> ## Documentation Index
> Fetch the complete documentation index at: https://manus.im/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Wide Research

> Paralleles Multi-Agent-System für umfangreiche Recherche- und Verarbeitungsaufgaben.

export const CodePrompt = ({children}) => {
  const [isCopied, setIsCopied] = useState(false);
  const textContent = useMemo(() => {
    const extractText = (children, depth = 0) => {
      const maxDepth = 10;
      if (depth > maxDepth) return '';
      if (children == null) return '';
      if (typeof children === 'string' || typeof children === 'number') {
        return String(children);
      }
      if (Array.isArray(children)) {
        return children.map(child => extractText(child, depth + 1)).join('');
      }
      if (typeof children === 'object' && children.props) {
        return extractText(children.props.children, depth + 1);
      }
      return '';
    };
    return extractText(children);
  }, [children]);
  const handleAskManus = useCallback(() => {
    const url = new URL('https://manus.im');
    if (textContent) {
      url.searchParams.set('q', textContent);
      url.searchParams.set('submit', '1');
    }
    window.open(url.toString(), '_blank');
  }, [textContent]);
  const handleCopy = useCallback(async () => {
    try {
      await navigator.clipboard.writeText(textContent);
      setIsCopied(true);
      setTimeout(() => {
        setIsCopied(false);
      }, 2000);
    } catch (err) {
      const textArea = document.createElement('textarea');
      textArea.value = textContent;
      textArea.style.position = 'fixed';
      textArea.style.opacity = '0';
      document.body.appendChild(textArea);
      textArea.select();
      try {
        document.execCommand('copy');
        setIsCopied(true);
        setTimeout(() => {
          setIsCopied(false);
        }, 2000);
      } catch (fallbackErr) {
        console.error(fallbackErr);
      }
      document.body.removeChild(textArea);
    }
  }, [textContent]);
  return <div className="code-block mt-5 mb-8 not-prose rounded-2xl relative group text-gray-950 dark:text-gray-50 codeblock-light border border-gray-950/10 dark:border-white/10 dark:twoslash-dark bg-transparent dark:bg-transparent">
      <div className="absolute top-3 right-4 flex items-center gap-1.5">
        <div className="z-10 relative">
          <button onClick={handleCopy} className="h-[26px] w-[26px] flex items-center justify-center rounded-md backdrop-blur peer group/copy-button " data-testid="copy-code-button" aria-label="Copy the contents from the code block">
            {isCopied ? <svg width="16" height="11" viewBox="0 0 16 11" fill="none" xmlns="http://www.w3.org/2000/svg" class="fill-primary dark:fill-primary-light">
                <path d="M14.7813 1.21873C15.0751 1.51248 15.0751 1.98748 14.7813 2.2781L6.53135 10.5312C6.2376 10.825 5.7626 10.825 5.47197 10.5312L1.21885 6.28123C0.925098 5.98748 0.925098 5.51248 1.21885 5.22185C1.5126 4.93123 1.9876 4.9281 2.27822 5.22185L5.99697 8.9406L13.7188 1.21873C14.0126 0.924976 14.4876 0.924976 14.7782 1.21873H14.7813Z"></path>
              </svg> : <svg width="18" height="18" viewBox="0 0 18 18" fill="none" xmlns="http://www.w3.org/2000/svg" className="w-4 h-4 text-gray-400 group-hover/copy-button:text-gray-500 dark:text-white/40 dark:group-hover/copy-button:text-white/60">
                <path d="M14.25 5.25H7.25C6.14543 5.25 5.25 6.14543 5.25 7.25V14.25C5.25 15.3546 6.14543 16.25 7.25 16.25H14.25C15.3546 16.25 16.25 15.3546 16.25 14.25V7.25C16.25 6.14543 15.3546 5.25 14.25 5.25Z" stroke="currentColor" strokeWidth="1.5" strokeLinecap="round" strokeLinejoin="round"></path>
                <path d="M2.80103 11.998L1.77203 5.07397C1.61003 3.98097 2.36403 2.96397 3.45603 2.80197L10.38 1.77297C11.313 1.63397 12.19 2.16297 12.528 3.00097" stroke="currentColor" strokeWidth="1.5" strokeLinecap="round" strokeLinejoin="round"></path>
              </svg>}
          </button>
          <div aria-hidden="true" className="absolute top-11 left-1/2 transform whitespace-nowrap -translate-x-1/2 -translate-y-1/2 peer-hover:opacity-100 opacity-0 text-white rounded-lg px-1.5 py-0.5 text-xs bg-primary-dark">
            {isCopied ? 'Copied' : 'Copy'}
          </div>
        </div>
        <div className="z-10 relative">
          <button onClick={handleAskManus} className="h-[26px] w-[26px] flex items-center justify-center rounded-md backdrop-blur peer group/ask-manus " id="ask-ai-code-block-button" aria-label="Ask Manus">
            <svg xmlns="http://www.w3.org/2000/svg" width="18" height="18" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2" stroke-linecap="round" stroke-linejoin="round" className="w-4 h-4 text-gray-400 group-hover/ask-manus:text-gray-500 dark:text-white/40 dark:group-hover/ask-manus:text-white/60">
              <path d="M22 17a2 2 0 0 1-2 2H6.828a2 2 0 0 0-1.414.586l-2.202 2.202A.71.71 0 0 1 2 21.286V5a2 2 0 0 1 2-2h16a2 2 0 0 1 2 2z" />
              <path d="M12 8v6" />
              <path d="M9 11h6" />
            </svg>
          </button>
          <div aria-hidden="true" className="absolute top-11 left-1/2 transform whitespace-nowrap -translate-x-1/2 -translate-y-1/2 peer-hover:opacity-100 opacity-0 text-white rounded-lg px-1.5 py-0.5 text-xs bg-primary-dark">
            Ask Manus
          </div>
        </div>
      </div>

