🧑‍🔧

Deep research APIを実行してみよう！より深いDeep ReseachのTips

2025/06/28に公開

OpenAIから、待望のDeep Research APIがリリースされました。ChatGPT Plus/Proをお使いの方にはお馴染みの、複雑なトピックを調査・要約してくれる強力な「Deep Research」機能。これまでChatGPT上でしか使えませんでしたが、遂にAPIとして公開され、独自のアプリやワークフローに組み込めるようになりました。
この記事では、公式ドキュメントを参考にAPIの基本的な使い方から、より良い結果を得るための実践的なテクニックまで、コードを交えて解説します。
https://platform.openai.com/docs/guides/deep-research

 呼び出し方法APIの一番シンプルな呼び出し方法です。

モデルは執筆時点で、o3-deep-researchかo4-mini-deep-researchが選べます。

レポートのお題は最近話題の「Gemini CLIとClaude codeの違いについてネット検索して教えてください。」です。
from openai import OpenAI
client = OpenAI()

input_text = """
Gemini CLIとClaude codeの違いについてネット検索して教えてください。
"""

response = client.responses.create(
  model="o4-mini-deep-research",
  input=input_text,
  tools=[
    {"type": "web_search_preview"},
  ],
)

print(response.output_text)
しかし、Deep Researchのような詳細な調査には数分かかることもあり、通常のAPIリクエストではタイムアウトの恐れがあります。そのため、OpenAIは時間のかかるタスクを非同期で安定して実行できる、バックグラウンドモードでの実行を推奨しています。

 バックグラウンドモードhttps://platform.openai.com/docs/guides/background
パラメータにstreamとbackgroundを追加してあげればおkです。
from openai import OpenAI
client = OpenAI()

input_text = """
Gemini CLIとClaude codeの違いについてネット検索して教えてください。
"""

stream = client.responses.create(
  model="o4-mini-deep-research",
  input=input_text,
  tools=[
    {"type": "web_search_preview"},
  ],
  stream=True,
  background=True,
)

cursor = None
for event in stream:
  print(event)
  cursor = event.sequence_number
上記で実行しましたが約20分と4ドルかかりました…結構高いです😂

 レポート(１回目)
 概要Gemini CLI と Claude Code はいずれも大規模言語モデル (LLM) を活用したツールですが、提供元や利用方法、用途に大きな違いがあります。それぞれを一言でまとめると、Gemini CLI は Google が提供する Gemini モデル向けのコマンドラインインターフェースであり、Claude Code は Anthropic（アンソロピック）が提供する Claude モデルを使ったコード生成／解析環境という性格の違いがあります。

 提供元とモデルGemini CLI：Google（Google AI および DeepMind）が開発した Gemini 系の言語モデル（例：Gemini Pro/Ultra）をコマンドラインで扱うためのツールです。Google Cloud のジェネレーティブAIプラットフォームから Gemini モデルを利用できるようになっています。

Claude Code：Anthropic（元OpenAI幹部らが設立）が開発した「Claude」という言語モデルを、特にプログラミングやコード関連タスクに特化して使える機能・環境と考えられます。Claude 自体は対話型AIで、安全性や人間との協調性を重視する設計が特徴です（特にコード版では「安全にコードを生成する」ことに注力しています）。

 アクセス方法・利用形態Gemini CLI：名前の通り CLI（Command-Line Interface）ツールなので、ターミナルでコマンドを実行して Gemini モデルに問い合わせを行います。Google Cloud SDK（gcloud CLI）に組み込まれたコマンドや独自のCLIツールを通じて動作します。APIキーや Google Cloud の認証情報を設定して実行し、入出力は標準入出力（コンソール）やファイルで行います。

Claude Code：Anthropic Claude は基本的にユーザーフレンドリーなWebインターフェース（チャット形式）や有料APIで提供されています。「Claude Code」という呼び方が示すように、コード生成やコードレビューといった開発者向けタスクに強いモード・サービスだと考えられます。アクセスは Anthropic のプラットフォーム（Web UIやAPI）を介し、対話やプロンプトを入力して結果を得ます。CLIツールではなく、GUIやAPI経由で利用するのが一般的です。

 主な用途・機能の違いGemini CLI：Gemini モデルは対話や文章生成全般に対応しており、特定タスクの縛りはありません。CLI版も基本的にはテキストプロンプトに応答する形なので、翻訳や要約、アイデア出し、簡単なコード生成などマルチに使えます。Google Cloudとの連携が容易で、他のクラウドサービスと組み合わせた自動化スクリプトやワークフローの一部として利用できます。

