котором ИИ не просто отвечает на один конкретный вопрос, а проводит более глубокий анализ.

Это может включать в себя сбор и сравнение информации из разных источников, поиск паттернов, выявление трендов, формирование выводов и рекомендаций.

Например, если мы говорим о выборе лучшей модели прибора, то Deep Research не просто покажет рейтинг, а соберёт отзывы, сравнит характеристики, подведёт итоги и даст рекомендации, учитывая ваши потребности.

А если речь о научных статьях, то это поиск, анализ и структурирование информации, чтобы сформировать чёткие выводы и аргументы.

Направления исследований.

5. Разумеется, есть огромное количество направлений, в которых можно использовать этот режим.

DR будет давать выдающиеся результаты. Вы буквально будете экономить месяцы и десятки тысяч долларов, если не сотни.

Давайте определим типы исследований, потому что, допустим, если ищем какой-то продукт купить в Амазоне, это одна история. Маркетинговые исследования — это другая история, когда мы что-то сравним. Научные — совсем иное.

Во-первых, у нас есть потребительские исследования. Сюда относится поиск лучшего продукта, сравнение товаров по отзывам, характеристикам, ценам. Например, когда мы выбираем товар на Amazon, мы хотим получить максимально удобное и выгодное предложение, и Deep Research здесь помогает быстро собрать и сравнить все данные.

Далее, есть маркетинговые исследования. Они направлены на анализ рынка, конкурентов, целевой аудитории, трендов. Здесь ИИ может помочь собрать данные о конкурентах, провести сравнение стратегий, выявить сильные и слабые стороны.

Третий тип — это бизнес и стартап-исследования, где мы ищем инновации, уникальные решения, анализируем потенциальные ниши, оцениваем рыночные перспективы и, конечно, сравниваем свой продукт с существующими аналогами.

Разумеется, научные исследования — это поиск и анализ академических источников, систематизация данных, выявление закономерностей и формулировка выводов.

Есть ещё несколько важных типов исследований, которые можно выделить.

Например, есть журналистские расследования, где важно не просто собрать информацию, но и проверить её достоверность, найти эксклюзивные данные и представить всё это в формате увлекательной истории.

Ещё можно выделить бизнес-аналитические исследования, которые фокусируются на анализе финансовых показателей, эффективности процессов, поиске точек роста и оптимизации.

Социальные исследования, которые направлены на изучение общественного мнения, поведения людей, социальных тенденций.

Технические исследования, которые касаются разработки новых технологий, тестирования гипотез, анализа технических характеристик и поиска оптимальных решений. Все эти типы исследований отличаются целями, методами и глубиной анализа, и ИИ может быть полезен в каждом из них, адаптируя свои подходы под конкретные задачи.

Каковы типичные примеры исследований?

Для потребительских исследований:

Выбор смартфона: сравнение популярных моделей по характеристикам, цене и отзывам.
Поиск лучшего пылесоса: анализ рейтингов, сравнение по эффективности и удобству использования.
Выбор спортивных кроссовок: подбор оптимальной модели для бега, сравнение брендов и технологий.

Для маркетинговых исследований:

Анализ конкурентов: исследование стратегий продвижения, выявление сильных и слабых сторон.
Исследование целевой аудитории: определение предпочтений и потребностей клиентов для запуска нового продукта.
Оценка эффективности рекламной кампании: сравнение показателей до и после, анализ конверсии и вовлечённости.

Для стартап-исследований:

Поиск ниш: анализ перспективных рынков и выявление свободных ниш для нового продукта.
Сравнение бизнес-моделей: оценка различных подходов к монетизации и выбор наиболее эффективного.
Анализ конкурирующих решений: сравнение функционала, цен и отзывов, чтобы понять, как выделиться на рынке.

Для научных исследований:

Обзор литературы: поиск и анализ научных статей по определённой теме для формирования теоретической базы.
Систематизация результатов: анализ полученных данных, выявление закономерностей и подготовка публикаций.

Для журналистских расследований:

Расследование коррупции: поиск и анализ документов, свидетельств, интервью для раскрытия коррупционных схем.
Анализ социальных проблем: сбор данных, интервьюирование экспертов и пострадавших для выявления причин и последствий социальных явлений.
Раскрытие корпоративных скандалов: анализ утечек информации, интервью с инсайдерами, сопоставление фактов.

Для бизнес-аналитических исследований:

Оценка финансовой эффективности: анализ прибыльности, рентабельности и других ключевых показателей компании.
Оптимизация бизнес-процессов: выявление узких мест и предложений по улучшению эффективности.
Исследование рынка: анализ текущих трендов, прогнозирование спроса и предложения.

Для социальных исследований:

Изучение общественного мнения: проведение опросов и анкетирований для выявления взглядов на актуальные проблемы.
Исследование социальных трендов: анализ изменений в поведении людей, выявление новых тенденций.
Оценка социальных программ: изучение эффективности социальных

Deep Research отлично подойдёт для обзора литературы.

Возможно использовать ИИ для фактчекинга. Можно сформулировать запрос так: привести утверждение или факт, а затем попроси ИИ найти надёжные источники, которые подтверждают или опровергают этот факт. Важно указать, что нужны ссылки на первоисточники, а также попросить ИИ оценить надёжность этих источников и дать общую оценку достоверности информации.

Важная оговорка: ИИ не может сам установить истину, он работает с доступными источниками. Фактчекинг в данном случае — это именно поиск надёжных, проверенных источников, сравнение информации из разных источников и оценка их достоверности.

ИИ может помочь выстроить логическую цепочку, показать, что говорят надёжные источники, и уже на основе этого можно сделать свои выводы. То есть это скорее помощь в проверке информации, но не абсолютная гарантия истины.

Что еще может быть?

Образовательные исследования, когда, например, нужно найти лучшие практики в обучении, проанализировать методики преподавания или оценить эффективность различных курсов.
Юридические исследования, где важно найти судебные прецеденты, законодательные акты или проанализировать правовые риски.
И, конечно, ещё один интересный тип — это творческие исследования, например, поиск вдохновения для писателей, художников, дизайнеров, анализ трендов в искусстве, музыке и так далее.

Для творческих задач DR может быть очень полезным. К примеру можно описать, референсы: это могут быть определённые стили, настроения, эпохи или даже конкретные элементы дизайна. DR поможет собрать подборку визуальных примеров, проанализировать текущие тренды в искусстве или дизайне, и предложить идеи, которые могут вдохновить или подсказать новое направление. DR может помочь найти референсы и в играх, и в литературе, и в кино, и в музыке.

Можно, например, проанализировать сюжетные ходы или визуальные стили в кино, посмотреть, какие музыкальные тенденции сейчас актуальны, или найти интересные литературные приёмы, которые можно использовать для вдохновения. В общем, это действительно универсальный инструмент для креативных задач в самых разных областях.

Медицинский поиск тоже очень востребован. В таком случае ИИ может помочь проанализировать набор симптомов, собрать информацию о возможных причинах и предоставить ссылки на авторитетные медицинские источники.

Конечно, важно помнить, что ИИ не заменяет врача, и любые выводы нужно обязательно подтверждать у специалиста, но для первичной информации или для того, чтобы понять, к какому врачу обратиться, такой поиск может быть очень полезным.

В приложении я привел много кейсов и типов исследований, чтобы вы понимали — как можно.