      <div className="w-0 min-w-full max-w-full py-3.5 px-4 h-full dark:bg-codeblock relative text-sm leading-6 children:!my-0 children:!shadow-none children:!bg-transparent transition-[height] duration-300 ease-in-out code-block-background [&_*]:ring-0 [&_*]:outline-0 [&_*]:focus:ring-0 [&_*]:focus:outline-0 [&_pre>code]:pr-[3rem] [&_pre>code>span.line-highlight]:min-w-[calc(100%+3rem)] [&_pre>code>span.line-diff]:min-w-[calc(100%+3rem)] rounded-2xl bg-white overflow-x-auto scrollbar-thin scrollbar-thumb-rounded scrollbar-thumb-black/15 hover:scrollbar-thumb-black/20 active:scrollbar-thumb-black/20 dark:scrollbar-thumb-white/20 dark:hover:scrollbar-thumb-white/25 dark:active:scrollbar-thumb-white/25" style={{
    fontVariantLigatures: 'none',
    height: 'auto',
    backgroundColor: 'rgb(255, 255, 255)'
  }}>
        <div className="font-mono whitespace-pre leading-6">{children}</div>
      </div>
    </div>;
};

<iframe src="https://www.youtube.com/embed/TRZi7EZBNI0" title="YouTube-Videoplayer" frameborder="0" className="w-full aspect-video rounded-xl" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen />

## Was ist Wide Research?

Wide Research ist Manus' Ansatz zur Bewältigung von Aufgaben, bei denen viele ähnliche Elemente verarbeitet werden müssen – wie die Analyse von 100 Produkten, die Recherche zu 50 Unternehmen oder die Erstellung von 20 Inhalten. Anstatt einen einzelnen AI Agent zu verwenden, der Elemente nacheinander verarbeitet, setzt Wide Research Hunderte unabhängiger Agents ein, die parallel arbeiten.

Jeder Agent erhält seinen eigenen dedizierten Kontext und verarbeitet ein Element unabhängig. Diese Architektur löst die Beschränkung des Kontextfensters, die dazu führt, dass die Qualität traditioneller AI-Systeme mit der steigenden Anzahl der Elemente abnimmt.

## Das Kontextfenster-Problem

Herkömmliche AI-Systeme, einschließlich der meisten Chatbots, arbeiten mit einem festen Kontextfenster – einer Begrenzung der Informationsmenge, die sie gleichzeitig aktiv verarbeiten können. Wenn sie aufgefordert werden, viele Elemente nacheinander zu analysieren:

* **Elemente 1-5**: Detaillierte, gründliche Analyse mit vollständigem verfügbarem Kontext
* **Elemente 10-20**: Beschreibungen werden kürzer, da sich der Kontext füllt
* **Elemente 30+**: Allgemeine Zusammenfassungen und vermehrte Fehler, da früherer Kontext komprimiert wird oder verloren geht

Diese Verschlechterung tritt auf, weil die AI alle vorherigen Elemente im Speicher behalten muss, während sie neue verarbeitet. Untersuchungen zeigen, dass diese „Erfindungsschwelle“ bei den meisten AI-Systemen typischerweise bei etwa 8–10 Elementen liegt.

