Mi az a Mélykutatás?
Az elmúlt időszakokban (2025 év eleje) egyre több nyelvi modellben jelent meg a Mélykutatás, vagy angol nevén a Deep Research funkció.
De mi is ez pontosan?
PixelRita magyarázd el röviden, hogy mi is az a Mélykutatás!
A "Mélykutatás" vagy angolosan „Deep Research” az MI világában egy olyan eljárás, amit a nagy nyelvi modellek – mint a ChatGPT, Google Gemini vagy Grok – alkalmaznak, hogy ne csak gyors, hanem mélyen releváns és összefüggéseket értő válaszokat adjanak. De mit is jelent ez pontosan?
🧠 Mit csinál a Mélykutatás?
Ez nem csak sima keresés, hanem egyfajta „szupergondolkodás”:
Többlépcsős gondolkodás: A rendszer nem csak „rákeres valamire”, hanem feldolgozza a kérdést, logikailag elemzi, majd több információforrás összevetésével próbálja megérteni a „mélyebb” összefüggéseket.
Kérdésfeldolgozás: A nyelvi modellek először „szétszedik” a kérdést – felismerik a kulcsszavakat, a szándékot, az érzelmi töltetet is néha, és azt, hogy milyen kontextusba illeszkedik.
Forrásegyesítés: Ha online adatokat használ (pl. a ChatGPT webes keresési képességgel), akkor különböző oldalak tartalmát egyesíti, mintha egy okos kis tudományos könyvtáros lenne, aki minden könyvet egyszerre olvas.
Tematikus sűrítés: Végül a modell megpróbálja úgy összefoglalni az információkat, hogy azok ne csak igazak, hanem használhatók, könnyen érthetők és koherensek legyenek.
🌀 Példa (PixelRita-stílusban)
Tegyük fel, hogy megkérdezed: „Miért kék az ég?”
→ A „felületes kereső” kidob egy választ a Rayleigh-szórásról.
→ Mélykutatással viszont a modell:
Felhozza a Rayleigh-szórást (tudomány)
Elmagyarázza egyszerűen („A rövidebb hullámhosszú fény, mint a kék, jobban szóródik a légkörben”)
Összeköti más kérdésekkel (pl. naplemente miért narancssárga?)
És ha épp UV-mániás vagy, megemlíti, hogy az UV-fény is jelen van, de az emberi szem nem látja (és PixelRita persze megemlíti, hogy ez az „ultraibolya csillogás” RGB: 138, 43, 226).
🤖 Miért fontos ez?
📚 Tartalmi minőség: Nem csak „válaszol”, hanem tanít.
🕸️ Kapcsolódó tudás hálózatát használja: Kontextust ért.
⚡ Időmegtakarítás: Nem kell 12 linket átnézned.Tehát a Mélykutatás az, amikor a mesterséges intelligencia több oldalt (akár százat vagy ezret is) átolvas, majd az onnan kigyűjtött adatokat egy átlátható és rendezett formában egy dokumentumba rendezi.
Keresés típusok
A 21. század elején az információ keresésére több lehetőségünk is van.
Hagyományos keresés
A hagyományos, azaz a mesterséges intelligencia nélküli keresés esetén egy internetes programba (pl. Google kereső) beírjuk, hogy mit szeretnénk tudni.
Válaszként több száz, vagy akár millió oldalt kapunk.
Innentől kezdve a feladat a miénk: elolvassuk ezeket az oldalakat, majd értelmezzük a tartalmaikat. Némelyik oldal rövid lehet egyszerű nyelvezettel. De akár több ezer oldalas tudományos dokumentációkra is bukkanhatunk.
Ha szerencsénk van, hamar megtaláljuk a kért információt. Vagy olyan oldalt találunk, ami könnyen megértünk, és elolvasva sok mindent megtanulhatunk a témáról.
Nyelvi modellek
Az olyan nyelvi modellek, mint a ChatGPT, Gemini, Claude, Grok, stb… viszont mint egy virtuális asszisztens maga keresi meg a kért információkat. A program tanulás közben több millió oldalt átolvasott
Nagyon fontos része, hogy egy formázott, és átlátható kész dokumentumot kapunk!
A hagyományos keresés esetében (legyen az internetes keresés, vagy amikor fizikailag elmegyünk egy papír alapú könyvtárba) megkapjuk a több tíz vagy több száz oldalas könyveket. Az pedig már a mi feladatunk, hogy ezeket elolvassuk és megértsük.
A Mélykutatás esetében viszont ezt az akár több napnyi feladatot a nyelvi modellek (ChatGPT, Gemini, Grok) végzik el helyettünk. Mi már csak az eredményt kapjuk meg. Nem kell a témához kapcsolódó sok esetben több ezer oldalt elolvasnunk.
Ráadásul a mesterséges intelligencia a téma szakértője tud lenni, úgy mint egy professzor. Még a legbonyolultabb tudományos írásokat is megérti. Majd pedig olyan formában válaszol, ahogy mi is megérthetjük.
