VP LAB · AI SYSTEMS
El código
después del diseño.
Agentes de IA, automatizaciones y sistemas inteligentes — construidos sobre años aplicando Design Thinking.
Deep Research Pipeline
Primero decide a quién escuchar
Guía · Agosto 2026 · 8 min de lectura
Un pipeline de investigación para Claude Code que veta expertos antes de buscar fuentes. Con el caso real ejecutado, y los fallos que encontramos por el camino.
Primero decide a quién escuchar, después busca. Tres skills de Claude Code que vetan expertos, etiquetan fuentes por nivel de evidencia y entregan un informe que declara su procedencia.
Instalación
$ /plugin marketplace add vasyl-pavlyuchok/claude-deep-research
$ /plugin install deep-research@vasyl-pavlyuchok
En resumen
Le pides a una IA que investigue un tema y te trae lo más popular. En salud, nutrición o finanzas —donde hay dinero— lo más popular suele ser lo más rotundo, no lo más correcto.
Este pipeline invierte el orden: antes de buscar una sola fuente, decide a quién merece la pena escuchar. Son tres skills de Claude Code que se encadenan —lo que sale de una es lo que entra en la siguiente—, corren en tu ordenador y no necesitan ningún servidor. El repositorio es abierto y se instala con dos comandos.
Le das un tema y tus preguntas, y salen tres cosas: un panel de expertos vetados sobre esas preguntas, con los descartados y el motivo de cada uno; sus fuentes —vídeos y podcasts de YouTube, papers y artículos— etiquetadas por nivel de evidencia; y un informe que declara de dónde sale cada afirmación y qué no encontró. No es un buscador más rápido: es un filtro.
Abajo cuento de dónde viene la idea, qué le cambié y por qué, y enseño una ejecución real completa — incluidos los tropiezos.
De dónde viene esto
La idea de conectar Claude Code con NotebookLM es de Steve Tan, en Claude + NotebookLM Research Pipeline (junio de 2026). El mérito de juntar las dos piezas es suyo, y también el de explicarlo de forma que cualquiera pueda copiarlo. Sin ese artículo yo no habría montado esto, ni se me habría ocurrido intentarlo.
Lo que sigue es un desacuerdo sobre el diseño, no sobre la persona.
El fallo
Su prompt de investigación recoge los 25 vídeos en tendencia sobre el tema.
Eso ordena por popularidad. Y la popularidad está sesgada justo al revés de lo que quieres: el investigador que firma la revisión sistemática rara vez tiene un canal con millones de suscriptores.
Cuando ejecuté mi versión sobre composición corporal, tres de los vídeos más vistos del tema —uno con 2,7 millones de visitas, otro con 3,7— venían de canales sin credenciales verificables. En una búsqueda por tendencia habrían entrado los tres. Con vetado previo no entró ninguno.
Y hay un detalle que lo delata: el propio ejemplo de Steve, el del colesterol, no usa vídeos en tendencia. Usa expertos que él ya conocía y eligió a mano. La curación existe en lo que hace, pero no en el método que publica. Su lector se queda con la parte automatizada, y sin la parte que la hace funcionar.
Que quede claro lo que no es: esto no consiste en dejar de mirar YouTube. Aquí también se buscan y se analizan vídeos de YouTube, y son una de las vías principales de búsqueda: en el caso real publicado, 9 de las 43 fuentes son vídeos. Lo que cambia es el criterio de entrada.
No se eligen por visitas. El número de reproducciones dice cuánta gente vio un vídeo, no si lo que cuenta es correcto. Se eligen por la autoridad verificable de quien habla: credenciales en el campo exacto, obra publicada, quién lo cita, quién lo contradice y qué conflictos de interés tiene. Y no nos quedamos en YouTube: entran papers y artículos junto a los vídeos, cada fuente con su nivel de evidencia. Un enfoque más global, con un único criterio común a todos los formatos.
El criterio es quién habla, no cuánta gente lo ve.
Lo que añadí
La primera skill no busca contenido: busca personas. Y para cada candidata rellena una ficha fija: credenciales en el campo exacto —un máster en estadística no convierte a nadie en autoridad en fisiología—, obra verificable, quién lo cita, quién lo contradice, y qué vende.
Los candidatos salen por tres vías, y la tercera es la que más señal tiene: a quién citan los otros cuando quieren respaldar una afirmación. Los nombres que solo aparecen por ahí suelen ser los mejores, precisamente porque no están optimizando para que los encuentres.
Un matiz que importa: tener un conflicto de interés no descalifica. Alguien que vende cursos sobre lo que investiga entra con su conflicto anotado, si su obra aguanta. Lo que descalifica es no tener credenciales en el campo exacto, por muchos seguidores que se tengan.
Y la lista de descartados, con el motivo de cada uno, es parte del resultado. Saber a quién se dejó fuera y por qué te dice tanto como saber quién entró.
Cada fuente se etiqueta de E1 (revisión sistemática) a E5 (opinión de practicante). Una afirmación respaldada por un ensayo controlado y otra por el vídeo de alguien no pesan igual, y el informe no las mezcla.