Claude Code：Claude 自体は一般的な対話AIですが、Code が付くことで「コード生成・解析・修正」向けに特化した機能が想定されます。例えば、与えられた課題のためのプログラムコードを書いたり、既存コードのバグ修正・効率化提案を行ったりします。Anthropicは Claude の安全性や倫理面も強調しており、誤ったコードや危険な操作の生成を抑える工夫がなされています。したがって、プログラミング教育や大規模システムの自動コードレビューの補助などに向いています。

 技術的・運用面の違い** Gemini CLI (Google)**：Google Cloud 環境に依存し、利用には Google Cloud アカウントや課金設定が必要です。CLI 操作なのでスクリプトやCI/CDにも組み込みやすく、他のGCPサービス（BigQuery や Cloud Storage など）とも連携しやすいです。Gemini モデルそのものは非常に大規模で多様なタスクに高性能を発揮するとされますが（例えば数万トークンの長文コンテキストを扱えるなど）、必ずしもコード専用ではありません。

Claude Code (Anthropic)：Anthropic がホストするプラットフォームで提供されるため、利用には Anthropic への登録やAPIキーが必要です。CLI のような組み込みよりも、Web UI での対話や API 呼び出しでの利用が中心です。Claude は安全性設計で有名である反面、生成品質のキャッチアップ（最新トレンドへの遅延など）はユーザが確認する必要があります。Anthropic のビジネスモデル上、商用利用や商用アプリへの組み込みには契約が絡む点も特徴です。

 まとめGemini CLI は Google の Gemini モデル を コマンドライン から利用するツールです。Google Cloud のGenerative AI 機能により、幅広い言語タスクをCLI環境で実行できます。

Claude Code は Anthropic の Claude モデル のコード生成・解析向け機能と捉えられます。Anthropic の安全性重視の対話AIプラットフォームを使い、主にコード関連のタスクに特化して利用します。

端的に言えば、両者は モデルの提供元（Google vs Anthropic）と 利用形態（CLIツール vs Web/API）で異なり、用途としても Gemini CLI は汎用的な言語処理ツール、Claude Code はよりコーディング支援に特化したツール、という違いがあります。

これらの違いから、使い勝手や統合可能なサービス、ライセンス形態も大きく異なります。例えば、すでに Google Cloud 環境で開発している場合は Gemini CLI が自然であり、Anthropic が推す安全性重視のコードアシスタンスを求める場合は Claude Code が選択肢となります。

 所感生成されたレポートは、普段ChatGPTで使っているものと比べると、少し内容がぼんやりしている印象です。これに4ドルは少し高いかもしれません…🤨

この原因は、APIに単純な質問プロンプトをそのまま渡してしまった点にあります。Deep Research APIの真価を発揮させるには、より詳細な指示を事前にプロンプトへ組み込む必要があるのです！

 より深いDeep Reseachのために
 質問の深掘りChatGPTでDeep Researchを使用したことがある方は、クエリを送信した後にフォローアップの質問が求められることに気付いたかもしれません。ChatGPTの詳細な調査は、次の3つのステップのプロセスに従います：

明確化：中間モデル（gpt-4.1など）がユーザーの意図を明確にし、調査プロセスを開始する前により多くのコンテキスト（好み、目標、制約など）を収集します

プロンプトの書き換え：中間モデルが元のユーザー入力と説明を受け取り、より詳細なプロンプトを生成します

ディープリサーチ：詳細で拡張されたプロンプトがディープリサーチモデルに渡され、リサーチが実施されます
しかし、Responses APIを介した詳細な調査には、明確化やプロンプトの書き換え手順は含まれていません。開発者として、この処理ステップを設定して、ユーザープロンプトを書き換えたり、一連の明確化質問をしたりする必要があります。


 明確化の実装例以下はOpenAI公式のプロンプトを日本語にしたものです。質問は先ほどと同様でGemini CLIとClaude codeの違いについてです。
from openai import OpenAI
client = OpenAI()

instructions = """
あなたは調査タスクを依頼しているユーザーと会話しています。  
あなたの仕事は、そのタスクを成功裏に遂行するために必要な追加情報をユーザーから引き出すことです。