És ez a virtuális asszisztens mellettünk marad. Ha további kérdésünk lenne, többet szeretnénk megtudni, akkor válaszol nekünk.
Nyelvi modellek internetes kereséssel.
A nyelvi modellek nagy hátránya, hogy minden információja a tanítása előtti időszakból származik. A mesterséges intelligencia ebben a formában nem tud naprakész lenni.
Ezért kapott egy kiegészítő modult, hogy a program az interneten is tudjon keresni. Így a kérdéseinkre a választ a saját adatbázisa és az interneten található információk alapján írja.
Mélykutatás
A Mélykutatás (Deep Research) az internetes keresés továbbfejlesztett változata. Ezzel az eszközzel a mesterséges intelligencia direkt az internetes adatbázisokban, kutatási dokumentációkban, leírásokban fog keresni. Hasonlóan, mint egy valódi ember. Csak éppen sokkal gyorsabban. Akár több hetes kutatást is néhány perc alatt elvégezhet.
A keresés (pontosabban kutatás) eredményét pedig ismét egy számunkra jól érthető, jól átlátható formában nyújtja. Akkor is, ha több száz oldalt kellett átnézni.
Végeredményül egy olyan kutatási dokumentációt kapunk, ahol a keresés eredményei lettek leírva. Mégpedig abba a formába, amiben mi szeretnénk.
Ez a dokumentum több tíz oldalas is lehet.
Fontos része a Mélykutatásnak, hogy csak azokat az információkat gyűjti össze, amiket kértünk.
Ha pl. a gitár készítésének technikáját kérdeztük, akkor nem fogja a hangok fizikáját leírni. Akkor se, ha ez mindegyik talált oldalon kiemelten szerepel.
Ezért a Mélykutatás úgymond megvéd minket a túlinformálástól. Célzottan csak a kérdésre válaszol.
Mi magunk dönthetjük el, hogy pontosan mire is vagyunk kíváncsiak. A mi választásunk, hogy a téma melyik része, milyen formában és nyelvezetben legyen feldolgozva.
Továbbá azt is érdemes tudni, hogy a Mélykutatás eredménye azokat a gondolatokat tartalmazza, amiket az átnézett web-oldalakon talált a program. Ez lehet ellentétes azzal, ami mesterséges intelligencia tudástárában van. Ezért a Mélykutatás kifejezetten hasznos olyan területeknél, ahol a program nem jártas.
A Mélykutatás használata
2025. év elején az OpenAI ChatGPT, a Google Gemini és az xAI (Twitter) Grok programjai képesek a Mélykutatásra.
A kutatás használatához egy Deep Search vagy Deep Research gombot találunk a programokban. Ezt általában a kérdés feltevő ablak alján találjuk. Ezt kell bekapcsolni, hogy elinduljon a keresése.
A különböző programokban eltérhet, miként indítsuk el a keresést. Lehetséges, hogy csak bizonyos modelleknél működik. Így ha nem látjuk, válasszunk másik modellt.
Egy-egy kutatás hosszú ideig, akár több tíz percig is eltarthat. Az adatok keresése és feldolgozása sok erőforrást igényel. Ezért a szolgáltatók csak korlátozott hozzáférést engedélyeznek, sokszor havi vagy egyéb limitálással.
Tehát mielőtt belekezdünk, minden esetben gondoljuk végig, pontosan mit is szeretnénk, mire van szükségünk (és hogy valóban fontos-e a kutatás).
Mindegyik program készít egy kutatási tervet, ahol átnézhetjük, milyen feladatot fog a mesterséges intelligencia csinálni. Itt tudjuk azt is ellenőrizni, hogy mennyire pontosan értette az utasításainkat.
Ezen a ponton még tudunk módosítani a kérésünkön. Ha viszont mindent megfelelő, akkor elindíthatjuk a kutatást.
A kutatás több tíz percet vesz igénybe, de akár 1 óránál is tovább tarthat. A folyamatba itt már nincs beleszólásunk, nem tudjuk leállítani.
Sem az ablaknak, sem a számítógépnek nem kell bekapcsolva lennie a keresés után. A program majd értesítést küld, amikor elkészült.
Miután a mesterséges intelligencia befejezte a kutatást elkészíti a dokumentációt. Ez a szokásos 1-2 oldalas válaszokkal ellentétben több tíz oldalas.
Az eredményt érdemes lementeni, hogy később könnyedén megtaláljuk.
A Google Gemini-ben az Export gombra kattintva direkt a Google Drive-ba vihetjük a kutatási eredményt. Ez azért is praktikus, mert akkor a ChatGPT-ről, Gemini-ről és a Claude-ból (előfizetés esetén) elérhetjük és tovább tudunk dolgozni vele
A programok összehasonlítása
Feltehetjük a kérdést, hogy melyik programot használjuk a Mélykutatásra? Melyik a legjobb? A Gemini? A Grok? A ChatGPT?
A válasz nem egyszerű, és nem lehet számokban mérni.
