[AI] Claude Code 딥리서치 플러그인 6종 비교: 실사용자 리뷰로 검증

Claude Code 플러그인 마켓플레이스에는 2026년 7월 기준 “딥리서치"를 표방하는 프로젝트가 최소 6종 있다. 저마다 “타사 대비 압도적"이라고 홍보하지만, 정작 API 키 요구 여부·라이선스·실사용 중 파이프라인이 멈추는지 같은 실무 질문에는 대답이 별로 없다. 이 글은 insane-research, claude-deep-research-skill(199-biotechnologies), Deep-Research-skills(Weizhena), hyperresearch(Jordan Gibbs), deep-research(daymade), deep-research-plugin(Defiect) 6종을 GitHub API 통계·이슈 트래커·Hacker News·X/Threads에서 직접 조사하고, insane-research의 claim ledger 검증 게이트로 “타사 대비 우위” 주장 자체를 검증해봤다.

개요: 6개 프로젝트와 추천 대상

여섯 프로젝트는 접근 방식이 뚜렷이 갈린다. 검증 파이프라인 정교화에 집중하는 계열(199-biotechnologies, Defiect, daymade), 검색 접근성(사이트 우회) 자체를 강점으로 삼는 계열(insane-research/insane-search), 조사 결과를 영속적 지식창고로 축적하는 계열(hyperresearch), 사람이 단계마다 개입하는 human-in-the-loop 계열(Weizhena)로 나눌 수 있다. 이 글은 Claude Code CLI로 리서치를 자동화하려는 개발자, 이미 하나를 쓰고 있지만 다른 대안과 실제 차이를 알고 싶은 사용자, “벤치마크에서 이겼다"는 문구를 그대로 믿어도 되는지 궁금한 독자를 대상으로 한다.

아키텍처/구조: 파이프라인 길이와 검증 방식의 차이

여섯 프로젝트 모두 “질문 분해 → 병렬 검색 → 교차검증 → 종합"이라는 큰 틀은 같지만, 파이프라인 길이와 검증을 강제하는 방식이 다르다. insane-research는 7단계 파이프라인에 claim_ledger.jsonl + validate_ledger.py라는 결정론적 검증 게이트를 붙여, 고위험 주장이 반증 검색을 거치지 않으면 코드 레벨에서 최종 보고서에 실리지 못하게 막는다. 199-biotechnologies는 8단계(Scope→Plan→Retrieve→Triangulate→Outline→Synthesize→Critique→Package)로 5-10개 동시 검색과 서브에이전트를 병렬 운용한다. hyperresearch는 16단계로 가장 길며, 조사 결과를 Obsidian과 비슷한 영속 지식 위키(vault)에 누적하는 점이 다른 5종과 구분된다. Weizhena는 outline 생성 → deep investigation의 2단계로 가장 단순하지만, 매 단계 사람이 확인하는 human-in-the-loop이 핵심이다. daymade는 7단계(P0-P7)로 원본 검색 결과를 폐기하고 정제된 노트만 남겨 컨텍스트를 60-70% 절감한다고 명시한다. Defiect는 dr-lead(Opus)·dr-scout(Sonnet)·dr-analyst(Opus)·dr-writer(Opus) 4-agent로 역할을 분리한 설계이지만, 실제 커밋은 1개뿐이다.

주요 기능 상세

insane-research (GPTaku)

자매 플러그인 insane-search와 결합하면 로그인·CAPTCHA가 없는 한 네이버 블로그·레딧·X 등 대부분의 사이트를 API 키 없이 우회 접근할 수 있다는 점이 다른 5종과 가장 뚜렷이 구분되는 차별점이다. 실사용자가 Threads에 남긴 후기(“네이버는 insane search가 잘 뚫립니다, API 발행도 필요 없쥬”)로도 이 차별점이 교차 확인된다. 이 글 자체도 insane-research로 조사했다. 마켓플레이스는 717★, 자매 플러그인 insane-search는 1,847★다(2026-07 기준, GitHub API 직접 조회).

claude-deep-research-skill (199-biotechnologies)

“엔터프라이즈급"을 표방하며 819★를 확보했고, Markdown/HTML/PDF 다중 포맷 출력을 지원한다. 주요 주장에 10개 이상 출처·3개 이상 인용을 요구하는 명시적 품질 기준이 강점이다. 다만 저장소에 명시적 LICENSE 파일이 없어 실사용자가 이슈로 직접 지적했고(“팀 내부 마켓플레이스에 벤더링하고 싶은데 라이선스가 없어 조건이 불명확하다”, 이슈 #2), “Opus 4.8 auto mode의 안전 분류기가 서브에이전트의 search-cli 사용을 차단한다"는 실사용 문제도 보고돼 있다(이슈 #9).

