Dataroom — новый подход к проведению Deep Research, который заточен не под людей, а под агентов

Еще год назад глубокий ресёрч работал так: агент ищет в вебе → читает → рассуждает → повторяет, и так пока не родится длинный PDF, который, будем честны, никто не читал.

Так вот Dataroom предлагает делить эту задачу на две фазы:

⚧ Дешевый агент ищет, читает, переранжирует источники и складывает всё в структурированный .zip: папки topics/, sources/, data/, SUMMARY .md и каждый факт с ссылкой на источник.

Но важно: сам не делает выводы, только сбор.

🚻 Дальше уже дорогая фронтир-модель Claude/Codex читает эти файлы и работает только по ним. Без веба.

Почему такой подход на дистанции лучше:
• Маленькой модели хватает для качественного ресерча, потому что она не принимает решения а тупо собирает;
• Веб всегда меняется, отдаёт 404 и упирается в пейволы, а локальные файлы это статика;
• Чтение с диска гораздо быстрее чем запросы в сеть
• В конечных файлах уже не будет HTML-мусора, на парсинг которого уходят токены.

Таким образом ресёрч крутит маленькая локальная модель по типу Qwen3.6-35B-A3B, а не дорогой Claude который сжег бы токены на черновую работу.

В Dataroom можно задать бюджет по времени (например час), отправить запрос и забыть пока данные не наполнятся, не боясь лимита сессии.

Есть Skill, чтобы агент использовал это как API.

Веб-версия | GitHub

@hype_neuro