Wide Research

​

Geniş Kapsamlı Araştırma Nedir?

Geniş Kapsamlı Araştırma, Manus’un, 100 ürünü analiz etmek, 50 şirketi araştırmak veya 20 parça içerik oluşturmak gibi birçok benzer öğenin işlenmesini içeren görevleri ele alma yaklaşımıdır. Öğeleri sırayla işleyen tek bir AI Agent kullanmak yerine, Geniş Kapsamlı Araştırma, paralel çalışan yüzlerce bağımsız Agent konuşlandırır. Her Agent, kendine ait özel bir bağlam alır ve bir öğeyi bağımsız olarak işler. Bu mimari, öğe sayısı arttıkça geleneksel AI sistemlerinin kalitesinin düşmesine neden olan bağlam penceresi sınırlamasını çözer.

​

Bağlam Penceresi Sorunu

Çoğu sohbet robotu da dahil olmak üzere geleneksel AI sistemleri, sabit bir bağlam penceresiyle çalışır—bu, aynı anda aktif olarak işleyebilecekleri bilgi miktarının bir sınırıdır. Birçok öğeyi sırayla analiz etmeleri istendiğinde:

• Öğeler 1-5: Tüm bağlamın mevcut olduğu ayrıntılı, kapsamlı analiz
• Öğeler 10-20: Bağlam doldukça açıklamalar kısalır
• Öğeler 30+: Önceki bağlam sıkıştırıldıkça veya kayboldukça genel özetler ve artan hatalar

Bu bozulma, AI’nın yeni öğeleri işlerken tüm önceki öğeleri bellekte tutması gerektiği için meydana gelir. Araştırmalar, bu “uydurma eşiğinin” çoğu AI sistemi için genellikle 8-10 öğe civarında ortaya çıktığını göstermektedir.

​

Geniş Kapsamlı Araştırma Nasıl Çalışır?

Geniş Kapsamlı Araştırma, temelden farklı bir mimari kullanır: 1. Görev Ayrıştırma: Ana Agent, isteğinizi analiz eder ve bağımsız alt görevlere ayırır (örneğin, “#1 şirketi araştır”, “#2 şirketi araştır”, vb.) 2. Paralel Agent Dağıtımı: Her alt görev, kendine ait yeni bir bağlam penceresine sahip özel bir Agent’a atanır 3. Bağımsız İşleme: Agent’lar eş zamanlı çalışır ve her biri bağlam alanı için rekabet etmeden kapsamlı araştırma yapar 4. Sonuç Sentezi: Ana Agent, tamamlanan tüm alt görevleri toplar ve bunları istediğiniz formata (tablo, rapor, veri kümesi vb.) dönüştürür Sonuç: 250. öğe, 1. öğeyle aynı analiz derinliğini alır, çünkü her birinin kendine ait özel Agent’ı ve tam bağlam penceresi vardır.

​

Hızlı Başlangıç

​

Basit İstek

​

Ayrıntılı İstek

​

Yaratıcı İstek

​

Gerçek Örnekler

​

Örnek 1: 250 AI Araştırmacısını Araştırma

Çıktı: 250 ayrıntılı profile sahip eksiksiz veri tabanı Tekrar Oynat: https://manus.im/share/IXdMjxObbFKbIjUUkBk4EH?replay=1 Neden işe yarar:

• Başka hiçbir AI aracı bu görevi bu ölçekte yerine getiremez
• Her araştırmacı bağımsız, kapsamlı araştırma alır
• Tablo otomatik olarak oluşturulur ve tüm alanlarla doldurulur
• 1. araştırmacıdan 250. araştırmacıya kadar tutarlı kalite

​

Örnek 2: 100 Spor Ayakkabısı Modelini Karşılaştırma

Çıktı: 100 ürün içeren kapsamlı pazar araştırma tablosu Tekrar Oynat: https://manus.im/share/3zvs5smekSmn4lS14n9QNg?replay=1 Neden işe yarar:

• Her ürün üzerinde derinlemesine, bağımsız araştırma
• Büyük ölçekli yapılandırılmış veri çıkarma
• Otomatik düzenleme ve sıralama
• 100 öğe boyunca kalitede düşüş yok