Профессия	Кейс 1	Кейс 2	Кейс 3
Маркетолог	Анализ конкурентов по digital-активности	Поиск новых каналов трафика для конкретного сегмента	Сравнение платформ для запуска email-кампаний
Продуктовый менеджер	Выбор технологии для MVP	Анализ обратной связи пользователей по конкурентам	Исследование лучших UX-практик для определённой ниши
Финансовый аналитик	Сравнение инвестиционных стратегий на базе рыночных отчётов	Поиск отраслевых трендов по квартальной отчётности	Оценка рисков на основе исторических данных
Юрист	Сравнение норм законодательства в разных юрисдикциях	Анализ прецедентов по конкретному кейсу	Поиск правовых рисков в договоре или бизнес-модели
UX/UI-дизайнер	Поиск актуальных паттернов интерфейсов для мобильных приложений	Анализ конкурентных решений по onboarding-процессу	Исследование предпочтений целевой аудитории в дизайне
HR-специалист	Исследование тенденций по удержанию сотрудников	Сравнение HR-tech платформ по функциям и цене	Анализ конкурентных предложений на рынке труда
Продакт-маркетолог	Поиск позиций конкурентов в сегменте	Анализ отзывов на аналогичные продукты	Разработка УТП на основе сравнительного анализа
Аналитик данных	Сравнение BI-инструментов по применимости к текущей задаче	Поиск open-source источников данных по определённой теме	Сбор литературы и подходов по ML-моделям для решения специфической задачи
Фаундер стартапа	Анализ рыночной ниши	Оценка конкурентов в выбранной категории	Подбор акселераторов и грантовых программ
Контент-маркетолог	Анализ трендов по ключевым словам и форматам	Сравнение платформ для распространения контента	Поиск лучших кейсов контент-стратегий в отрасли
SEO-специалист	Анализ изменений алгоритмов поисковиков	Сравнение стратегий ссылочного продвижения конкурентов	Поиск низкочастотных запросов в нише
PR-менеджер	Анализ успешных PR-кампаний в похожих ситуациях	Поиск медиа для релевантного охвата	Сравнение инструментов медиапланирования
Блогер / контент-креатор	Поиск актуальных форматов и тем по нише	Анализ конкурентов по вовлечённости	Выбор платформы под целевую аудиторию
Онлайн-преподаватель	Анализ лучших практик геймификации в образовании	Сравнение платформ для хостинга курсов	Поиск актуальных тем для новой программы
Исследователь / научный сотрудник	Поиск современных исследований по теме	Сравнение методологий в публикациях	Обзор контроверсий и нерешённых проблем
Редактор / литературный агент	Анализ трендов в литературных жанрах	Поиск потенциальных издательств для автора	Сравнение моделей дистрибуции
Финтех-разработчик	Анализ регуляторных требований в разных странах	Поиск библиотек и API для финансовых расчётов	Сравнение архитектурных решений в open-source проектах
Продюсер подкастов	Поиск успешных подкастов по теме	Анализ трендов в формате и длине выпусков	Выбор платформы дистрибуции с лучшим охватом
Инвестор / VC	Оценка перспектив отрасли на базе трендов	Сравнение pitch-деки конкурентов	Анализ команды и рынка стартапа
UX-исследователь	Поиск инсайтов о поведении пользователей	Сравнение результатов A/B-тестов конкурентов	Обзор фреймворков по user journey mapping
Политолог	Сравнение избирательных стратегий партий в разных странах	Анализ идеологических трендов по регионам	Обзор дискурса в СМИ по ключевым вопросам
Журналист-расследователь	Поиск документов и утечек по теме	Сопоставление версий событий в разных источниках	Анализ связей между фигурантами дела
Сценарист / шоураннер	Исследование зрительских предпочтений по жанрам	Поиск аналогов и трендов в нарративах	Анализ успешных сериалов в нужной нише
Архитектор решений (IT)	Сравнение архитектурных паттернов для high-load систем	Поиск best practices по микросервисной архитектуре	Анализ плюсов/минусов разных баз данных под задачу
Тренд-аналитик / футуролог	Обзор weak signals и формирующихся трендов	Анализ прогнозов разных агентств	Сравнение сценариев развития индустрий
Продюсер онлайн-курсов	Анализ лучших образовательных моделей	Поиск конкурентных курсов и сравнение по структуре	Анализ тем и форматов, вызывающих наибольший интерес
Бренд-менеджер	Поиск удачных кейсов ребрендинга	Анализ восприятия бренда в разных ЦА	Сравнение визуальных и вербальных стратегий конкурентов
Политтехнолог / консультант	Сравнение электоральных тактик по типу региона	Поиск паттернов в кампейнах с низким доверием	Обзор эффективных мобилизационных стратегий
Рекрутер в IT	Анализ востребованных технологий по рынку	Поиск зарплатных вилок по регионам	Сравнение платформ поиска кандидатов
Этический консультант (AI Ethics)	Поиск кейсов этических конфликтов в ИИ	Анализ предложений по регуляции	Сравнение этических кодексов ИИ-компаний
Менеджер по устойчивому развитию (ESG)	Сравнение ESG-рейтингов компаний	Поиск практик декарбонизации в отрасли	Анализ стратегий экологического маркетинга
Образовательный методист	Сравнение методик обучения по возрастным группам	Анализ кейсов смешанного и адаптивного обучения	Поиск лучших практик работы с мотивацией учащихся
Data Scientist	Сравнение алгоритмов по задаче (например, time series)	Обзор новейших библиотек	Поиск открытых датасетов по теме
Фандрайзер / грантовый менеджер	Поиск релевантных грантодателей и условий	Анализ выигрышных заявок по теме	Сравнение критериев отбора в разных фондах
Менеджер по инновациям	Анализ корпоративных венчурных инициатив	Поиск инновационных моделей в смежных индустриях	Сравнение подходов к внедрению инноваций

Ограничения. Чего не стоит ожидать?

7. Дальше мы, естественно, рассмотрим ограничения, потому что, как любой инструмент, DR имеет много плюсов, много выгод, но и определённые ограничения.

Это очень важно знать, потому что, если вы не понимаете эти ограничения, этот мощный инструмент может давать вам совершенно неверные результаты — при том, что они будут очень умно и убедительно упакованы. Это может быть опасно, потому что может уводить вас в совершенно неправильную сторону или подводить к неверным решениям.

Поэтому важно понимать не только возможности, но и границы, в которых инструмент работает — это я чётко видел.

Примеры плохих кейсов.

10 типичных кейсов, когда Deep Research с ИИ не даёт надёжных результатов или может ввести в заблуждение.

🔻 1. Свежие новости, события последнего часа ИИ без доступа к интернету (или с задержкой в базе данных) не знает, что произошло «вчера вечером» или «час назад». Даже с доступом — может не иметь полноты картины. ❌ «Что только что сказал Илон Маск на конференции?» ✅ Лучше: «Найди мне краткое резюме выступлений Маска за последние 3 месяца по теме AI»

🔻 2. Поиск точных цифр (цен, дат, метрик) ИИ часто «галлюцинирует» цифры, даже уверенно. Особенно — в динамичных нишах (цены на рынке, зарплаты, посещаемость сайтов и т.п.). ❌ «Сколько сейчас стоит подписка на Notion AI?» ✅ Лучше: «Какие тарифы были у Notion AI на начало 2024 года и где посмотреть актуальные?»

🔻 3. Нюансы локального законодательства ИИ может дать общее представление о законе, но не знает актуальных поправок в конкретном штате, регионе или стране. ❌ «Можно ли зарегистрировать ИП в Калифорнии без SSN?» ✅ Лучше: «Опиши общие принципы открытия бизнеса в США для резидентов. Где искать официальную информацию?»

🔻 4. Медицинская диагностика и советы по лечению ИИ не врач. Он может предложить справочные гипотезы, но не заменяет медицинскую диагностику. ❌ «Что означает боль в правом боку у ребёнка 8 лет?» ✅ Лучше: «Какие возможные причины боли в правом боку у детей, согласно Mayo Clinic и WebMD?»

