Skill: Investigación Recursiva Profunda (v2.0)

Investigación auto-regulada que itera hasta alcanzar nivel PhD sobre una semilla de investigación (tema raíz). Funciona en cualquier dominio: ciencias formales, naturales, sociales, humanidades, artes, tecnología, negocio.

Cuándo usar

• Quieres profundizar en un tema hasta el nivel de un experto
• Necesitas entender un campo nuevo para tomar decisiones informadas
• Preparas un documento técnico, paper, propuesta o estudio
• Quieres identificar estado del arte + gaps de conocimiento

Principios

1. Pregunta antes de investigar — la skill interroga al usuario sobre semilla, modo y fuentes ANTES de arrancar
2. Fuentes confiables con tiering transparente — rechaza automáticamente fuentes no fiables
3. WDM + Inversión Munger en toda decisión autónoma no trivial
4. Loop con auto-regulación — no iteraciones fijas; criterio medible para cerrar
5. Checkpointing defensivo — guarda a disco cada ciclo; sobrevive compact / cierre de sesión
6. Pausa preventiva — detecta proximidad al límite de contexto y sugiere pausar antes del cierre forzoso

Flujo completo

Fase 0 — Preguntas iniciales (la skill interroga)

Al invocar /recursive-research, la skill pregunta al usuario, en orden:

1. Semilla de investigación: "¿Cuál es el tema que quieres investigar?" (texto libre)
2. Modo: web / local / mixto
3. Si incluye local: "¿Qué rutas locales debo investigar?" (lista de paths separados por comas)
4. Fuentes priorizadas (opcional): autores, dominios, publicaciones preferidas
5. Fuentes excluidas (opcional)
6. Tope duro de ciclos (default: 20; configurable)

La skill presenta un resumen y espera confirmación antes de arrancar.

Fase 1 — Preparación del espacio de trabajo

1. Generar slug de la semilla (kebab-case, máx. 40 caracteres)
2. Verificar / crear memoria/investigaciones/<slug>/ en el directorio de trabajo actual
   • Si memoria/ NO existe, crearla explicando: "No existe la carpeta memoria/ en el proyecto. La creo porque la skill necesita consolidar hallazgos en disco cada ciclo — es lo que permite reanudar la investigación en sesiones nuevas."
3. Crear archivos iniciales:
   • estado.md — metadatos, progreso, métricas
   • hilos.md — árbol de hilos semilla + sub-hilos
   • fuentes-tier-1.md, fuentes-tier-2.md, fuentes-tier-3.md, fuentes-rechazadas.md
   • hallazgos.md — consolidación

Fase 2 — Identificar hilos semilla

Generar 3-5 hilos semilla (ángulos distintos del tema).

Aplicar WDM a la selección de hilos:

Evaluar 5-8 hilos candidatos, seleccionar top 3-5.

Inversión Munger sobre los hilos elegidos:

• ¿Qué hilo importante estoy ignorando?
• ¿Qué perspectiva ausente haría que mi investigación sea parcial?
• ¿Qué escuela / voz disidente no aparece?

Si la inversión revela un hilo crítico faltante, agregarlo y re-ejecutar WDM.

Ejemplos por dominio (NO solo código):

Fase 3 — Detectar herramientas disponibles

Antes del primer ciclo, detectar MCPs disponibles y ordenar por preferencia:

Preferencia (mayor a menor velocidad/efectividad):

1. MCPs de scraping optimizados para IA: Firecrawl (firecrawl_scrape, firecrawl_crawl, firecrawl_search, firecrawl_extract) — texto estructurado, rápido
2. MCPs de documentación oficial: Context7 (query-docs) — cuando la fuente es una librería/framework
3. Herramientas nativas: WebSearch, WebFetch — fallback universal
4. MCPs de navegación real (Chrome DevTools): DESPRIORIZADOS — solo si el contenido requiere ejecución JS explícita (SPAs sin SSR, contenido tras auth)

Razón: scrapers de IA son 10-50× más rápidos que navegadores reales y dan texto ya estructurado.

Fase 4 — Fuentes semilla sugeridas

La skill presenta al usuario una lista de fuentes semilla pre-cargadas por dominio para que confirme, añada o rechace:

Ciencia general / papers:

• arXiv (https://arxiv.org) — preprints en física, matemáticas, CS, biología, economía
• Semantic Scholar (https://www.semanticscholar.org) — red de citaciones
• Google Scholar (https://scholar.google.com)
• Connected Papers (https://www.connectedpapers.com) — mapas visuales de citaciones
• OpenReview (https://openreview.net) — revisiones abiertas en ML

Medicina / biología:

• PubMed (https://pubmed.ncbi.nlm.nih.gov)
• Cochrane Library (https://www.cochranelibrary.com) — meta-análisis
• WHO (https://www.who.int)
• ClinicalTrials.gov

Humanidades / ciencias sociales:

• JSTOR (https://www.jstor.org)
• SSRN (https://www.ssrn.com)
• Project MUSE (https://muse.jhu.edu)

Código / tecnología:

• GitHub (búsqueda, topics, starred lists de expertos)
• Context7 para docs oficiales (si MCP disponible)
• RFCs (https://www.rfc-editor.org)
• W3C specs (https://www.w3.org/TR/)

Datos / estadística:

• Banco Mundial (https://data.worldbank.org)
• OECD Data (https://data.oecd.org)
• Our World in Data (https://ourworldindata.org)
• Pew Research (https://www.pewresearch.org)
• Eurostat, INE, y equivalentes nacionales

Arte / cultura / humanidades:

• Europeana (https://www.europeana.eu)
• Google Arts & Culture (https://artsandculture.google.com)
• Internet Archive (https://archive.org)
• Project Gutenberg (https://www.gutenberg.org)

Generales:

• Wikipedia — como PUNTO DE PARTIDA. Saltar siempre a la sección de referencias para llegar a Tier 1/2
• Wikidata — datos estructurados

Fuentes locales (si el usuario proporcionó rutas):

• Listar estructura de carpeta
• Priorizar .md, .pdf, .txt, .doc/.docx, .html, .epub
• Usar herramientas de lectura del agente (Read, Grep, Glob)

Fase 5 — Ciclo de investigación (LOOP auto-regulado)

Cada ciclo ejecuta los siguientes sub-pasos.

5.1. Elegir el hilo con menor cobertura

Calcular cobertura actual de cada hilo (hallazgos_registrados / hallazgos_esperados_proxy). Elegir el de menor %.

5.2. WDM + Munger sobre fuentes a usar en ESTE ciclo

WDM por fuente candidata:

Seleccionar top 3-5.

Inversión Munger sobre las fuentes seleccionadas:

• ¿Qué fuente NO estoy usando que debería? (disidentes, escuelas críticas, voces silencia