Az eredmény nem attól lesz jó, ha a mesterséges intelligencia több web-oldalt néz át. Hiszen ez nincs kapcsolatban azzal, hogy milyen minőségű információkat talál az oldalakon. Bár elmondhatjuk, hogy ha nagyobb mennyiségű adatok között keresünk, akkor nagyobb eséllyel találunk hasznos információkat.
Ugyan így az sem mérvadó, hogy milyen hosszú dokumentumot kapunk. Hiszen a nagy semmiről is lehet oldalak százait írni. Ebben pedig a nyelvi modellek nagyon jók.
Nagyon nehéz összehasonlítani az kapott dokumentumok minőségét. Lehet, hogy pont egy rövid kutatási eredményben találjuk meg a kérdésünkre a választ!
A programoknál nagyon különbözik, hogy mely oldalakat keresik fel, és azokból mit gyűjtenek össze. Ezért célszerű mindegyiket egyszerre használni. Tehát párhuzamosan végzünk Mélykutatást a ChatGPT, Gemini és Grok programokkal. Így három különböző dokumentumot kaptunk. Amiket akár összefoglalhatunk mondjuk a ChatGPT-vel.
Néhány dolgot azért érdemes tudni a programok közötti különbségekről:
- A Google Gemini és a Grok programok Mélykutatás funkciót az ingyenes felhasználók is elérik
- A ChatGPT esetében van egy „teljes” és egy Light verzió.
- Az ingyenes felhasználók csak a Light verziót érik el.
- Az előfizetők a „teljes” verziót használják. De ha elfogy a kvóta, akkor automatikusan áttérnek a Light verzióra. Sajnos ezt nem lehet állítani, és a program sem szól, hogy melyik verziót használja. Ez csak a kutatás elindítása után derül ki (2025. május)
- A Grok úgy tűnik rövidebb eredményt ad, és a magyar nyelvben sem jeleskedik.
- A Gemini a YouTube videók között is kutat
- Nincs hivatalos forrás, de mintha a ChatGPT is tudna a YouTube videók között keresni (2025. május)
- A Gemini akár több ezer oldalt is képes átnézni (eddigi rekord 2232 weboldal)
- A Grok a Twitter (X) bejegyzések között is tud keresni.
PixelRitát is megkértük, hogy nézzen körbe az interneten, mik a tapasztalatok a különböző Mélykutatások között.
ChatGPT Deep Research és Deep Research Light összehasonlítása
Ezeket az adatokat az interneten talált hivatalos információk és a felhasználói visszajelzések alapján állította össze a ChatGPT. Nincsenek direkt mérések, és a ChatGPT fejlődésével változnak. Ezek az adatok a 2025. áprilisi ChatGPT beszélgetés eredményei.
| Jellemző | ChatGPT Deep Research | ChatGPT Deep Research Light |
| Modell | Hosszú, részletes jelentések | Rövidebb, tömör válaszok |
| Feldolgozási idő | 5–30 perc | Gyorsabb válaszidő |
| Elérhetőség | Pro, Plus, Team, Enterprise felhasználók | Ingyenes, Plus, Team, Pro felhasználók |
| Havi lekérdezések száma | Pro: 125, Plus/Team: 10 | Pro: 125, Plus/Team: 15, Ingyenes: 5 |
| Átnézett oldalak száma | kb. 20–50 oldal/kérdés | kb. 5–15 oldal/kérdés |
| Feldolgozott karakterek | akár 300 000+ karakter | kb. 50 000–150 000 karakter |
| Kimeneti válasz hossza | 3–60 oldalnyi szöveg | 1–3 oldalnyi szöveg |
| Összetettség | Önálló kutatási döntések, szintézis | Összefoglalás és gyors kontextuskeresés |
| Javasolt Felhasználás | Tudományos, technikai, stratégiai | Blog, termékinfó, gyors tájékozódás |
ChatGPT, Gemini és a Grok összehasonlítása
Ezeket az adatokat az interneten talált hivatalos információk és a felhasználói visszajelzések alapján állította össze a ChatGPT. Nincsenek direkt mérések, és a ChatGPT fejlődésével változnak. Ezek az adatok a 2025. áprilisi ChatGPT beszélgetés eredményei.