🔻 5. Этичные или субъективные решения ИИ не может принять решение за вас в морально сложной ситуации — он может только показать аргументы. ❌ «Стоит ли мне разводиться?» ✅ Лучше: «Какие факторы обычно учитывают люди при принятии решения о разводе, и какие ресурсы помогут это обдумать?»

🔻 6. Нестандартные формулировки и внутренние метафоры ИИ не поймёт ваших личных терминов, сленга или специфики, если вы не объясните. ❌ «Сравни зелёный сценарий и рыбий подход для моей команды» ✅ Лучше: «В нашей терминологии ‘зелёный сценарий’ — это оптимистичный путь, а ‘рыбий подход’ — пассивное ожидание. Сравни плюсы-минусы таких стратегий в управлении проектами»

🔻 7. Проверка индивидуального файла или ссылки ИИ не может «открыть» ссылку или файл, если вы ему её просто дали — он не имеет доступа к внешним источникам без API. ❌ «Что ты думаешь об этой статье?» (ссылка) ✅ Лучше: вставьте текст, либо загрузите документ.

🔻 8. Точный анализ эмоций, мотивации или намерений реального человека ИИ не знает, что «думал» человек в твите, видео или интервью — он может только интерпретировать текст. ❌ «Почему Сэм Альтман на самом деле уехал из OpenAI в ноябре 2023?» ✅ Лучше: «Какие версии выдвигались СМИ и экспертами об уходе Сэма Альтмана?»

🔻 9. Творческие оценки вкуса, моды, искусства ИИ может предложить идеи, но он не чувствует моду, стиль или вкус так, как человек. ❌ «Какой стиль логотипа будет “вкусный” для зумеров?» ✅ Лучше: «Какие визуальные стили популярны у аудитории 18–25 лет в TikTok и Instagram в 2025 году?»

🔻 10. Поиск абсолютно нового, чего ещё нет в сети ИИ может только переосмыслять то, что уже существует. Он не придумает нечто радикально новое без входных данных. ❌ «Придумай уникальную бизнес-идею, которой нет нигде в мире» ✅ Лучше: «Сгенерируй 5 нестандартных бизнес-идей на стыке геймификации и образования для подростков»

Проверка сложных гипотез, особенно философских или концептуальных, не вписывается в стандартный алгоритм проверки фактов или научных гипотез, где есть чёткие критерии и данные.

Скорее, можно говорить о сборе существующих аргументов, точек зрения, мнений разных экспертов. Deep Research может помочь собрать и структурировать такую информацию, но итоговый вывод, конечно, будет зависеть от того, какие источники и аргументы будут найдены. То есть это скорее помощь в анализе уже существующих точек зрения, а не окончательная проверка гипотезы.

Deep Research выступает как инструмент для сбора и структурирования существующей информации и мнений, а не как инструмент для окончательной проверки гипотезы.

Он может помочь найти различные точки зрения, выявить существующие аргументы «за» и «против», но для окончательной проверки каких-то фундаментальных или практических гипотез нужны уже дополнительные методы и исследования вне рамок чисто информационного поиска. То есть Deep Research — это отличный старт, но не финальная инстанция в проверке сложных гипотез.

Deep Research в первую очередь работает как инструмент, который помогает быстро и эффективно собрать и систематизировать информацию, уже существующую в открытых источниках. Он действительно может помочь найти какие-то закономерности, выявить корреляции, но в конечном счёте это всегда будет основываться на уже существующих данных и мнениях.

Важно: DR не создаёт новых знаний, а скорее помогает лучше ориентироваться в уже существующем объёме информации. Поэтому его основная ценность — это как раз скорость, удобство и точность консолидации данных, а не генерация чего-то принципиально нового.

Пример: Ограничения из-за простых примитивных промптов.

❌ Пример 1: «Скажи, какой стартап сейчас точно выстрелит» Почему плохо: слишком общий, без контекста, ИИ не предсказывает будущее. ✅ Лучше: «Собери тренды B2B SaaS 2025 года и выдели ниши, где ещё мало конкуренции по данным Pitchbook и Crunchbase. Примени критерии: рост инвестиций, число стартапов < 100, потенциал автоматизации.»

❌ Пример 2: «Найди мне самую дешёвую квартиру в Нью-Йорке» Почему плохо: ИИ не имеет доступа к live-базам (Zillow, Craigslist), и может выдумать. ✅ Лучше: «Какие сайты используются для поиска аренды в Нью-Йорке, как отфильтровать надёжные варианты, и какие районы наиболее дешёвые по статистике 2024 года?»

❌ Пример 3: «Можно ли есть сахар при диабете?» Почему плохо: это вопрос к врачу, ответ без контекста может быть опасным. ✅ Лучше: «Что говорят рекомендации Mayo Clinic и CDC по поводу употребления сахара при диабете 2 типа? Укажи ссылки на источники.»

❌ Пример 4: «Сделай логотип для моего бренда» Почему плохо: нет описания бренда, аудитории, стиля. ✅ Лучше: «Я делаю онлайн-курс по осознанности для женщин 30+. Нужен логотип в минималистичном стиле, спокойные цвета, ассоциации: ясность, мягкость, структура. Приведи референсы и объясни, что подойдёт.»

❌ Пример 5: «Напиши статью на тему успеха» Почему плохо: тема абстрактная, критерии не заданы, нет целевой аудитории. ✅ Лучше: «Напиши статью на тему “Почему понятие успеха изменилось в эпоху ИИ”, длиной 800 слов, для блога карьерного коуча. Стиль — деловой с элементами storytelling. Примеры — из 2023–2025 гг.»

❌ Пример 6: «Кто прав — Маск или Цукерберг?» Почему плохо: вопрос субъективный, неполный, ИИ не может “решить”, кто прав. ✅ Лучше: «Сравни позиции Маска и Цукерберга по поводу открытого vs. закрытого ИИ. Приведи аргументы обеих сторон, ссылайся на интервью 2023 года и сформулируй нейтральный обзор.»

❌ Пример 7: «Подскажи, как мне жить» Почему плохо: ИИ не может принимать личные решения без данных. ✅ Лучше: «Я стою перед выбором: продолжать фриланс или вернуться в офис. Мне 38, двое детей, уровень тревожности высок, но стабильный доход важен. Какие подходы помогают принять такие решения?»

❌ Пример 8: «Найди что-то интересное» Почему плохо: нет цели, нет критерия оценки результата. ✅ Лучше: «Я интересуюсь философией и нейронауками. Найди 3 статьи последних лет, где обсуждается влияние ИИ на понятие сознания. Кратко перескажи идеи и предложи вопросы для размышлений.»

❌ Пример 9: «Что мне делать с этой ссылкой?» Почему плохо: ссылка не открывается ИИ (если только не встроена функция просмотра). ✅ Лучше: «Вот текст с сайта (вставить текст вручную): помоги проанализировать и выделить ключевые идеи. Формат — список тезисов.»

❌ Пример 10: «Дай самую крутую идею для TikTok» Почему плохо: нет аудитории, ниши, целей — ИИ будет гадать. ✅ Лучше: «Я продвигаю личный бренд — карьерный коучинг для молодых специалистов. Какие форматы TikTok-видео заходят в этой теме в 2025? Дай 5 идей + примеры популярных авторов.»

Пример: Неверные «умные» промпты, которые приводят к ложным результатам.

❌ 1. «Сравни последние квартальные отчёты OpenAI и Anthropic и сделай вывод, чья стратегия устойчивей» Почему плохо: OpenAI и Anthropic — частные компании, не публикующие открытые финансовые отчёты. ИИ может «придумать» их. ✅ Альтернатива: «Сравни открытые интервью, партнерства и инвестиции OpenAI и Anthropic за 2023–2025 годы. Выдели различия в стратегии по известным данным и добавь пометку, где информация неполна.»