No se recogen “25 fuentes”. Se recogen hasta que tres seguidas no aportan nada nuevo, con suelo de 6 y techo de 40. Cualquier número fijo garantiza una de dos cosas: quedarte corto en un tema denso, o meter relleno en uno simple.
El informe empieza declarando qué fuentes usó, qué expertos entraron y cuáles no, las fechas del material, qué fuentes fallaron al cargar y —lo más importante— qué no encontró.
Sin ese bloque no hay informe. Es lo que separa “no hay evidencia sobre esto” de “no la busqué”.
Cuando dos autoridades reales discrepan, el informe expone las dos posturas con su evidencia y la población en que se estudió cada una. Inventar un punto medio que no defiende nadie es peor que declarar el desacuerdo.
El caso real
Lo estrené con una pregunta mía: perder grasa y ganar músculo a la vez, entrenando de forma intermitente y trabajando turnos de 12 horas de pie.
22
expertos vetados
24
descartados
43
fuentes verificadas
Salieron 22 expertos vetados y 24 descartados en cuatro dominios, 43 fuentes verificadas y un informe con su gate. Está publicado entero, con sus cifras y sus huecos.
Tres cosas que salieron, para que se vea el tipo de resultado:
Un descarte con motivo escrito
Un divulgador del sueño muy conocido quedó fuera. No por la polémica sobre su libro, sino porque su especialidad real no tocaba ninguna de las preguntas planteadas y había investigadores mejor situados sin ese lastre. El motivo está escrito, y puedes discrepar de él.
Un desacuerdo que no se promedió
Un estudio clásico concluye que basta una novena parte del volumen de entrenamiento para mantener músculo. Una revisión posterior sostiene que eso vale en peso estable pero no en déficit calórico, donde recortar volumen hace perder masa magra. Se estudiaron en poblaciones distintas. El informe expone las dos y dice en cuál cae mi caso, en lugar de fabricar un consenso.
Un hueco declarado en vez de rellenado
Pregunté si caminar mucho interfiere con ganar músculo. La respuesta fue que ningún estudio lo ha medido: se sabe que correr interfiere y que pedalear casi no, pero nadie ha estudiado el caminar. El informe lo dijo así en lugar de extrapolar.
Ese último es, para mí, el mejor argumento a favor de todo el método.
Los fallos, que también van en el repo
Aquí es donde me separo del formato habitual de estas guías. El repositorio incluye los tropiezos, porque son lo que de verdad te vas a encontrar:
PubMed devolvió páginas de reCAPTCHA en silencio. Cinco fuentes entraron marcadas como correctas conteniendo el captcha en lugar del artículo. Se detectaron verificando los títulos.
Los lotes fallan. Añadiendo papers de 6 en 6 se perdía un tercio; de uno en uno entraban todos.
Un diagnóstico técnico plausible resultó falso al probarlo. Di por hecho que cierto error se arreglaba instalando un runtime de JavaScript. Al comprobarlo con nueve configuraciones distintas, resultó que el bloqueo era de otra naturaleza.
Un dato que arrastraba estaba mal. Citaba un estudio con el número de participantes equivocado. Al verificarlo contra la fuente primaria eran 70, y algunos detalles que daba por buenos venían de fuentes secundarias sin verificar.
Todos esos fallos están documentados con su arreglo en la guía de instalación, junto con otros nueve. Trece en total.
Instalarlo
$ /plugin marketplace add vasyl-pavlyuchok/claude-deep-research
$ /plugin install deep-research@vasyl-pavlyuchok
Necesitas además yt-dlp y notebooklm-py en local. Los requisitos completos y qué hacer cuando algo falla están en la guía de instalación.
Es gratis, es abierto y no hay que registrarse en nada.
Avisos
Dos de las tres piezas dependen de librerías no oficiales. notebooklm-py habla con una interfaz interna de Google, y yt-dlp se rompe cada pocas semanas. Es un método con herramientas frágiles, no un producto estable.
Vas a autenticar tu cuenta de Google contra una librería de terceros. Usa una cuenta personal, no la corporativa, y revisa el código si eso te preocupa.
Necesita un ordenador con pantalla. El login abre un navegador de verdad, y YouTube además bloquea las IP de centros de datos. En un servidor no funciona.
Esto no sustituye tu criterio. Vetar expertos con método reduce el ruido; no garantiza tener razón. El informe te dice de dónde sale cada afirmación precisamente para que puedas discutirla.
Gracias de verdad a Steve Tan por el artículo que originó todo esto. Juntó dos piezas que nadie había juntado, lo explicó de forma que cualquiera puede copiarlo y lo publicó para que se lea. Que yo haya dedicado tantas páginas a discutir su diseño es la mejor señal de que merecía la pena: nadie se molesta en rehacer un método que le da igual. El desacuerdo es sobre cómo se eligen las fuentes, y solo sobre eso. Nunca sobre él.
Deep Research Pipeline
Tres skills de Claude Code. Código abierto, sin registro y sin servidores.
Abrir el repositorio