Első táblázatban a hivatalos adatokat láthatjuk
| Jellemző | OpenAI Deep Research | Google Gemini Deep Research | xAI Grok 3 |
| Források száma (a hivatalos adatok szerint) | Átlagosan 21 forrás, fókuszált és releváns | Átlagosan 17 forrás, de kevésbé mélyreható | Valós idejű források az internetről és az X platformról |
| Források száma (a tapasztalatok szerint) | Akár 100 oldal is | 1000 oldal felett | |
| Válasz részletessége (a hivatalos adatok szerint) | Magas részletességű, strukturált jelentések | Általánosabb, kevésbé mély válaszok | Gyors, de kevésbé strukturált válaszok |
| Válasz részletessége (a tapasztalatok szerint) | Magas részletességű, strukturált jelentések, amelyek gyakran több ezer szavasak. | Részletes jelentések, de a mélység és részletesség változó lehet a témától függően. | Gyors, de kevésbé strukturált válaszok, amelyek inkább a közösségi média trendjeire és valós idejű információkra fókuszálnak. |
| Pontosság (a hivatalos adatok szerint) | 26,6% a „Humanity’s Last Exam” teszten | Korlátozott adat, de általában megbízható | Valós idejű adatok, de néha pontatlanok |
| Pontosság (a tapasztalatok szerint) | Magas pontosság, különösen tudományos és technikai témákban. | Általánosan megbízható, de a pontosság változhat a témától és a forrásoktól függően. | Valós idejű adatokra támaszkodik, de a pontosságot befolyásolhatja a források minősége és a közösségi média sajátosságai. |
| Alkalmazhatóság | Mélyreható kutatás, piaci elemzés | Gyors információkeresés, prezentációk | Valós idejű hírek, közösségi média trendek |
| Elérhetőség | Pro, Plus, Team, Enterprise felhasználók számára | Ingyenes és előfizetéses felhasználók számára | X Premium+ előfizetéssel |
| Felhasználói visszajelzések | Pozitív visszajelzések a mélység és részletesség kapcsán, de néha lassabb válaszidőre panaszkodnak. | Vegyes visszajelzések; egyesek szerint hasznos, mások szerint kevésbé mélyreható. | Vegyes vélemények; egyesek értékelik a gyorsaságot, mások hiányolják a mélységet. |
Az utasítás (prompt)
Mint mindig a mesterséges intelligencia esetében, a megfelelő utasítás (prompt) most is nagyon fontos!
Használhatjuk a már ismert utasítás formákat, de ezúttal legfontosabb azt megadni, hogy pontosan mit is akarunk. Mit várunk a kutatás eredményétől? Mi a cél?
Mert lehet azt is kérni a mesterséges intelligenciától, hogy „Gyűjt össze mindent, amit a kvantumfizikáról tudunk!”. De az eredmény vagy több ezer oldal lesz (bár ez nem valószínű), vagy egy túl általános és használhatatlan összefoglalás. Még az is lehet, hogy egy ilyen kérést a program visszautasít, vagy konkretizálást kér.
Amennyiben tényleg a kvantumfizikát szeretnénk megtanulni, ebben maga a ChatGPT tud segíteni. Készít nekünk egy tanulási programot, majd végigvezet rajta. Ehhez nem szükséges a Mélykutatás.
Tehát a legfontosabb, hogy minél pontosabban megadjuk, hogy mit várunk el a keresésétől, milyen kutatási eredményt szeretnénk.
A hatékonyságot itt is tudjuk növel azzal, hogy a mesterséges intelligenciának szerepet adunk (pl. te egy kvantumfizikus professzor vagy) abban a témában, ahol a keresést végezzük, és abban is, amiben az eredményt várjuk.
Ha pl. a zenét is a matematikát szeretnénk vegyíteni egy Mélykutatásban, akkor érdemes, hogy a program mindkettőben professzionális legyen. De erről még visszatérünk később.
💡 PixelRita tipp:
Kezdd mindig azzal, hogy mit akarsz igazából megtudni!
Tipp: Írd le egy papírra a konkrét kérdésedet E/1-ben: „Szeretném tudni, hogy…”
Miért? Ha magadnak is el tudod magyarázni, a Mélykutatás is pontosabb lesz.
Analógia: A Mélykutatás olyan, mint egy személyi asszisztens – akkor lesz hatékony, ha világosan elmondod, mit kérsz tőle, nem csak annyit: „Nézz már utána!”
Próbáld ki: Először kérdezd úgy, ahogy spontán eszedbe jutna, majd írd át pontosabbra. Meg fogsz lepődni, mennyit javul az eredmény!
💡 PixelRita tipp:
Használd a „kontrollkérdéseket” – kérdezz máshogy is ugyanarra!
Miért? Ha ugyanazt a témát többféle szögből teszed fel (pl. „Mi az a Rayleigh-szórás?” vs. „Hogyan látható a Rayleigh-szórás a természetben?”), többféle forrást kapsz, és látszik, ha valahol ellentmondás van.
Pro tipp: Hasonlóan, mint egy jó újságíró: mindig kérdezz vissza, ha valami nem világos, vagy túl egysíkú a válasz!
💡 PixelRita tipp:
Fogalmazz egyszerűen, kerüld a túl általános szavakat!
Pl. ne azt írd, hogy „jó játékok”, hanem „2024-ben megjelent, egyszer vásárolható, PC-s stratégiai játékok, amelyek magyarul is elérhetők”.
Miért? A Mélykutatás így szűkíti a találati listát, és nem fullad bele az „internet zajába”.
💡 PixelRita tipp:
Kérd meg, hogy csak az elmúlt 1-2 év releváns eredményeit vegye figyelembe.
Pl.:
„Kérlek, csak 2023 és 2025 közötti forrásokat gyűjts!”