❌ 2. «Проанализируй содержание интервью Илона Маска от 12 марта 2024 года с Joe Rogan» Почему плохо: ИИ не имеет доступа к конкретному интервью без транскрипта. Он может начать выдумывать содержание. ✅ Альтернатива: «Если я вставлю расшифровку интервью Маска с Роганом от 12.03.2024, сможешь проанализировать ключевые идеи и контекст?»

❌ 3. «Выведи точную модель экономического роста Эфиопии на ближайшие 10 лет» Почему плохо: ИИ не занимается макроэкономическим моделированием, не имеет точных данных и не может предсказывать будущее. ✅ Альтернатива: «Собери прогнозы экономического роста Эфиопии от МВФ, Всемирного банка и локальных источников. Сравни подходы и различия в допущениях.»

❌ 4. «Проведи фактчекинг законопроекта H.R.3685 и объясни, какие статьи нарушают Конституцию» Почему плохо: ИИ не является юристом и не может выполнять юридическую экспертизу или точно интерпретировать законодательство. Он может выдать ложную правовую оценку. ✅ Альтернатива: «Приведи краткое содержание законопроекта H.R.3685, обзор мнений экспертов-юристов, если они доступны, и ссылки на первоисточники.»

❌ 5. «Сделай анализ причин самоубийства студента Гарварда, о котором писали в январе 2024 года» Почему плохо: ИИ не может анализировать причины смерти конкретного человека, особенно без прямых и достоверных источников. Это этически опасно и может быть фантазией. ✅ Альтернатива: «Есть ли общественные обсуждения и статьи на тему давления и психического здоровья студентов Гарварда? Приведи источники, основные проблемы и предложения решений.»

❌ 6. «Сравни точные характеристики GPT-4, Claude 3 и Gemini Ultra на июнь 2025 года» Почему плохо: Производители часто не раскрывают архитектуру, параметры или тренировки. ИИ может «галлюцинировать» сравнение по слухам. ✅ Альтернатива: «Собери и сравни открыто доступные обзоры и бенчмарки GPT-4, Claude 3 и Gemini Ultra по состоянию на июнь 2025 года, с указанием источников и пометкой недостоверных данных.»

❌ 7. «Оцени психологическое состояние Трампа по последним выступлениям» Почему плохо: ИИ не может диагностировать человека без личного общения. Это этически и методологически некорректно. ✅ Альтернатива: «Какие темы и риторические приёмы использовал Трамп в своих выступлениях 2024–2025 года? Есть ли изменения по сравнению с ранним периодом?»

❌ 8. «Подтверди или опровергни, что вакцина Pfizer вызывает тромбы в 2% случаев» Почему плохо: ИИ может дать ложный вывод, если вымышленные цифры выглядят убедительно. Он не проводит клинических мета-анализов. ✅ Альтернатива: «Что говорят крупнейшие клинические исследования и CDC по поводу побочных эффектов вакцины Pfizer? Есть ли упоминание риска тромбов, и с какой частотой?»

❌ 9. «Расскажи, кто стоит за Telegram и какие их скрытые цели» Почему плохо: ИИ не может выдвигать теории заговора или достоверно анализировать скрытые намерения компаний. ✅ Альтернатива: «Собери факты о владельцах Telegram, их публичных заявлениях, источниках финансирования и вызовах, с которыми сталкивался проект.»

❌ 10. «Сделай выбор между двумя кандидатами на должность менеджера по их резюме и сопроводительным письмам» Почему плохо: ИИ не обладает контекстом, корпоративной культурой, и может давать субъективный вывод, который выглядит «умным», но не учитывает важного. ✅ Альтернатива: «Помоги сравнить двух кандидатов по объективным параметрам (опыт, соответствие требованиям, стиль письма). Сделай нейтральную таблицу, не давая рекомендации.»

Таким образом, ключевая проблема DR в том, что при некорректной задаче ИИ начинает галлюцинировать. Если задача поставлена некорректно (но выглядит умно и детально) — ИИ не скажет «я не знаю» или «такой информации нет», а начнёт галлюцинировать — уверенно придумывать достоверно выглядящие ответы.

Ответ выглядит убедительно, с фактами, датами и формулировками, — но они выдуманы.
Пользователь не замечает подвоха, особенно если не проверяет источники.
Галлюцинации маскируются под экспертный анализ, особенно в сложных темах (право, медицина, финансы, политика).
Чем более детальный и «научный» запрос, тем убедительнее будет ложь, если запрос изначально некорректен.

Большинство моделей (включая ChatGPT) по умолчанию оптимизированы на «полезный ответ», даже если информации нет. ИИ предпочтёт придумать, чем оставить пустой ответ, если не задана специальная инструкция “не выдумывать”.

Как с этим бороться?

Прямо указывать в промпте: »Отвечай только на основе проверенных источников.
Если данных нет — скажи, что их нет.» 
Строить промпт по принципу анализа источников, а не “вердикта”: “Что говорят NYT, WSJ и Reuters по этой теме?” вместо “Кто виноват?” 
Добавлять фразу: “Добавь ссылки или укажи, что информация непроверенная.” 
Понимать ограничения модели: если задача требует точных, свежих или экспертных данных, используем:

Perplexity.ai (с ссылками),
вызов API (если нужен свежий результат),
верификацию через людей (например, юристов или врачей).

Отдельная проблема — ангажированность и искажения.

Я написал статью — там все подробно изложено — это относится к ИИ вообще и к DR в частности: https://www.facebook.com/alex.v.krol/posts/pfbid02JR2XNZERaRexjMq9FAbaKjU9wmrCnP18s1zZSKMAKGz5XRpSG7SnzTTmatcW9ndxl

Глобальный вывод — хотите получить правильный результат — научитесь создавать правильный промпт и идти в правильной последовательности. Об этом поговорим.

Общие подходы к созданию промптов.

Мы много говорим на бесплатном курсе —https://alexeykrol.com/courses/ai_intro/lessons/2-51/ — в рамках этой лекции объяснять не буду — вы сможете почитать. Мы сфокусируемся на промптах для DR, и опять оговорка. Подробно это все можно найти в приложениях.

Тем не менее, здесь ….

Эффективный промпт для Deep Research часто следует структуре, аналогичной шаблону исследовательского отчета, что помогает ИИ систематически подходить к задаче.

1. КОНТЕКСТ (Моя предыстория и цель). Этот раздел задает общую рамку исследования, помогая ИИ понять, кто вы, зачем вам нужна эта информация и как вы планируете ее использовать.

Мой опыт и цель: Краткое описание вашей общей области интересов (например, «влияние социальных сетей на подростков», «история технологий возобновляемой энергии») и вашей основной цели исследования (например, «написать отчет», «подготовить презентацию», «обосновать бизнес-решение», «получить более глубокое понимание»).
Я уже знаю (кратко): Перечислите любые релевантные фоновые знания или допущения, которыми вы располагаете. Это помогает ИИ настроить поиск, избегая избыточности и фокусируясь на новых областях.
Потенциальные пробелы в существующих исследованиях: Укажите, какие пробелы или ограничения, по вашему мнению, существуют в текущих исследованиях или ваших существующих знаниях, которые это исследование должно устранить.
Применимость результатов: Уточните, как должны быть применены результаты (например, теоретические, стратегические, практические). Это помогает ИИ приоритизировать типы информации и адаптировать глубину анализа.

2. ОСНОВНОЙ ИССЛЕДОВАТЕЛЬСКИЙ ВОПРОС И ГИПОТЕЗА. Это ядро промпта, определяющее, что именно вы хотите исследовать. Вопрос должен быть максимально точным.