## Wie Wide Research funktioniert

Wide Research verwendet eine grundlegend andere Architektur:

**1. Aufgabenzerlegung**: Der Haupt-Agent analysiert Ihre Anfrage und zerlegt sie in unabhängige Unteraufgaben (z. B. „Recherche zu Unternehmen Nr. 1“, „Recherche zu Unternehmen Nr. 2“ usw.)

**2. Parallele Agent-Bereitstellung**: Jede Unteraufgabe wird einem dedizierten Agent mit einem eigenen, frischen Kontextfenster zugewiesen

**3. Unabhängige Verarbeitung**: Agents arbeiten gleichzeitig und führen jeweils gründliche Recherchen durch, ohne um Kontextraum zu konkurrieren

**4. Ergebnissynthese**: Der Haupt-Agent sammelt alle abgeschlossenen Unteraufgaben und fügt sie in dem von Ihnen gewünschten Format (Tabelle, Bericht, Datensatz usw.) zusammen

**Ergebnis**: Element Nr. 250 erhält die gleiche Analysetiefe wie Element Nr. 1, da jedes seinen eigenen dedizierten Agent und ein vollständiges Kontextfenster hat.

## Kurzanleitung

### Einfache Anfrage

<CodePrompt>
  "Recherchieren Sie die Top 20 AI-Forscher und erstellen Sie eine Tabelle mit ihren
  Zugehörigkeiten, Forschungsschwerpunkten und jüngsten Veröffentlichungen"
</CodePrompt>

### Detaillierte Anfrage

<CodePrompt>
  "Vergleichen Sie 100 Sneaker-Modelle für Verbraucher. Extrahieren Sie für jedes Modell: Marke, Preis,
  Hauptmerkmale, Zielgruppe und Kundenbewertung. Organisieren Sie diese in einer
  sortierbaren Tabelle."
</CodePrompt>

### Kreative Anfrage

<CodePrompt>
  "Finden Sie 20 berühmte historische Persönlichkeiten. Erstellen Sie professionelle Porträts
  für jede in einem konsistenten künstlerischen Stil. Fügen Sie kurze Biografien bei."
</CodePrompt>

## Echte Beispiele

### Beispiel 1: Recherche zu 250 AI-Forschern

<CodePrompt>
  "Recherchieren Sie die Top 250 AI-Forscher führender Institutionen. Erstellen Sie
  eine umfassende Tabelle mit: Name, Zugehörigkeit, Forschungsschwerpunkt, h-Index,
  bemerkenswerten Veröffentlichungen und Kontaktinformationen."
</CodePrompt>

**Ausgabe**: Vollständige Datenbank mit 250 detaillierten Profilen

**Wiederholung**: [https://manus.im/share/IXdMjxObbFKbIjUUkBk4EH?replay=1](https://manus.im/share/IXdMjxObbFKbIjUUkBk4EH?replay=1)

**Warum es funktioniert**:

* Kein anderes AI-Tool kann diese Aufgabe in diesem Umfang bewältigen
* Jeder Forscher erhält eine unabhängige, gründliche Recherche
* Tabelle automatisch generiert und mit allen Feldern befüllt
* Durchgängige Qualität von Forscher Nr. 1 bis Nr. 250

### Beispiel 2: Vergleich von 100 Sneaker-Modellen

<CodePrompt>
  "Analysieren Sie 100 Sneaker-Modelle für Verbraucher. Extrahieren Sie Marke, Preisspanne, Schlüssel-
  merkmale, Zielgruppe und Durchschnittsbewertung. Erstellen Sie eine Vergleichs-
  tabelle, sortiert nach Preis."
</CodePrompt>

**Ausgabe**: Umfassende Marktforschungstabelle mit 100 Produkten

**Wiederholung**: [https://manus.im/share/3zvs5smekSmn4lS14n9QNg?replay=1](https://manus.im/share/3zvs5smekSmn4lS14n9QNg?replay=1)

**Warum es funktioniert**:

* Unabhängige Tiefenrecherche zu jedem Produkt
* Groß angelegte strukturierte Datenextraktion
* Automatische Organisation und Sortierung
* Kein Qualitätsverlust über 100 Elemente hinweg