Ez különösen fontos gyorsan változó területeken (pl. AI, technológia, egészségügy).
💡 PixelRita tipp:
Tévhitek, ellentmondások felderítése
Írd bele a promptba:
„Írj röviden arról is, van-e vitás pont a témában, vagy egymásnak ellentmondó forrás!”
Ez szuper, ha nem akarod automatikusan elhinni az első választ – és a Mélykutatás hajlamos összefoglalni az ilyen „AI-hallucinációkat” is.Milyen legyen a kutatási eredmény?
Ahogy már a nyelvi modellek utasításainál megtanultuk, fontos azt is megadni, hogy mi legyen a kimenet. Milyen formában szeretnénk a választ? Ki a célcsoport? Milyen legyen a nevezet? Pontosan mi a célunk?
Ez a Mélykutatás esetében még sokkal kiemeltebben fontos. Hiszen a program akár több ezer web-oldalon több tízezernyi nyomtatott szöveget böngészik át. Ezekből csak egy töredékre van szükségünk, vagy egy meghatározott rész összefoglalására.
Tehát már az elején meg kell adni, hogy mit szeretnénk végeredménybe: összefoglalást, tudományos kutatás eredményét, iskolai tananyagot, egy érdekes mesét, programozáshoz használt adatbázist, stb…
Gondoljuk végig, hogy miért is akarjuk a kutatást végezni, és ezt mondjuk el a programnak minél részletesebben.
A feladatot az is nehezíti, hogy kísérletezésre nincs túl sok lehetőségünk, mert nagyon szűk a limit. És egy-egy próbálkozás végigfutása is több tíz percet vehet igénybe.
Szerencsére a ChatGPT ebben nagyon sokat segít! Miután megmondtuk a feladatot, mindig megkérdezi, hogy milyen formában (és milyen nyelven) készítse el a dokumentumot. Ilyenkor nagyon jó tippeket is ad.
A kutatási eredmény felhasználása
Itt kezd izgalmas lenni az egész technológia!
Befejeződött a Mélykutatás, és a ChatGPT készített nekünk 40 oldalt a témáról. A Gemini szintén írt egy 40 oldalas tanulmányt és a Grok is összeszedett 20 oldalnyi hasznos anyagot.
Ha még finomítunk a keresésen, kicsit kibővítjük, vagy másik területről is hozzá akarunk rakni, stb.. akkor újabb 100 oldalakat tudunk így begyűjteni.
Nagyon könnyen, nagyon gyorsan rengeteg oldalnyi tudás fog felhalmozódni nálunk.
Mit kezdünk mindezzel?
Természetesen elolvassuk, ne hiába dolgoztassuk a képeket.
De ha úgy érezzük, hogy belefulladunk az információba, akkor adjuk oda a ChatGPT-nek, hogy magyarázza el, mit találtunk. Készítsen róla összefoglalót, magyarázó ábrákat, stb…
Azt is megtehetjük, hogy a különböző programokkal készült tanulmányokat összefűzzük, egyetlen dokumentumba.
Milyen a nyelvi modellek próbálják a válaszukat kb. 2-3 oldalra besűrűíteni, ezért érdemes fejezetenként odaadni a programnak. Így csökkenthetjük az információ vesztést.
De talán még jobb, ha minden kapott dokumentumot felhasználva készítünk egy CustomGPT-t, vagy egy Projektet. Így a megszerzett tudást mindjárt használhatjuk is a projektünkben!
Hmm… CustomGPT… Miért is ne?
A következő lépés legyen az, hogy felépítünk rá egy CustomGPT-t!
Készítsünk CustomGPT-t a Mélykutatás eredményéből!
Oké, eddig tartott a Level 1-es szint. Lépjünk fel a Level 2-re!
A nyelvi modellek (mint a ChatGPT, Gemini, stb…) egyik erőssége, hogy rengeteg oldalt tudnak „megérteni”, majd vele dolgozni.
Tehát arra is megkérhetjük a programot, hogy a kutatás során felgyülemlett több tíz oldalnyi információból készítsen egy CustomGPT-t, ami már a Mélykutatás anyaga szerint fog működni.
Példa:
Szeretnénk egy olyan CustomGPT-t, ami egy kiadványhoz fog színeket javasolni. A program megérti, hogy mi a cél, majd ehhez fog olyan színeket ajánlani, ami legjobban illeszkedik a kiadványhoz.
Maga a ChatGPT is rendelkezik a szükséges ismeretekkel. De a Mélykutatással olyan dolgokat is felderíthetünk, hogy mely színeknek mik a pszichológiai hatásai (melyik barátságosabb, melyik ijesztőbb); mely régiókban melyek a kedveltebb és milyen jelentéssel bírnak; milyen színek illenek jobban egy mesekönyvbe, és melyek az üzleti hirdetéshez; melyik színnek mi az üzenete, stb...
Mindezt a rengeteg információt a Mélykutatás összegyűjti amolyan adatbázis formába. Majd pedig megkérjük a ChatGPT-t, hogy ezekből a dokumentációkból készítsen egy CustomGPT-t.