Основной вопрос: Сформулируйте ваш главный исследовательский вопрос максимально четко и точно. Используйте конкретные термины, определите взаимосвязи между понятиями и максимально сузьте область исследования.
Гипотеза или ожидаемые результаты: Что вы ожидаете найти или каковы ваши ожидаемые результаты этого исследования? Каковы ключевые допущения или предубеждения, лежащие в основе этого исследования? Это помогает ИИ понять ваши первоначальные предпочтения и потенциальные предубеждения, что позволяет ему предоставлять более сбалансированные или целенаправленные результаты.
Контрфакты и альтернативные точки зрения: Укажите, существуют ли сильные контраргументы, альтернативные теории или конкурирующие точки зрения, которые DeepResearch должен специально рассмотреть. Это обеспечивает сбалансированный и надежный исследовательский отчет.

3. СПЕЦИФИКАЦИИ И ПАРАМЕТРЫ. Этот раздел определяет границы и конкретные характеристики желаемого исследования, направляя ИИ в выборе источников и глубине анализа.

Период времени: Укажите конкретный временной период, на котором должно сосредоточиться исследование (например, «Последние 5 лет», «2000–2010», «С момента изобретения X»).
Географическое положение: Укажите конкретные географические местоположения, которым исследование должно отдавать приоритет или исключать (например, «Соединенные Штаты», «Глобально», «Конкретные страны/регионы»).
Отрасль/Сектор (если применимо): Уточните, применимо ли это исследование к конкретной отрасли или сектору (например, «Технологии», «Здравоохранение», «Образование»).
Ключевые термины и определения: Для любых неоднозначных или специализированных терминов, имеющих решающее значение для вашего исследования, предоставьте четкие определения.
Взаимосвязи для изучения: Укажите, какие конкретные взаимосвязи между понятиями должно исследовать исследование (например, «Влияние X на Y», «Корреляция между A и B», «Различия между C и D»).
Предпочтение методологии исследования: Есть ли у вас предпочтения относительно методологии исследования (например, «Сравнительный анализ», «Причинно-следственный вывод», «Анализ тенденций», «Качественное исследование», «Количественное исследование», «Смешанные методы»).
Требования к качеству и надежности данных: Следует ли отдавать приоритет конкретным типам источников (например, мета-анализы, рандомизированные контролируемые исследования (РКИ), реальные тематические исследования)?.
Границы и исключения: Укажите, что не должно быть включено (например, «Исключить источники до 2000 года», «Не использовать самоотчетные опросы без проверки»).
Противоречия и разногласия: Существуют ли серьезные экспертные дебаты, юридические споры или неразрешенные противоречия по этой теме, которые следует выделить?.
Чувствительность и этические соображения: Есть ли какие-либо этические проблемы, вопросы конфиденциальности или культурно чувствительные факторы, которые должны быть рассмотрены или которых следует избегать в этом исследовании?

4. СПЕЦИФИКАЦИИ И ПАРАМЕТРЫ ВЫВОДА. Этот раздел определяет, как вы хотите, чтобы результаты исследования были представлены.

Общая структура отчета и желаемая длина: Как вы хотите, чтобы был структурирован общий исследовательский отчет (например, основные разделы и их приблизительное количество слов)? Какова желаемая общая длина отчета (например, «приблизительно [количество слов] слов» или «10-страничный документ»)?
Конкретные элементы содержания: Требуются ли какие-либо конкретные элементы содержания в отчете (например, таблицы, диаграммы, инфографика, подробные тематические исследования, прямые цитаты, SWOT-анализ, профили конкурентов, отчеты о тенденциях)?
Требуемый стиль цитирования и стандарты надежности источников: Какой формат цитирования должен использоваться для всех ссылок (например, «APA», «MLA», «Chicago»)? Существуют ли какие-либо конкретные стандарты надежности источников (например, «не менее [X] источников из авторитетных исследований», «фокус на источниках, опубликованных в течение [временного диапазона]»), которых должен придерживаться ИИ?

Также есть общие рекомендации по составлению промптов для Deep Research

Помимо структурированных разделов, важно помнить о следующих общих принципах:

Ясность и специфичность: Избегайте расплывчатых формулировок. Чем точнее и детальнее ваш запрос, тем лучше будет результат.
Итеративное уточнение: Рассматривайте взаимодействие с ИИ как диалог. Начните с черновика промпта и уточняйте его на основе предварительных результатов или предложений ИИ.
Использование структурированных форматов: Применяйте маркированные списки, нумерованные списки, заголовки или даже XML-теги (особенно для Claude) для организации инструкций и данных. Это помогает ИИ лучше понимать и обрабатывать информацию.
Определение роли (персоны) для ИИ: Присвойте ИИ конкретную роль (например, «Вы — эксперт по маркетингу», «Вы — научный исследователь»). Это помогает ИИ адаптировать свой тон, фокус и глубину ответа.
Предоставление примеров: Если вы ожидаете конкретный формат или стиль ответа, предоставьте один или несколько примеров желаемого вывода.

Эти элементы, объединенные в продуманный диалог, позволят вам эффективно направлять LLM в режиме Deep Research, получая высококачественные и релевантные результаты.

На что похож хороший промпт?

Ну вот пример: https://alexeykrol.com/ai_deepsearch/#primer

И тут возникает проблема — создавать такой промпт довольно сложно

Поэтому стоит пользоваться инструментами, которые все основаны на ИИ, т.е. ИИ задает вам наводящие вопросы и строит для вам промпт-задание.

Вот пример такого конструктора промптов для DR: https://chatgpt.com/g/g-68603413b4888191ad7ebf2687b4a1f2-promter-dlia-issledovaniia.

Вы можете сами построить такой кастомный GPTs — как это делать — подробно на бесплатном курсе: https://alexeykrol.com/courses/ai_intro/lessons/3-44/

Но в целом ничего сложного нет — вот посмотрите, что под каптом. В основе лежат вопросы и некий сценарий. В этом конструкторе простой линейный сценарий, т.е. Все вопросы идут последовательно, но я подготовил более фундаментальный материал о том, какие вопросы стоит задавать и как делать сценарий в приложении — там много текста.

Пример диалога.

Естественно, часть вопросов вы можете добавить, часть убрать — это уже, так сказать, up to you, но в целом общая схема, которая позволяет достаточно универсально ответить на эти вопросы и дать необходимый контекст для задания.

Это дерево можно реализовать, например, в каком-нибудь form-билдере, но я не буду это делать в рамках этой лекции — я просто покажу, как это в принципе делается. Это тоже удобно делать с помощью GPT, например кастомной GPT — я покажу, как это реализовал, ничего сложного там нет.

Хорошая новость — до вас уже много людей придумали тьму промптов для DR.

Ими можно пользоваться. Все примеры в приложении.

Есть – и довольно много! Вот проверенные примеры библиотек, репозиториев и ресурсов с эффективными промптами и шаблонами для Deep Research:

🔗 Репозитории и библиотеки промптов

1. langgptai/awesome-deep-research-prompts

(GitHub)

Открытая коллекция готовых шаблонов промптов: как задавать цель, подзадачи, источники, формат вывода .

2. langchain-ai/open_deep_research

(GitHub)

Многоагентный фреймворк для Deep Research: разбивает большие темы на подзадачи, использует веб-поиск и несколько моделей ().

3. JigsawStack/deep-research

(GitHub)

Open‑source библиотека с поддержкой рекурсивного поиска, цепочки запросов, верификации и библиографии .

4. beamlit/template-deepresearch

(GitHub)

Шаблонный агент с использованием LangGraph и GPT‑4: формирование плана исследования, разбиение, сбор, структура отчёта с источниками .

5. reading-plus-ai/mcp-server-deep-research

(GitHub)

Серверная реализация исследования: разбивка на подпроцессы, интеграция с веб-поиском, цитирование, автоматический отчёт ().

6. DocsBot AI Deep Research Prompt

Системный промпт для ChatGPT, Claude, Gemini — задаёт этапы анализа: качество данных, источники, выводы, ссылки .