Deep-Research-skills (Weizhena)

Claude Code뿐 아니라 OpenCode·Codex에도 이식돼 크로스플랫폼으로 쓸 수 있고, 1,547★로 조사 대상 중 가장 큰 커뮤니티를 보유한다. 포크 프로젝트(hermes-deep-research)의 실측 데이터에 따르면 Opus 모델을 전체 파이프라인(수집+작성)에 그대로 쓰면 11항목×43필드 규모 조사에서 비용이 급격히 커져 “수집 모델과 작성 모델을 분리하라"는 실사용자 제안이 이슈로 올라와 있다(이슈 #6).

hyperresearch (Jordan Gibbs)

조사 결과를 세션 간에 누적되는 검색 가능한 지식 위키로 만든다는 점이 독특하다. 490★로 규모는 작지만 이슈 트래커가 활발하다. 저자는 자신의 Medium 글에서 “RACE DeepResearchBench에서 OpenAI·Google·NVIDIA의 딥리서치 솔루션을 능가한다"고 주장하지만, 수치가 이미지로만 제시돼 텍스트로 검증할 수 없었고 DeepResearchBench 공식 리더보드(Epoch AI)에도 hyperresearch 항목이 없다 — 이번 조사에서는 미확정(판단 보류) 으로 처리했다. 실사용자 이슈로는 “10단계(초안 작성)에서 무한 루프에 걸린다”(이슈 #30), “동기화 시 노트 ID가 충돌해 데이터가 조용히 유실된다”(이슈 #25) 등이 보고됐다.

deep-research (daymade/claude-code-skills)

리드 에이전트+서브에이전트 구조로 원본 검색 결과를 폐기하고 정제된 노트만 유지해 컨텍스트를 60-70% 절감한다고 명시한다. 시간 민감 주장에 독립 소스 2개 이상을 요구하고 신뢰도 표시(High/Medium/Low)를 노출하는 등 실무형 안전장치가 촘촘하다. 다만 대형 스킬 모음집(1,252★)의 일부라 이 스킬만의 독립적 커뮤니티 신호를 분리해 확인하긴 어렵다.

deep-research-plugin (Defiect)

evidence graph와 품질 게이트를 앞세운 설계 자체는 흥미롭지만, 총 커밋 1개·스타 2개·이슈와 PR 0개로 활성도가 사실상 없다. 실사용 검증 사례를 전혀 찾을 수 없었다는 것 자체가 이번 조사의 결론 중 하나다.

왜 사용해야 할까 — 실제 이점

여섯 프로젝트를 나란히 놓고 보면 “딥리서치 플러그인"이라는 카테고리가 실제로 해결하는 문제가 뚜렷해진다. 웹 UI 기반 서비스(Perplexity, ChatGPT, Gemini)와 달리 CLI 안에서 세션이 로컬 파일로 남아 재개할 수 있고, 오픈소스라 파이프라인을 그대로 읽고 커스터마이징할 수 있으며, 출처 등급이나 claim ledger 같은 장치로 “어디까지 믿을 근거가 있는지"를 결과물에 드러낸다. 다만 이 이점은 프로젝트마다 구현 완성도가 다르다는 게 이번 조사의 핵심 발견이다.

적용 시나리오와 판단 기준

상황	추천
API 키 없이 바로 쓰고 싶다 / 한국어·차단된 사이트 접근이 중요하다	insane-research(+insane-search)
라이선스가 명확해야 하고 다중 출력 포맷(PDF)이 필요한 대규모 조직	199-biotechnologies(단, LICENSE 이슈는 직접 확인)
Claude Code 외에 OpenCode·Codex에서도 같은 워크플로우가 필요하다	Weizhena/Deep-Research-skills
조사 결과를 세션 간 지식으로 누적하고 싶다	hyperresearch
컨텍스트/토큰 효율이 최우선이고 이미 daymade 마켓플레이스를 쓴다	daymade deep-research

부적합하거나 주의할 경우: 활성도가 사실상 없는 Defiect의 deep-research-plugin은 설계만 보고 프로덕션에 바로 투입하기엔 위험 부담이 크다. 8-16단계급 다단계 파이프라인은 정교한 만큼 중간에 멈추거나 데이터가 유실될 지점도 많으므로, 짧고 단순한 사실 확인에는 과할 수 있다.

장단점과 종합 평가

세 프로젝트(199-biotechnologies, Weizhena, hyperresearch) 모두 GitHub 이슈에서 LICENSE 파일 부재로 인한 사용 조건 불명확과 다단계 파이프라인 중간 지점에서의 정체·데이터 유실이 공통으로 지적됐다. “8-16단계의 정교한 파이프라인"이라는 설계상 장점이 동시에 “중간에 꼬일 지점이 많다"는 리스크로 이어질 수 있다는 뜻이다. 또한 hyperresearch와 199-biotechnologies가 저장소 설명에 명시한 “타사 대비 압도적 우위” 벤치마크 주장은 둘 다 제작자 자기평가이며, 이번 조사의 반증 검색에서 독립적인 제3자 벤치마크 재현 결과를 찾지 못했다. 실제 선택 기준은 벤치마크 수치보다 API 키 요구 여부·라이선스 명시 여부·이슈 트래커의 실사용 리포트 밀도로 판단하는 편이 안전하다.

시작하기

insane-research를 API 키 없이 바로 써보려면 아래 두 명령이면 충분하다.

1
2
/plugin marketplace add https://github.com/fivetaku/gptaku_plugins.git
/plugin install insane-research@gptaku-plugins

199-biotechnologies나 Weizhena 계열처럼 검색 API 프로바이더가 필요한 스킬은 클론 후 스킬 디렉터리에 배치한다.

1
2
git clone https://github.com/199-biotechnologies/claude-deep-research-skill.git ~/.claude/skills/deep-research
# Brave/Serper/Exa/Jina/Firecrawl 중 최소 하나의 API 키를 환경변수로 설정