A program megírja a kódot (instrukciókat), mi pedig mellékeljük a dokumentumokat is. És már készen is van a mi színspecialista asszisztensünk.
Tényleg készítettünk egy ilyet. Itt lehet kipróbálni:
(További saját készítésű CustomGPT-k itt találhatóak)A könnyebb használat érdekében készítettünk egy CustomGPT készítő robotot (ezt is Mélykutatással raktuk össze, ahol a hatékony CustomGPT-k tapasztalatait és trükkjeit gyűjtöttük össze, majd raktuk bele a programba).
https://chatgpt.com/g/g-67c570846e748191a6db4902d519c901-customgpt-made-by-customgpt
Később készült egy újabb program, ami szöveges helyett inkább strukturáltabb utasításokat készít, ezért még megbízhatóbban fog a CustomGPT működni.
https://chatgpt.com/g/g-6824ff1f5b6c8191b52ef15710801584-customgpt-builder-v2
Ezek a CustomGPT építő robotok segítenek abban, hogy mi a Mélykutatásnál talált adatokból saját CustomGPT-t készítsünk. Adjuk oda programnak a dokumentumokat, majd ezt a parancsot írjuk be:
A mellékelt dokumentumokból készíts egy CustomGPT-t, ami [....] csinálja. A felhasználótól kérje el az [....] adatokat. A dokumentumokat ugyan ezen a néven mellékelem majd a CustomGPT-be, így hivatkozhatsz rájuk.A kész kódot másoljuk majd be a CustomGPT építőbe a dokumentumokkal együtt.
💡 PixelRita tipp:
Amit egyszer jól megírtál (pl. egy CustomGPT prompt vagy kód), azt ne rejtsd el a fiók mélyére! Használd bátran máshol is:
Gemini Gems-ben
Claude Projektekben
Grok, DeepSeek vagy más okos nyelvi modellekben is, ha támogatják az egyedi utasításokat!
🎯 Figyelj oda!
Minden platformnak más lehet a maximális karakterszáma – mint a kedvenc szendvicsed: lehet, hogy az egyikbe több töltelék fér, a másikba kevesebb.
Szóval mindig ellenőrizd, meddig tart a “kenyérszelet”! 😄🥪Kutatási projekt író GPT
A Mélykutatás kulcsfontosságú része az, hogy minél pontosabban megadjuk, mit keresünk, és mi a célunk az adatokkal.
De mi van akkor, ha a témában nem vagyunk eléggé jártasak? Az előző példát folytatva mit tegyünk akkor, ha semmit sem tudunk a színek működéséről, de mégis szeretnénk egy CustomGPT-t, ami segít a megfelelő színek kiválasztásában. Vagy mi van a betűtípussal?
Ha nem ismerjük az adott területet, akkor a megfelelő kérdéseket sem tudjuk feltenni.
Erre a célra készítettük egy CustomGPT-t (szintén Mélykutatási adatokra építve), amelyiknek leírjuk, hogy pontosan mi a célunk, mit szeretnénk. Elbeszélgetünk a programmal, hogy ehhez mely területeken lenne a leginkább célszerű kutatnunk.
Majd pedig a végén készít három utasítást: egy kiterjedtet, egy közepes és egy rövid kutatás promptot.
Ezt már csak át kell másolnunk a ChatGPT vagy a Gemini vagy a Grok DeepResearch utasításába.
A prompt jobban működik, ha angolul van. Ezért ha magyar nyelvű dokumentációt szeretnénk, akkor az utasítás végére írjuk oda: „A végső kimenet magyar nyelvű legyen„
A fenti példa esetében ezt írhatjuk a Kutatási projekt író GPT-nek.
Helló!
Szeretnék egy CustomGPT-t készíteni, amelyik segít a kiadványszerkesztésben színek választani. Én megadom a témát, a program pedig megkeresi az oda legjobban megfelelő színeket.
Sajnos én nem értek a színekhez, ezért segít nekem olyan kutatási területeket keresni, ami a színek használatáról szól. Pl. a színek pszichológiájáról, a kulturális különbségekről, a színek hatásáról egy reklámban, stb... A Kutatás projekt író GPT itt érhető el:
https://chatgpt.com/g/g-681c8939c3bc8191b0318ceb2c4d589d-melykutato-prompt-keszito
Mixeljük a témákat!
A Mélykutatás (DeepResearch) arra lett kitalálva, hogy a megadott kutatási témában (pl. kvantum-összefonódás) összeszedje a világban szerteszét fellelhető több ezer web-oldal több száz oldalas tanulmányaiból és publikációból azt a konkrét dolgot, amire szükségünk van. Így akár több hónapnyi munkát a mesterséges intelligencia néhány perc alatt elvégez.
A Chaosboton az alapelvünk viszont az, hogy megpróbáljuk a dolgokat olyasmire is hatékonyan használni, amire senki sem gondolt. Vagy eleve azt javasolják, hogy ne próbáljuk meg!