7. gemini-deep-research-prompt (GitHub Gist)

Продвинутый промпт: описывает полный процесс исследования — от плана до отчёта и логирования шага за шагом ().

8. Deep Researcher Mega-Prompt (GodOfPrompt)

Готовый “мега-промпт” для сложных исследований, адаптивен под разные модели: ChatGPT, Grok, Perplexity .

9. DeepSeek / Tom’s Guide prompts

Набор проверенных промптов: резюмировать исследовательские статьи, анализ рисков, конкурентный анализ — под Grok и DeepSeek .

Эффективная последовательность действий — она не очевидна.

Пилотноое исследования — когда берётся тот же промпт, но к нему добавляется указание: сделай, например, только 5% от объёма предполагаемого исследования.

Это позволяет быстро понять, туда ли мы идём или нет. Это важно, потому что серьёзное исследование может занимать от 5 до 30 минут, у меня был кейс — 2,5 часа.

И если вы идёте немного не туда и хотите подправить направление, это становится довольно затратным по времени. Поэтому лучше идти итеративно: сделали промпт, запустили пилот, посмотрели, скорректировали. Этот протокол мы тоже с вами рассмотрим.

Режим DS можно вызывать программным способом — через API.

Все описания в приложении и на сайтах провайдеров в документации тоже всё это есть.

Вот проверенные мануалы и лучшие практики по использованию Deep Research через API — с ссылками на официальные источники и экспертные рекомендации:

📘 1. OpenAI Cookbook – “Introduction to Deep Research in the OpenAI API”

Подробное техническое руководство по запуску Deep Research: как выбирать модели (o3-deep-research, o4-mini-deep-research), настраивать асинхронную работу, подключать инструменты поиска и Python, структурировать запрос ➤ Открыть

⚙️ 2. Apidog – Developer Guide to OpenAI Deep Research API

Пошаговая инструкция для разработчиков: установка, авторизация, примеры вызовов, рекомендации по модели и тэгированию результатов (инлайн-цитаты, промежуточные шаги) ➤ Открыть ()

🧪 3. Kuriko Iwai (Medium) – “Best Practices to Get OpenAI’s Deep Research”

Обзор процесса: план → поиск → уточнения → синтез, с рекомендациями по локальной установке и агенту, использующему open‑source модель ➤ Открыть

🧩 4. PromptingGuide.ai – Deep Research Prompting Guide

Четкие рекомендации:

Указывайте структурированный план и задачи,
model задаёт уточняющие вопросы,
указывайте ключевые слова для поиска,
формат результатов (таблицы, списки),
способ использования файлов для контекста,
необходимость проверки источников ➤ Открыть

🛠 5. Ninja AI – Best Practices for Crafting Effective Deep Research Prompts

Примеры плохих vs хороших промптов, советы по уточнению темы, формулировке запросов и использованию инструмента Prompt Improver ➤ Открыть

🧭 Общие практики API:

Выбор модели:
- o3-deep-research: для глубокой аналитики, медленно, дорого
- o4-mini-deep-research: быстрее, легче, проще
Асинхронные вызовы:
Запускайте в фоновом режиме (background=True), чтобы избежать таймаутов при долгом анализе ()
Промпт с этапами:
- Установка контекста (роль, цель)
- Декомпозиция задачи на субвопросы
- Формат выхода (таблицы,︎ списки,︎ цитирование)
- Задание ограничений по источникам, дате и верификации
Инструменты и файлы:
Используйте web_search_preview и code_interpreter для анализа и проверки гипотез. Подключайте локальные PDF или CSV как контекст
Контроль качества:
- Указывайте модельу задавать уточняющие вопросы, если неясно
- Требуйте ссылки и верификацию
- Анализируйте промежуточные шаги и используемые источники для trustworthiness

Специальные модели.

Хотя крупные LLM-провайдеры предлагают режимы «глубокого исследования», их универсальный характер часто приводит к ограничениям в точности, глубине и доступе к специализированным данным.

Именно здесь на сцену выходят специализированные платформы и агенты, которые, будучи сфокусированными на конкретных областях, могут предложить значительно более качественные и надежные результаты. Они часто используют продвинутые архитектуры, такие как многоагентные системы, улучшенные RAG (Retrieval-Augmented Generation) и графы знаний, чтобы превзойти возможности общего назначения. Перечень специализированных моделей в приложении.

Много кастомных чатов: https://chatgpt.com/gpts# — в разделе исследование.

Итог:

Когда вам нужно что-то исследовать, собрать материал, проанализировать, вы используете DS — как вызывать его вы знаете, главный фокус — хорший промт и итеративный подход.

Для создания промата вы пользуетесь конструктором или сами его создаете.
Также вы можете найти в библотеках то, что подходит вам.
Вставляете промпт, я рекомендую сначала в пилотном режиме, если все норм — запускаете в полном масштабе.
Если получили не то, корректируете промпт.

Примеры кода вызовов Deep Research через API на Python

Для всех примеров предполагается, что вы установили соответствующие библиотеки и настроили переменные окружения для хранения ваших API-ключей. Это лучшая практика для безопасности.

				
					import os
from openai import OpenAI # Для ChatGPT и Grok
import google.generativeai as genai # Для Gemini
import anthropic # Для Claude
import json # Для работы с JSON-ответами

# --- Настройка переменных окружения (рекомендуется) ---
# Убедитесь, что у вас есть эти переменные в вашем окружении
# export OPENAI_API_KEY="your_openai_api_key"
# export GROK_API_KEY="your_grok_api_key" # Grok использует схему OpenAI API
# export GEMINI_API_KEY="your_gemini_api_key"
# export ANTHROPIC_API_KEY="your_anthropic_api_key"

1. ChatGPT Deep Research API

ChatGPT Deep Research API автоматизирует сложные исследовательские процессы, требующие рассуждений, планирования и синтеза информации из реального мира. Он использует агентную модель для декомпозиции задач, веб-поиска и синтеза результатов.

Ключевые особенности и практики:

Модели: Используйте специализированные модели, такие как o3-deep-research-2025-06-26 для высококачественного синтеза или o4-mini-deep-research-2025-06-26 для скорости.
Асинхронный режим: Установите background=True для асинхронного выполнения запроса, так как задачи Deep Research могут занимать несколько минут.
Парсинг ответа: Ответ включает структурированный окончательный отчет, встроенные цитаты, резюме шагов рассуждения и метаданные источника.

				
					# Инициализация клиента OpenAI для ChatGPT
# Убедитесь, что OPENAI_API_KEY установлен в ваших переменных окружения
client_openai = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def call_chatgpt_deep_research(query: str, model_name: str = "o3-deep-research-2025-06-26"):
    """
    Выполняет запрос Deep Research к ChatGPT API.

    Args:
        query (str): Основной исследовательский запрос.
        model_name (str): Имя модели Deep Research (например, "o3-deep-research-2025-06-26").

