Zbudowałem najbardziej inteligentnego agenta badawczego
summary
hyperresearch
deep-research
subagent-orchestration
multi-agent-orchestration
ai-pipelines
2026-06-18
2026-06-18
raw/inbox/Zbudowałem najbardziej inteligentnego agenta badawczego.md
high
Zbudowałem najbardziej inteligentnego agenta badawczego
Artykuł Jordana Gibbsa przedstawia HyperResearch — otwartoźródłowego, 16-etapowego agenta głębokich badań (deep research), napisanego jako rozszerzenie umiejętności (skills) dla Claude Code. HyperResearch bije na głowę zamknięte systemy gigantów technologicznych ( OpenAI, Anthropic, NVIDIA) i zajmuje pierwsze miejsce w benchmarku RACE DeepResearchBench, generując raporty na poziomie prac doktorskich (Ph.D.).
Key Points
Dlaczego HyperResearch osiąga tak wysokie wyniki?
Trwałe i powiązane bazy wiedzy: HR nie traci zgromadzonych informacji. Generuje pliki Markdown ze źródłami, tagami i linkami zwrotnymi bezpośrednio na komputerze użytkownika, budując trwały graf wiedzy (podobnie jak Obsidian).
Ultraszerokie i głębokie badanie: Potrafi przeanalizować setki źródeł na sesję. Potrafi budować "plany ataku na królicze nory" (rabbit holes), śledząc linki osadzone na odwiedzanych stronach internetowych i docierając do źródeł pierwotnych.
Orkiestracja wieloagentowa przeciwko skażeniu kontekstu: Tradycyjne potoki badawcze są "skażone" tysiącami słów przeczytanych artykułów wklejonych bezpośrednio do głównego okna kontekstowego. HyperResearch izoluje fazę wyszukiwania i analizy w wyspecjalizowanych subagentach (np. pobierających dane), dzięki czemu główny agent orkiestrujący i piszący raport działa zawsze w czystej, optymalnej "strefie inteligentnej".
16-etapowa ścieżka badawcza HyperResearch
Rozkład (Decomposition): Rozbija główne zapytanie na atomowe podpytania i tworzy macierz pokrycia źródeł.
Przemiatanie szerokości (Breadth-sweep): Tworzy plan wyszukiwania i równolegle uruchamia tanich subagentów (Claude Haiku) do masowego pobierania stron pod adresami URL.
Graf sprzeczności (Contradiction Graph): Wyszukuje pary źródeł, które sobie przeczą i szereguje te niespójności pod względem ważności.
Analiza loci (Loci Analysis): Dwóch analityków identyfikuje kluczowe podtematy (miejsca - loci) i przydziela im budżety pobierania.
Badanie głębi (Depth-probe): Dedykowani śledczy głęboko analizują każdy locus i piszą notatkę tymczasową, która musi przyjąć jasne, bezkompromisowe stanowisko (bez asekuranctwa).
Pojednanie (Cross-locus Reconciliation): Porównuje stanowiska z różnych badań głębi i generuje plik comparisons.md rozwiązujący konflikty i nakładanie się tematów.
Napięcia źródłowe (Source Tensions): Zapisuje różnice zdań między zewnętrznymi ekspertami do pliku source-tensions.json.
Krytyk korpusu (Corpus Critic): Pyta: "jakie źródło, gdyby istniało, obaliłoby naszą analizę?" i wykonuje celowane do-pobranie stron w celu weryfikacji.
Podsumowanie dowodów (Evidence Digest): Tworzy plik evidence-digest.md z najsilniejszymi tezami i dosłownymi cytatami, tworząc czyste odniesienie dla etapu pisania.
Potrójny draft (Triple-draft): Trzech niezależnych agentów pisze równolegle trzy pełne, alternatywne wersje raportu.
Synteza (Synthesis): Główny syntetyzator scala trzy wersje w jeden zoptymalizowany raport końcowy final_report.md.
Krytycy (Critics): Czterech wyspecjalizowanych oponentów (krytyk dialektyczny, głębi, szerokości i instrukcji) równolegle szuka słabych punktów i zapisuje wyniki w formacie JSON.
Uzupełnienie braków (Gap-fetch): Pobiera dodatkowe źródła internetowe w celu zaadresowania konkretnych luk wskazanych przez krytyków.
Poprawki (Patcher): Nanosi chirurgiczne, lokalne zmiany w raporcie. Agent jest fizycznie zablokowany uprawnieniami (Read+Edit), co uniemożliwia mu ponowne pisanie całego raportu od zera.
Polerowanie (Polish): Kolejny zablokowany agent usuwa sekcje techniczne, metadane YAML na początku i inne artefakty, zapewniając czystość tekstu.
Audyt czytelności (Readability Audit): Poprawia dynamikę prozy, akapitów i konwertuje skomplikowane bloki tekstu na czytelne tabele lub listy.
Relevant Concepts
concepts/deep-research — Wielofazowe, ustrukturyzowane badanie i synteza informacji przy użyciu LLM.
Paweł Domański