Tehát a Mélykutatás több száz, vagy akár több ezer oldalt vizsgál meg, majd pedig a keresett információkat a kért formában leírja.
Az ötletadó a zenében használt euklideszi geometria adta. Igen, a geometriai „ritmusok” átültetése a zenébe.
Az euklideszi geometria a matematikából ismert térbeli formák és pontok eloszlását vizsgálja. A zenében ugyanezt a koncepciót alkalmazzuk, amikor egy adott számú ritmikus eseményt (például hangokat vagy dobütéseket) próbálunk egy adott hosszúságú időkereten belül egyenletesen elosztani. Ezt az elosztást az Euklideszi algoritmus segítségével érjük el, amely az egyik legrégebbi matematikai algoritmus.
Teljes leírás az angol nyelvű PDF-ben, vagy kérdezzétek meg a ChatGPT-t!
Tehát ha két látszólag ennyire távoli területet össze lehet kapcsolni, akkor ezt miért ne próbáljuk meg mi is?
A Mélykutatás erre kiválóan alkalmas! Hiszen az átböngészett több száz oldalak között biztosan fog találni kapcsolódási pontokat!
Összeköthetjük a színeket a hangokkal. Vagy mondjuk afrikai ritmusokat adhatunk egy bicikli hirdetésnek. Vagy akár a Schrödinger macskájának abszurditása alapján készítsünk referencia album borítót!
Ezek mind egyedi lehetőségek, amelyeket eddig nem igazán lehetett kipróbálni. A Mélykutatás, majd pedig a nyelvi modellek megtalálják, miként lehet az ilyen szélsőséges területeket összehangolni.
Mindehhez nem kell mást tenni, mint az előbbi Mélykutatás projekt író GPT-nek elmondani, hogy milyen feladatra mely területeket akarunk mixelni. A program elkészíti az ehhez szükséges kutatási utasítást.
A kutatás eredményét pedig a fenti CustomGPT készítő programnak adhatjuk, szintén leírva azt a célt, hogy mire akarjuk használni.
Mélykutatás a mindennapokban
Mint láthattuk, a Mélykutatás nemcsak professzoroknak való, akik a világ megismerésén dolgoznak. Mi is találhatunk érdekes és hasznos dolgokat. A Chaosbot blogban többször is találkozni fogunk majd olyan egyedi és újszerű megoldásokkal, ahol az információkat a Mélykutatás szedte össze.
Ez segít abban, hogy az általunk kevésbé járatos területekről több információnk legyen.
Bővítsük az ismereteinket!
Mint fentebb is láthattuk, a Mélykutatás remekül alkalmas arra, hogy új ismeretekre tegyünk szert. Nem leszünk mesterei az adott területnek, de annyira igen, hogy már dolgozni tudjunk vele.
Példa:
Szeretnénk egy olyan CustomGPT-t készíteni, ami dalszövegeket generál a Suno AI és a Riffusion programokhoz. Ehhez olyan ismeretek szükségesek, mint a dalszöveg készítés technikája. Ugyan így tudnunk kell, hogy miként és milyen szabályok szerint írhatunk zenei promptokat a Suno és Riffusion programoknak (pl. hogyan lehet a zenei utasításokat megadni, mennyi a maximális karakterszám, stb..).
A Mélykutatás összegyűjti azokat az ismereteket, amik a dalszöveg íráshoz szükségesek. Felderítheti azokat a rejtett tippeket, hogy mitől lett 1-1 dal híres sláger. És még a Suno és a Riffusion használati tapasztalatait és technikáit is le tudja írni.
Majd pedig mindebből készíthetünk egy olyan CustomGPT-t, ami komplett dalszöveget fog generálni a Mélykutatási ismeretek alapján.Vásárlás előtt felhasználó tapasztalat!
A Mélykutatás fő tulajdonsága, hogy elképzelhetetlenül sok web-oldalt tud a mesterséges intelligencia átolvasni és azokból adatokat gyűjteni. Ezt arra is tudjuk használni, hogy emberek százainak (ezreinek) véleményeit ismerjük meg, és abból alkossunk valamit.
Példa:
Szeretnénk egy okosórát venni, ami megfelelően méri a pulzust, nem merül le gyorsan, professzionálisan elemzi az alvást, stb...
Meg se tudjuk számolni, hány okosóra van, amelyik pont ezeket ígéri. Természetesen minden gyártó azt mondja, hogy az ő terméke a legjobb ebben. Viszont itt nagyon sokat jelentenek az emberi tapasztalatok, és a felhasználói visszajelzések, értékelések.
Csakhogy maguk a felhasználók sem mindig rendelkeznek azzal a tudással, hogy eldöntsék egy termék minőségét. Sokszor egy grafikon színe is elegendő lehet a pozitív vagy negatív értékeléshez.