    Returns:
        dict: Ответ API, содержащий отчет, цитаты, шаги рассуждения и т.д.
    """
    print(f"Запуск ChatGPT Deep Research с моделью: {model_name}")
    try:
        response = client_openai.chat.completions.create(
            model=model_name,
            messages=[
                {"role": "system", "content": "Вы — эксперт по глубоким исследованиям, способный синтезировать информацию из множества источников."},
                {"role": "user", "content": query}
            ],
            # Включение инструментов для Deep Research
            tools=[
                {"type": "web_search_preview"},
                # {"type": "code_interpreter"} # Опционально, если нужен анализ кода
            ],
            # Запуск в фоновом режиме для асинхронного выполнения
            background=True,
            # Можно настроить параметр summary для более подробного отчета
            # summary="detailed"
        )

        # Ответ API Deep Research отличается от обычного chat.completions
        # Он возвращает объект, который нужно будет опрашивать для получения статуса и результатов.
        # Для простоты здесь показан базовый пример, но в реальном приложении потребуется polling.
        print(f"Запрос отправлен. ID задачи: {response.id}")
        print("Пожалуйста, подождите, пока исследование завершится. Это может занять несколько минут.")
        # В реальном приложении здесь был бы цикл ожидания и проверки статуса
        # Например, через client.beta.chat.completions.retrieve(response.id)

        # Пример получения финального отчета (если запрос уже завершен)
        # В реальном сценарии это будет получено после завершения фоновой задачи
        # Для демонстрации, предположим, что response.output уже содержит данные
        if hasattr(response, 'output') and response.output:
            final_report = response.output[-1].content.text
            print("\n--- Финальный отчет ---")
            print(final_report)

            print("\n--- Цитаты ---")
            annotations = response.output[-1].content.annotations
            for i, citation in enumerate(annotations):
                print(f"Citation {i+1}:")
                print(f"  Title: {citation.title}")
                print(f"  URL: {citation.url}")
                print(f"  Location: chars {citation.start_index}-{citation.end_index}")

            print("\n--- Шаги рассуждения (кратко) ---")
            reasoning_steps = next((item for item in response.output if item.type == "reasoning"), None)
            if reasoning_steps:
                for s in reasoning_steps.summary:
                    print(s.text)

        return response

    except Exception as e:
        print(f"Произошла ошибка при вызове ChatGPT Deep Research: {e}")
        return None

# Пример использования ChatGPT Deep Research
# query_chatgpt = "Проанализируйте влияние искусственного интеллекта на рынок труда в сфере здравоохранения за последние 5 лет, сосредоточившись на новых ролях и изменениях в существующих профессиях."
# chatgpt_response = call_chatgpt_deep_research(query_chatgpt)

2. Grok DeepSearch API

Grok DeepSearch API полностью совместим со схемой OpenAI Chat API, что упрощает его использование. Он предназначен для сложных, многоэтапных запросов, требующих глубокого анализа и синтеза информации.

Ключевые особенности и практики:

Совместимость: Использует клиент OpenAI, но с base_url Grok.
Параметры контроля: reasoning_effort (качество), budget_tokens (макс. токены), max_attempts (повторные попытки), team_size (широта поиска).
Потоковая передача (Streaming): Настоятельно рекомендуется, так как запросы могут занимать значительное время.

				
					# Инициализация клиента OpenAI для Grok
# Убедитесь, что GROK_API_KEY установлен в ваших переменных окружения
client_grok = OpenAI(
    api_key=os.getenv("GROK_API_KEY"),
    base_url="https://api.x.ai/v1", # Базовый URL для Grok API [1]
)

def call_grok_deep_search(query: str, model_name: str = "grok-3"):
    """
    Выполняет запрос DeepSearch к Grok API.

    Args:
        query (str): Основной исследовательский запрос.
        model_name (str): Имя модели Grok (например, "grok-3" или "grok-3-mini-beta").

    Returns:
        dict: Ответ API.
    """
    print(f"Запуск Grok DeepSearch с моделью: {model_name}")
    try:
        response = client_grok.chat.completions.create(
            model=model_name,
            messages=[
                {"role": "user", "content": query}
            ],
            # Параметры для DeepSearch
            reasoning_effort="high", # "low", "medium", "high"
            budget_tokens=4000, # Максимальное количество токенов для всего процесса
            max_attempts=3, # Количество повторных попыток
            team_size=1, # Количество агентов для параллельного исследования (1 для линейного)
            # hostnames_control={
            #     "boost_hostnames": ["example.com"], # Приоритетные домены
            #     "bad_hostnames": ["spam.com"] # Исключаемые домены
            # }
            stream=True # Рекомендуется для длинных запросов
        )

        print("--- Ответ Grok (потоковая передача) ---")
        full_response_content = ""
        for chunk in response:
            if chunk.choices and chunk.choices.delta.content:
                print(chunk.choices.delta.content, end="")
                full_response_content += chunk.choices.delta.content
        print("\n--- Потоковая передача завершена ---")

        return {"full_response": full_response_content}

    except Exception as e:
        print(f"Произошла ошибка при вызове Grok DeepSearch: {e}")
        return None

# Пример использования Grok DeepSearch
# query_grok = "Проанализируйте последние тенденции в индустрии устойчивой упаковки за 2024-2025 годы. Включите новые потребительские модели поведения, значительные технологические достижения и ключевые рыночные сдвиги. Предоставьте действенные выводы, подкрепленные данными в реальном времени и достоверными отраслевыми источниками."
# grok_response = call_grok_deep_search(query_grok)

3. Gemini Deep Research API

Gemini Deep Research доступен через API и может использоваться для фундаментальных исследований в различных дисциплинах. Он отличается скоростью и бесшовной интеграцией в экосистему Google.

Ключевые особенности и практики:

API-ключ: Получается через Google AI for Developers.
Python Library: Используйте google-generativeai.
Длинный контекст: Gemini 1.5 Pro поддерживает до 2 миллионов токенов контекста.
Мультимодальность: Может обрабатывать изображения, аудио и видео.

				
					# Инициализация клиента Gemini
# Убедитесь, что GEMINI_API_KEY установлен в ваших переменных окружения
genai.configure(api_key=os.getenv("GEMINI_API_KEY"))

def call_gemini_deep_research(query: str, model_name: str = "gemini-1.5-pro"):
    """
    Выполняет запрос Deep Research к Gemini API.

    Args:
        query (str): Основной исследовательский запрос.
        model_name (str): Имя модели Gemini (например, "gemini-1.5-pro" или "gemini-1.5-flash").

    Returns:
        dict: Ответ API.
    """
    print(f"Запуск Gemini Deep Research с моделью: {model_name}")
    try:
        model = genai.GenerativeModel(model_name)
        response = model.generate_content(
            contents=[
                {"role": "user", "parts": [query]}
            ],
            # Можно настроить параметры генерации, например, temperature, top_p, top_k
            # generation_config=genai.types.GenerationConfig(
            #     temperature=0.2,
            #     top_p=0.95,
            #     top_k=40,
            # )
        )

        print("\n--- Ответ Gemini ---")
        print(response.text)

        # Gemini также предоставляет метаданные цитирования
        if response.prompt_feedback and response.prompt_feedback.citation_metadata:
            print("\n--- Цитаты ---")
            for citation in response.prompt_feedback.citation_metadata.citations:
                print(f"  Source: {citation.uri}")
                print(f"  License: {citation.license}")
                # Дополнительные детали, если доступны
        return {"full_response": response.text, "citation_metadata": response.prompt_feedback.citation_metadata}

    except Exception as e:
        print(f"Произошла ошибка при вызове Gemini Deep Research: {e}")
        return None

# Пример использования Gemini Deep Research
# query_gemini = "Сравните передовые технологии улавливания углерода и их текущие инвестиционные тенденции. Предоставьте структурированный отчет с основными преимуществами и недостатками каждой технологии."
# gemini_response = call_gemini_deep_research(query_gemini)

4. Claude API (для глубокого анализа документов)

Claude, особенно его модели Claude 3, выделяется исключительно большим контекстным окном и расширенными возможностями рассуждения, что делает его идеальным инструментом для углубленного анализа обширных документов и синтеза информации.