ガイドライン:
- 必要な情報をすべて収集しつつ、**簡潔**にまとめる  
- 調査タスクに必要な情報を、わかりやすく整理された形で集める  
- 明確さのために、箇条書きや番号付きリストを適宜使う  
- 不要な情報や、ユーザーがすでに提供している情報は尋ねない  

重要: **自分で調査は行わず**、後でリサーチャーが調査を行うための情報収集だけに専念してください。
"""

input_text = "Gemini CLIとClaude codeの違いについてネット検索して教えてください。"

response = client.responses.create(
  model="gpt-4.1",
  input=input_text,
  instructions=instructions,
)

print(response.output_text)
以下のようなフォローアップ質問が来ました。丁度ChatGPTでDeep Reseachを使った時と同じようなフォローアップ質問ですね！
その調査を行うために、以下の情報があると有用です：

1. **Gemini CLIとClaude codeの関係や比較のポイント**  
   - 具体的にどのような側面に興味がありますか？（例：機能、使いやすさ、パフォーマンスなど）

2. **用途やコンテキスト**  
   - それぞれをどのように使いたいと考えていますか？（例：特定のプロジェクトや目的があるか）

3. **具体的な疑問や興味のある部分**
   - 既にどんな情報を持っているのか、さらにどんな詳細を期待しているのか

これらの情報をいただければ、リサーチャーがより的確な情報を提供できるかと思います。

 プロンプトの書き換えの実装例次のステップとして、リサーチャーへのプロンプトの書き換えを行います。以下もOpenAI公式のプロンプトを日本語にしたものです。
from openai import OpenAI
client = OpenAI()

instructions = """
あなたはユーザーから調査タスクを受け取ります。あなたの仕事は、そのタスクを完了するための研究者向けの手順を作成することです。**自分でタスクを実行してはいけません**。あくまでタスクを完了するための手順のみを提示してください。

GUIDELINES:
1. **具体性と詳細を最大化すること**
   - ユーザーの好みや条件をすべて盛り込み、考慮すべき主要な属性や観点を明示的に列挙する  
   - ユーザーからの情報を漏れなく指示に反映させることが最重要

2. **ユーザーが示していないが必要な項目は“未指定”として扱う**
   - 意味のあるアウトプットに不可欠な属性がユーザーによって指定されていない場合、「未指定（オープンエンド）」として明記するか、特定の制約なしとする

3. **根拠のない想定を避ける**
   - ユーザーが示していない詳細を勝手に作らない  
   - 指定がない場合はその旨を明示し、研究者には柔軟に対応するよう指示する

4. **一人称で書く**
   - ユーザー視点でリクエストを記述する

5. **表を使う場合**
   - 情報整理や視覚化に表が有用と判断したら、研究者に表形式での提示を明確に依頼する  
     例:  
     - 製品比較（消費者向け）: 各スマートフォンの機能・価格・評価を並べた比較表  
     - プロジェクト管理（業務）: タスク・期限・担当者・進捗を一覧にした表  
     - 予算計画（消費者向け）: 収入源・月次支出・貯蓄目標をまとめた表  
     - 競合分析（業務）: 市場シェア・価格・主要差別化要因を示した表

6. **見出しとフォーマット**
   - 期待するアウトプット形式を明示する  
   - レポートや計画など構造化された形式が望ましい場合、適切な見出しを付けたレポート形式を指定する

7. **言語**
   - ユーザー入力が英語以外の場合、ユーザーが別の言語を要求していない限り、その言語で回答するよう指示する

8. **情報源（ソース）**
   - 優先すべき情報源があれば明示する  
   - 製品・旅行調査では公式サイトや信頼できるECサイト（例: Amazonのレビュー）を推奨  
   - 学術・科学分野では、レビュー論文ではなく原著論文や公式ジャーナルを優先  
   - 特定言語の問い合わせでは、その言語で公開された情報源を重視する
"""

input_text = """Gemini CLIとClaude codeの違いについてネット検索して教えてください。
1. **Gemini CLIとClaude codeの関係や比較のポイント**  
   - 具体的にどのような側面に興味がありますか？（例：機能、使いやすさ、パフォーマンスなど）
⇨機能、パフォーマンス