​

Örnek 3: AGI Zaman Çizelgelerini Analiz Etme

Çıktı: Veri görselleştirmesi içeren kapsamlı analiz Tekrar Oynat: https://manus.im/share/GajPnKzrpM4pEbpcrKDmx0?replay=1 Neden işe yarar:

• Düzinelerce kaynaktan gelen bilgiyi sentezler
• Bulguların görsel temsilini oluşturur
• Desenleri ve aykırı değerleri tanımlar
• Kanıta dayalı özet sunar

​

Örnek 4: 20 Biyografiyi Araştırma

Çıktı: 20 tutarlı, kapsamlı biyografi Tekrar Oynat: https://manus.im/share/ayLBetEJkfSIVuWKo2toPn?replay=1 Neden işe yarar:

• Her biyografi kapsamlı ve bağımsız olarak araştırılır
• Tüm materyallerde tutarlı yapı
• Kişi başına derin, çok kaynaklı araştırma
• Kısayol kullanılmaz veya genel içerik üretilmez

​

Örnek 5: LinkedIn Profil Fotoğraflarını Toplu Düzenleme

Çıktı: Profesyonelce düzenlenmiş 50 profil resmi Tekrar Oynat: https://manus.im/share/5iT2464ldyvdf1FMxUOCsW?replay=1 Nasıl çalışır:

• Toplu görüntü işleme için mikro-SaaS araçlarının yerini alır
• Tüm görüntülere tutarlı düzenlemeler uygular
• Otomatik indirme ve işleme hattı
• Ölçekli profesyonel sonuçlar

​

Örnek 6: GitHub İstem Kütüphanesi Çıkarma

Çıktı: 100’den fazla istem içeren yapılandırılmış veri tabanı Tekrar Oynat: https://manus.ai/share/wxTg2q4hV6GN4YY4KnQeFx?replay=1 Nasıl çalışır:

• Bilgiyi ölçekli olarak çıkarır ve yapılandırır
• Otomatik kategorizasyon ve etiketleme
• Aranabilir, düzenli veri tabanı oluşturur
• Karmaşık web kazıma görevlerini yönetir

​

Kategoriye Göre Kullanım Durumları

​

Neden diğer araçlar yerine Geniş Kapsamlı Araştırma

​

Geniş Kapsamlı Araştırma Ne Zaman Kullanılmalı

En iyisi:

• Rekabet istihbaratı (50’den fazla rakibi analiz etme)
• Pazar araştırması (100’den fazla ürünü karşılaştırma)
• Akademik araştırma (30’dan fazla makaleyi inceleme)
• Potansiyel müşteri oluşturma (200’den fazla potansiyel müşteriyi araştırma)
• İçerik oluşturma (20’den fazla benzer öğe oluşturma)
• Veri çıkarma (100’den fazla sayfayı kazıma ve yapılandırma)
• Toplu işleme (50’den fazla görüntü/dosyayı düzenleme)

Şunun için değil:

• Tek, derin analiz (normal Agent modunu kullanın)
• Sıralı bağımlılık gerektiren görevler
• Gerçek zamanlı etkileşimli araştırma
• 10’dan az öğe içeren görevler

​

Daha İyi Sonuçlar İçin İpuçları

Yapı konusunda açık olun:

• ✅ “Aşağıdaki sütunları içeren bir tablo oluşturun: Ad, Şirket, Ünvan, E-posta, LinkedIn”
• ❌ “Bu kişileri araştırın”

Ölçeği önceden belirtin:

• ✅ “Bu listedeki 100 şirketin tamamını analiz edin”
• ❌ “Bazı şirketleri analiz edin”

Gerekli çıktı formatını açıklayın:

• ✅ “Filtrelerle sıralanabilir bir elektronik tablo halinde düzenleyin”
• ❌ “Bana sonuçları verin”

Değerlendirme kriterlerini ekleyin:

• ✅ “Her ürünü şunlara göre puanlayın: fiyat, özellikler, incelemeler, kullanılabilirlik”
• ❌ “Bu ürünleri karşılaştırın”

​

Sıkça Sorulan Sorular

​