---
name: deep-research
description: >
  Pesquisa profunda em 3 layers: Hub Obsidian (Layer 1) + NotebookLM análise (Layer 2) + 
  Web/LightRAG externo (Layer 3). Para questões complexas que requerem síntese de múltiplas fontes.
  Upgrade do /research com NotebookLM integrado e RAG trinity completo.
  Usar quando: análise competitiva profunda, pesquisa mercado, due diligence, relatório estratégico.
---

# /deep-research — Pesquisa Profunda com RAG Trinity

Pesquisa em 3 camadas com síntese final. Mais profundo que `/research`, mais estruturado que `/hub-search`.

---

## Quando Usar

| Situação | Skill Correcta |
|---------|----------------|
| "Onde está X no Hub?" | `/hub-search` |
| "Analisa este documento" | `/research` |
| "Pesquisa profunda + síntese de múltiplas fontes" | `/deep-research` ← este |
| "Análise competitiva completa" | `/deep-research` + `/research competitive` |

---

## Protocolo (3 Layers)

### Layer 1 — Hub Obsidian (conhecimento interno)

```bash
# 1a. Busca full-text no Hub
obsidian search query="<TERMO>" format=json limit=10

# 1b. Se Obsidian não responde (offline), fallback via Grep
grep -r "<TERMO>" /media/ealmeida/Dados/Hub/ --include="*.md" -l | head -20

# 1c. Verificar LightRAG para contexto interno
mcp__lightrag__lightrag_query({
  query: "<TERMO>",
  mode: "hybrid"
})
```

**Critério de suficiência Layer 1:** Encontrou 3+ documentos relevantes com contexto concreto.
- SE suficiente para questão simples → responder + registar fonte
- SE questão requer análise profunda → continuar para Layer 2

### Layer 2 — NotebookLM (análise profunda)

Seleccionar notebook relevante com base no domínio:

| Domínio | Notebook ID |
|---------|-------------|
| Estratégia e Empreendedorismo | 79d43410-0e29-4be1-881d-84db6bdc239a |
| Stack Tecnológico | [consultar mcp__notebooklm__ lista] |
| Marketing e Vendas | [consultar mcp__notebooklm__ lista] |

```javascript
// Consultar notebook relevante
mcp__notebooklm__notebook_query({
  notebook_id: "<ID>",
  query: "<QUESTÃO ESPECÍFICA — mais precisa que a geral>"
})
```

**Critério de suficiência Layer 2:** NotebookLM retornou análise com citações específicas.
- SE suficiente → sintetizar com Layer 1 + responder
- SE requer dados externos → continuar para Layer 3

### Layer 3 — Web + LightRAG (conhecimento externo)

```javascript
// 3a. LightRAG para KB externa (PDFs, transcripts)
mcp__lightrag__lightrag_query({
  query: "<QUESTÃO>",
  mode: "global"  // para análise de padrões amplos
})

// 3b. Web search para dados actuais
mcp__web-search__search({
  query: "<QUESTÃO> site:scholar.google.com OR filetype:pdf",
  num_results: 10
})
```

---

## Síntese Final

Após recolher de 2+ layers, sintetizar:

```markdown
## Síntese — [Tópico]

**Fontes consultadas:** Layer 1 (Hub), Layer 2 (NotebookLM [Notebook X]), Layer 3 (Web/LightRAG)

### O que sabemos (interno)
[Resumo Layer 1 — conhecimento já documentado]

### Análise profunda
[Resumo Layer 2 — análise NotebookLM com citações]

### Contexto externo
[Resumo Layer 3 — se consultado]

### Síntese e Recomendação
[Cruzamento das layers — resposta directa à questão]

### Próximos Passos
- [ ] Acção 1 derivada da pesquisa
- [ ] Acção 2
```

---

## Self-Improving Loop

Após cada execução, registar preferências para melhorar futuras pesquisas:

```bash
# Guardar aprendizagem em Hub
echo "$(date '+%Y-%m-%d') — deep-research — [TÓPICO] — [O QUE FUNCIONOU/NÃO FUNCIONOU]" \
  >> /media/ealmeida/Dados/Hub/00-Inbox/research-preferences.md
```

---

## Healing Log

```jsonl
{"date":"","issue":"","fix":"","source":"user|auto"}
```

---

*Skill /deep-research v1.0 | 06-04-2026 | Eixo 7B — RAG Trinity + NotebookLM integrado*