Ключевые особенности и практики:

Большое контекстное окно: До 200 000 токенов для Claude 3.
Оптимизация длинного контекста: Размещайте длинные данные в начале промпта, а запросы — в конце. Используйте XML-теги для структурирования контента и метаданных.
Расширенное мышление (Extended Thinking): Включите режим расширенного мышления, чтобы дать Claude дополнительное время на вычисления для более тщательного анализа.
Обоснование ответов цитатами: Инструктируйте Claude сначала извлекать и цитировать релевантные разделы из документов.2

				
					# Инициализация клиента Anthropic для Claude
# Убедитесь, что ANTHROPIC_API_KEY установлен в ваших переменных окружения
client_claude = anthropic.Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))

def call_claude_deep_analysis(query: str, document_content: str = "", model_name: str = "claude-3-opus-20240229"):
    """
    Выполняет запрос глубокого анализа к Claude API, оптимизированный для длинного контекста.

    Args:
        query (str): Основной исследовательский запрос.
        document_content (str): Содержимое длинного документа для анализа.
        model_name (str): Имя модели Claude (например, "claude-3-opus-20240229").

    Returns:
        dict: Ответ API.
    """
    print(f"Запуск Claude Deep Analysis с моделью: {model_name}")

    # Оптимизация длинного контекста: размещаем длинные данные в начале, запрос в конце
    # Используем XML-теги для структурирования
    full_prompt = f"""
    <documents>
        <document index="1">
            <source>input_document.txt</source>
            <document_content>
            {document_content}
            </document_content>
        </document>
    </documents>

    Вы — опытный исследователь-аналитик. Ваша задача — проанализировать предоставленный документ.
    Сначала найдите и процитируйте наиболее релевантные разделы из документа, которые отвечают на запрос.
    Поместите эти цитаты в теги <quotes>.
    Затем, основываясь исключительно на этих цитатах и информации из документа, выполните следующий запрос:

    <query>
    {query}
    </query>

    Пожалуйста, предоставьте подробный и структурированный ответ.
    """

    try:
        response = client_claude.messages.create(
            model=model_name,
            max_tokens=4000, # Увеличьте по мере необходимости
            messages=[
                {"role": "user", "content": full_prompt}
            ],
            # Включение расширенного мышления (Extended Thinking)
            # thinking={"type": "enabled", "budget_tokens": 8000} # Выделите бюджет токенов для мышления
        )

        print("\n--- Ответ Claude ---")
        print(response.content.text)
        return {"full_response": response.content.text}

    except Exception as e:
        print(f"Произошла ошибка при вызове Claude Deep Analysis: {e}")
        return None

# Пример использования Claude Deep Analysis
# document_example = """
# В отчете за 2024 год компания XZY Corp. сообщила о росте выручки на 15% в сегменте облачных вычислений,
# достигнув $1.2 млрд. Однако, их операционная прибыль в этом сегменте снизилась на 5% из-за
# увеличения инвестиций в новые центры обработки данных и расходов на НИОКР.
# В отчете также упоминается, что компания планирует запустить новую услугу "QuantumCloud" в Q3 2025 года.
# """
# query_claude = "Каковы финансовые показатели сегмента облачных вычислений XZY Corp. в 2024 году и какие у них планы на 2025 год?"
# claude_response = call_claude_deep_analysis(query_claude, document_example)

Эти примеры демонстрируют базовые вызовы API для каждой платформы. Для реальных приложений вам потребуется реализовать более сложную логику, такую как:

Обработка асинхронных ответов: Для ChatGPT и Grok, которые могут работать в фоновом режиме, вам нужно будет опрашивать статус задачи, чтобы получить окончательный результат.
Управление ошибками и повторные попытки: Внедрение механизмов обработки ошибок и повторных попыток для повышения надежности.
Управление токенами и стоимостью: Мониторинг использования токенов и настройка бюджетов для контроля затрат.
Парсинг сложных ответов: Извлечение конкретных данных (таблиц, списков, цитат) из структурированных ответов API.
Динамическое ограничение скорости (Rate Limiting): Для управления количеством запросов к API.

Использование этих API позволяет создавать мощные, настраиваемые и масштабируемые исследовательские решения, интегрируя возможности Deep Research непосредственно в ваши приложения и рабочие процессы.

Тарифы на Deep Research

Платформа	Минимальный тариф	Доступ с тарифа	Комментарии
ChatGPT (OpenAI)	$20 / мес	ChatGPT Plus	Deep Research только в UI
Claude (Anthropic)	$20 / мес	Claude Pro	Доступ к Opus и Research режиму
Perplexity	$20 / мес	Perplexity Pro	Встроенный Deep Research режим
xAI Grok	$16 / мес	X Premium+	Доступ к Grok 4, DeepSearch
DeepSeek	Бесплатно	Сразу	Ограничения на API-лимиты
Google Gemini	$19.99 / мес	Google One AI Premium	Модели Gemini 1.5+ с Research
Mistral	Бесплатно	Perplexity UI	Le Chat ограничен, Perplexity лучше
Cohere R+	Бесплатно / Enterprise	API доступ	Только через API и RAG
Inflection Pi	Бесплатно	Сразу	Нет загрузки файлов, нет API

Глава Content

0% Завершено 0/2 Steps

Конспект лекции Deep Research

Приложения к лекции Deep Research

Previous Глава

Back to Содержание

Бесплатный курс: Эффективное использование chatGPT. Новые возможности с «0»!

Бесплатная лекция. Deep Research. Как с помощью ИИ искать и исследовать, находить лучшее.

Запись лекции

Оглавление

Предпосылка лекции.

Приложения.

Фокус лекции.

Как мы будем работать?

Как быстро получить режим DR?

Чем режим Deep Research отличается от обычного чата?

Важный вопрос: Чем отличается режим DS от поиска в Google?

Разумеется, нам стоит определить термин «исследование», в контексте DR?

Направления исследований.

Каковы типичные примеры исследований?

Ограничения. Чего не стоит ожидать?

Примеры плохих кейсов.

Пример: Ограничения из-за простых примитивных промптов.

Пример: Неверные «умные» промпты, которые приводят к ложным результатам.

Как с этим бороться?

Отдельная проблема — ангажированность и искажения.

Общие подходы к созданию промптов.

Также есть общие рекомендации по составлению промптов для Deep Research

На что похож хороший промпт?

И тут возникает проблема — создавать такой промпт довольно сложно

Пример диалога.

Хорошая новость — до вас уже много людей придумали тьму промптов для DR.

🔗 Репозитории и библиотеки промптов

1. langgptai/awesome-deep-research-prompts

(GitHub)

2. langchain-ai/open_deep_research

(GitHub)

3. JigsawStack/deep-research

(GitHub)

4. beamlit/template-deepresearch

(GitHub)

5. reading-plus-ai/mcp-server-deep-research

(GitHub)

6. DocsBot AI Deep Research Prompt

7. gemini-deep-research-prompt (GitHub Gist)

8. Deep Researcher Mega-Prompt (GodOfPrompt)

9. DeepSeek / Tom’s Guide prompts

Эффективная последовательность действий — она не очевидна.

Режим DS можно вызывать программным способом — через API.

📘 1. OpenAI Cookbook – “Introduction to Deep Research in the OpenAI API”

⚙️ 2. Apidog – Developer Guide to OpenAI Deep Research API

🧪 3. Kuriko Iwai (Medium) – “Best Practices to Get OpenAI’s Deep Research”

🧩 4. PromptingGuide.ai – Deep Research Prompting Guide

🛠 5. Ninja AI – Best Practices for Crafting Effective Deep Research Prompts

🧭 Общие практики API:

Специальные модели.

Много кастомных чатов: https://chatgpt.com/gpts# — в разделе исследование.

Итог:

Примеры кода вызовов Deep Research через API на Python

1. ChatGPT Deep Research API

2. Grok DeepSearch API

3. Gemini Deep Research API

4. Claude API (для глубокого анализа документов)

Тарифы на Deep Research

Запрос смены пароля

🧪 3. Kuriko Iwai (Medium) – “Best Practices to Get OpenAI’s Deep Research”