Eén model dat een brede vraag onderzoekt wordt snel oppervlakkig; het kan niet tegelijk breed lezen en zichzelf factchecken. Deze crew splitst de klus over specialisten.
sonnet1 weekCrewAITavilyFirecrawlOpenAI
Claude
81ROI
79Scale
$4k90Saved
ROI for
README.md
Waarom deze subagent
Eén model dat een brede vraag onderzoekt wordt snel oppervlakkig; het kan niet tegelijk breed lezen en zichzelf factchecken. Deze crew splitst de klus over specialisten.
Een lead-agent splitst de vraag in deelonderwerpen, scrapers verzamelen parallel bronnen en synthese- en verifier-agents voegen de bevindingen samen en toetsen ze. Je krijgt een onderzoeksbriefing met bronvermelding waarin elke claim terug te voeren is op een bron, geen zelfverzekerde gok.
Hoe hij werkt
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Scraper-agents verzamelen parallel bronnen voor hun deelonderwerpen terwijl een synthese-agent op hun output wacht.
pending
De synthese-agent voegt de bevindingen samen tot één concept en een verifier-agent toetst elke claim aan de bron.
pending
De lead-agent lost tegenstrijdigheden op, laat ongegronde claims vallen en geeft een briefing met bronvermelding terug naar Notion.
pending
Voorbeelduitvoer
json
// Sample output
// (generated when the pipeline finishes)
As the lead agent, decompose the research question into sub-topics, dispatch parallel scrapers, then have synthesis and verification agents produce a single brief where every claim carries a source link.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.