### Beispiel 3: Analyse von AGI-Zeitplänen

<CodePrompt>
  "Recherchieren Sie Expertenprognosen zu AGI-Zeitplänen. Analysieren Sie mehr als 30 Quellen,
  including research papers, expert interviews, and industry reports.
  Erstellen Sie eine Visualisierung, die die Verteilung der Prognosen zeigt."
</CodePrompt>

**Ausgabe**: Umfassende Analyse mit Datenvisualisierung

**Wiederholung**: [https://manus.im/share/GajPnKzrpM4pEbpcrKDmx0?replay=1](https://manus.im/share/GajPnKzrpM4pEbpcrKDmx0?replay=1)

**Warum es funktioniert**:

* Synthetisiert Informationen aus Dutzenden von Quellen
* Erstellt eine visuelle Darstellung der Ergebnisse
* Identifiziert Muster und Ausreißer
* Bietet eine evidenzbasierte Zusammenfassung

### Beispiel 4: Recherche zu 20 Biografien

<CodePrompt>
  "Recherchieren Sie 20 einflussreiche Unternehmer. Erstellen Sie für jeden eine detaillierte Biografie,
  die Folgendes abdeckt: frühes Leben, Karriere-Meilensteine, wichtige Errungenschaften,
  Führungsstil und nachhaltige Wirkung."
</CodePrompt>

**Ausgabe**: 20 umfassende Biografien mit konsistenter Struktur

**Wiederholung**: [https://manus.im/share/ayLBetEJkfSIVuWKo2toPn?replay=1](https://manus.im/share/ayLBetEJkfSIVuWKo2toPn?replay=1)

**Warum es funktioniert**:

* Jede Biografie wird gründlich und unabhängig recherchiert
* Konsistente Struktur über alle Einträge hinweg
* Tiefe, Multi-Quellen-Recherche zu jeder Person
* Keine Abkürzungen oder generische Inhalte erstellt

### Beispiel 5: Massenbearbeitung von LinkedIn-Profilfotos

<CodePrompt>
  "Laden Sie Profilbilder von diesen 50 LinkedIn-URLs herunter. Wenden Sie
  konsistente professionelle Bearbeitungen an: Hintergrund entfernen, Beleuchtung anpassen,
  auf Standardgröße zuschneiden und als hochauflösendes PNG speichern."
</CodePrompt>

**Ausgabe**: 50 professionell bearbeitete Profilbilder

**Wiederholung**: [https://manus.im/share/5iT2464ldyvdf1FMxUOCsW?replay=1](https://manus.im/share/5iT2464ldyvdf1FMxUOCsW?replay=1)

**Funktionsweise**:

* Ersetzt Micro-SaaS-Tools für die Massenbildverarbeitung
* Wendet konsistente Bearbeitungen auf alle Bilder an
* Automatisierter Download- und Verarbeitungsprozess
* Professionelle Ergebnisse im großen Maßstab

### Beispiel 6: Extrahieren einer GitHub Prompt-Bibliothek

<CodePrompt>
  "Greifen Sie auf dieses GitHub awesome-prompts Repository zu. Extrahieren Sie alle Prompts,
  kategorisieren Sie sie nach Anwendungsfall und erstellen Sie eine strukturierte Datenbank mit: Prompt-
  Text, Kategorie, Zielmodell und Effektivitätsbewertung."
</CodePrompt>

**Ausgabe**: Strukturierte Datenbank mit über 100 Prompts

**Wiederholung**: [https://manus.ai/share/wxTg2q4hV6GN4YY4KnQeFx?replay=1](https://manus.ai/share/wxTg2q4hV6GN4YY4KnQeFx?replay=1)

**Funktionsweise**:

* Extrahiert und strukturiert Informationen im großen Maßstab
* Automatische Kategorisierung und Kennzeichnung
* Erstellt eine durchsuchbare, organisierte Datenbank
* Bewältigt komplexe Web-Scraping-Aufgaben

## Anwendungsfälle nach Kategorie

| Kategorie                 | Beispielaufgaben                                                                                        |
| :------------------------ | :------------------------------------------------------------------------------------------------------ |
| **Marktforschung**        | 100 Produkte vergleichen, Wettbewerbspreise analysieren, Kundenrezensionen untersuchen                  |
| **Akademische Forschung** | 50 Artikel überprüfen, Forschungstrends analysieren, Methoden vergleichen                               |
| **Wettbewerbsanalyse**    | 30 Wettbewerber analysieren, Funktionsumfänge analysieren, Preisänderungen verfolgen                    |
| **Lead-Generierung**      | 200 Interessenten recherchieren, Kontaktinformationen finden, Leads qualifizieren                       |
| **Content-Erstellung**    | 20 Blog-Gliederungen generieren, 50 Social-Media-Beiträge erstellen, 30 Produktbeschreibungen verfassen |
| **Datenextraktion**       | 100 Websites crawlen, strukturierte Daten extrahieren, Datenbanken zusammenstellen                      |
| **Kreative Produktion**   | 20 Bilder generieren, 50 Fotos bearbeiten, konsistente Marken-Assets erstellen                          |
| **Investment-Recherche**  | 40 Start-ups analysieren, 30 Fonds vergleichen, 50 Portfolio-Unternehmen recherchieren                  |