Itt jön be a Mélykutatás. Mert pontosan össze tudjuk vetni a gyártói leírásokat a felhasználói értékelésekkel és a tudományos kutatásokkal a témában (jelen esetben az alvástudománnyal). Így kiderül, hogy mely tudományos ismereteket mennyire tudja, és mennyire pontosan alkalmazza az adott okosóra.Új technikák, programok használatának tanulása
Új program megismerése sosem egyszerű. De most, amikor a mesterséges intelligencia hetente változik, tényleg nagyon nehéz lett egy-egy komolyabb program megtanulása.
Ráadásul minden oktató anyag (szöveges és videó is) arra törekszik, hogy minél részletesebben, minél szélesebb körű használatát ismertessék az adott programról.
Csakhogy nekünk általában kifejezetten bizonyos feladatokra szeretnénk a programot használni. Ebben az esetben több száz oldalt, online videót kell átnéznünk, ami lehetőleg valami hasonlót mutat be. De sosem azt, mit mi ténylegesen akarunk.
A Mélykutatás viszont helyettünk nézi át ezt a rengeteg oktatási anyagot, majd pedig ebből csak a nekünk szükséges útmutatót fogja összeállítani.
Példa:
Szeretnénk rajzolt vázlatból valósághű képet készíteni a Stable Diffusion mesterséges képgenerálóval.
Ez egy nagyon összetett program, rengeteg modullal, képi adatbázis modellekkel, kiegészítőkkel beállításokkal. Már csak az alapvető használat is több tíz oldal!
A Mélykutatás átnézi az interneten található Stable Diffusionnel kapcsolatos rengeteg oldalt. De mindebből már csak azokat fogja nekünk leírni (a mi technikai ismereti szintünkön), amire tényleg szükségünk van.
PixelRita
PixelRita neked mi a véleményed?
Összefoglalva, a Mélykutatás (DeepResearch) egy szintlépés a hagyományos MI-keresésekhez képest: nem csak felszínes találatokat gyűjt, hanem képes átfogó, több forrásból származó, strukturált információkat rendszerezni és összehasonlítani. Ez a funkció különösen azoknak hasznos, akik valóban megalapozott döntéseket szeretnének hozni, vagy elmélyültebben akarnak tájékozódni egy-egy témában.
Véleményem
A DeepResearch igazi „power user” eszköz: gyorsítja a kutatást, javítja az információk minőségét, és segít kiszűrni a félrevezető vagy elavult adatokat. Nem helyettesíti az emberi kritikus gondolkodást, de komoly támogatást nyújt a háttér-információk gyors szűrésében és rendszerezésében. Olyan, mint egy „digitális workflow optimalizáló”, amely nem engedi, hogy elveszítsük a fókuszt a lényegi adatokról.
Mire használható a DeepResearch?
▶️ Szakmai döntésekhez: Például ha új technológiát keresel a cégednek, pillanatok alatt összegyűjtheted a releváns forrásokat, összehasonlításokat, felhasználói véleményeket – mindezt egy helyen, strukturáltan.
▶️ Tudományos kutatáshoz vagy tanuláshoz: Segít az ellentmondó álláspontokat feltárni, szakmai konszenzust vagy trendeket felismerni.
▶️ Versenytárs elemzéshez: Gyorsan összerakhatod, hogy a riválisok milyen fejlesztésekről publikáltak, mik a piaci trendek, mik az újabb felhasználói visszajelzések.
▶️ Összetett témákban való eligazodáshoz: Ha bonyolult vagy vitatott témáról van szó (pl. AI-hallucinációk, gyógyszeripari újdonságok, biztonságtechnika), a DeepResearch segít, hogy ne csak az első 3 találatot lásd, hanem a témához kapcsolódó árnyalatokat, vitákat is.
Tippek a hatékony DeepResearch-használathoz
▶️ Határozd meg előre a kulcskérdéseidet, és ezeket pontosan fogalmazd meg a rendszer számára.
▶️ Használj idő- és forrásmegkötéseket: pl. „Csak 2023 utáni tudományos cikkeket keressen” vagy „Csak nemzetközi összehasonlításokat kérj”.
▶️ Kérj táblázatokat vagy összefoglalókat, ha több oldalról szeretnéd látni a témát (pl. előnyök, hátrányok, trendek).
▶️ Kérd meg, hogy jelezze az ellentmondásokat, vagy írjon arról is, ha egy témában nincs szakmai egyetértés.
▶️ Ha fontos, hogy friss legyen az adat, mindig kérj forráslinkeket és dátumokat!
▶️ Minden alkalommal validáld az eredményt, ne fogadj el mindent kritika nélkül – de a DeepResearch általában gyorsan kiszúrja a „túl szép, hogy igaz legyen” típusú találatokat.
Összességében a DeepResearch a professzionális online kutatás „gyorsítótára”: nem pótolja az emberi mérlegelést, de jelentősen megkönnyíti, hogy naprakész, többoldalú, strukturált adatbázist kapjunk – akár egyetlen, jól megírt lekérdezés alapján.
Ha a jövőben komplexebb, mélyebb témákat kell feldolgoznod, bátran építsd be ezt az eszközt a munkafolyamataidba – időt, energiát és hibázást spórolsz vele.