## Warum Wide Research statt anderer Tools

| Aspekt              | AI Chatbot                                     | Manus Wide Research                  |
| :------------------ | :--------------------------------------------- | :----------------------------------- |
| **Methode**         | Einzelne AI hilft Ihnen                        | Parallele Multi-Agent-Orchestrierung |
| **Geschwindigkeit** | Stunden bis zur Kontext-Sättigung              | Minuten, unabhängig vom Umfang       |
| **Umfang**          | Leistung nimmt nach 8–10 Elementen ab          | Skaliert nahtlos auf Hunderte        |
| **Qualität**        | Fortschreitender Rückgang                      | Konsistente Qualität in jedem Umfang |
| **Ausgabe**         | Komprimierte Zusammenfassung mit Detailverlust | Vollständige Berichte und Datensätze |

## Wann Wide Research verwendet werden sollte

**Am besten geeignet für**:

* Wettbewerbsanalyse (Analyse von über 50 Wettbewerbern)
* Marktforschung (Vergleich von über 100 Produkten)
* Akademische Forschung (Überprüfung von über 30 Artikeln)
* Lead-Generierung (Recherche von über 200 Interessenten)
* Content-Erstellung (Generierung von über 20 ähnlichen Elementen)
* Datenextraktion (Scraping und Strukturierung von über 100 Seiten)
* Massenverarbeitung (Bearbeitung von über 50 Bildern/Dateien)

**Nicht ideal für**:

* Einzelne Tiefenanalyse (verwenden Sie den regulären Agent-Modus)
* Aufgaben, die eine sequentielle Abhängigkeit erfordern
* Interaktive Recherche in Echtzeit
* Aufgaben mit weniger als 10 Elementen

## Tipps für bessere Ergebnisse

**Seien Sie explizit bezüglich der Struktur**:

* ✅ „Erstellen Sie eine Tabelle mit den folgenden Spalten: Name, Unternehmen, Titel, E-Mail, LinkedIn“
* ❌ „Recherchieren Sie diese Personen“

**Geben Sie den Umfang im Voraus an**:

* ✅ „Analysieren Sie alle 100 Unternehmen in dieser Liste“
* ❌ „Analysieren Sie einige Unternehmen“

**Beschreiben Sie das gewünschte Ausgabeformat**:

* ✅ „Organisieren Sie dies in einer sortierbaren Tabelle mit Filtern“
* ❌ „Geben Sie mir die Ergebnisse“

**Fügen Sie Bewertungskriterien hinzu**:

* ✅ „Bewerten Sie jedes Produkt basierend auf: Preis, Funktionen, Bewertungen, Verfügbarkeit“
* ❌ „Vergleichen Sie diese Produkte“

## Häufig gestellte Fragen

<AccordionGroup>
  <Accordion title="Wie viele Elemente kann Wide Research verarbeiten?" icon="sparkles">
    Getestet bis zu 250 Elemente. Theoretisch unbegrenzt, aber praktische Grenzen hängen von der Komplexität der Aufgabe ab.
  </Accordion>

  <Accordion title="Wie lange dauert es?" icon="sparkles">
    Hängt von der Komplexität und dem Umfang der Aufgabe ab. Typischerweise Minuten für 50–100 Elemente, unabhängig von der Tiefe.
  </Accordion>

  <Accordion title="Kann ich die Ergebnisse nachträglich verfeinern?">
    Ja. Fordern Sie Änderungen an: „Preisspalte hinzufügen“ oder „Elemente 20–30 erneut recherchieren“.
  </Accordion>

  <Accordion title="Funktioniert es auch für Nicht-Recherche-Aufgaben?">
    Ja. Jede Aufgabe, die die Verarbeitung mehrerer unabhängiger Elemente beinhaltet: Bildbearbeitung, Datenextraktion, Content-Generierung usw.
  </Accordion>
</AccordionGroup>

##