2. **用途やコンテキスト**  
   - それぞれをどのように使いたいと考えていますか？（例：特定のプロジェクトや目的があるか）
⇨プログラミング全般

3. **具体的な疑問や興味のある部分**
   - 既にどんな情報を持っているのか、さらにどんな詳細を期待しているのか
⇨汎用的な比較を期待"""

response = client.responses.create(
    model="gpt-4.1",
    input=input_text,
    instructions=instructions,
)

print(response.output_text)
input_textには最初の指示とフォローアップ質問への回答を入れています。

以下のようにリサーチャーへのプロンプトを作成してもらいました。
そのタスクを完了するための手順は以下の通りです。

### 手順

1. **目的の確認**
   - Gemini CLIとClaude Codeの機能や特徴を比較し、それらの違いを明確にする。

2. **キーワード設定**
   - 「Gemini CLI 特徴」「Claude Code 特徴」「Gemini CLI vs Claude Code」などのキーワードを使用して検索する。

3. **公式サイト訪問**
   - それぞれの公式サイトで製品情報やドキュメントを確認。
   - 開発元の会社の紹介ページや公式ブログなども参考にする。

4. **レビューとフォーラムの調査**
   - 技術フォーラムやレビューサイト（例: GitHub、Reddit Stack Overflow）を訪問してユーザーの意見や使用感を収集。
   - 特に最新のフォーラムと活発なディスカッションを参考にする。

5. **機能比較の表作成**
   - 情報を整理し、以下のような観点で比較表を作成する：
     - 基本機能
     - ユーザーインタフェース
     - 互換性
     - サポートされているプログラミング言語
     - 使用例
     - 価格（無料/有料）
     - エコシステム

6. **レポート作成**
   - タスクの目的に沿った文章で、調査結果をまとめる。
   - 「概要」「詳細な比較」「結論」のセクションを含む構造化されたレポート形式で作成する。

7. **情報源の記録**
   - 調査に使用した主要な情報源を文末にリストとしてまとめる。

### 注意点

- 信頼性の高い情報源を優先して選ぶ。
- 検索結果が一致しない場合や情報が不足している場合は、さらに詳細に掘り下げて検討する。
- 調査結果は最新のものであることを確認する。

以上のステップに従って調査を行ってください。

 統合された実装例これまでの流れを一つにまとめ、Deep Researchを実行する最終的なコードがこちらです。このコードは、ChatGPTと同様の3つのステップ（明確化 → プロンプトの書き換え → ディープリサーチ）を再現しています。はじめにユーザーへの「フォローアップ質問」で調査要件を明確にし、その回答を基にリサーチャー（AI）への詳細な指示を生成することで、最終的により的を射た調査結果を得ることを目指しています。
from openai import OpenAI
client = OpenAI()

instructions = """
あなたは調査タスクを依頼しているユーザーと会話しています。  
あなたの仕事は、そのタスクを成功裏に遂行するために必要な追加情報をユーザーから引き出すことです。

ガイドライン:
- 必要な情報をすべて収集しつつ、**簡潔**にまとめる  
- 調査タスクに必要な情報を、わかりやすく整理された形で集める  
- 明確さのために、箇条書きや番号付きリストを適宜使う  
- 不要な情報や、ユーザーがすでに提供している情報は尋ねない  

重要: **自分で調査は行わず**、後でリサーチャーが調査を行うための情報収集だけに専念してください。
"""

input_text = input("質問を入力してください: ")

follow_up_question = client.responses.create(
  model="gpt-4.1",
  input=input_text,
  instructions=instructions,
)

print("フォローアップ質問:")
print(follow_up_question.output_text)

follow_up_answer = input("回答を入力してください: ")

instructions = """
あなたはユーザーから調査タスクを受け取ります。あなたの仕事は、そのタスクを完了するための研究者向けの手順を作成することです。**自分でタスクを実行してはいけません**。あくまでタスクを完了するための手順のみを提示してください。

GUIDELINES:
1. **具体性と詳細を最大化すること**
   - ユーザーの好みや条件をすべて盛り込み、考慮すべき主要な属性や観点を明示的に列挙する  
   - ユーザーからの情報を漏れなく指示に反映させることが最重要

2. **ユーザーが示していないが必要な項目は“未指定”として扱う**
   - 意味のあるアウトプットに不可欠な属性がユーザーによって指定されていない場合、「未指定（オープンエンド）」として明記するか、特定の制約なしとする

3. **根拠のない想定を避ける**
   - ユーザーが示していない詳細を勝手に作らない  
   - 指定がない場合はその旨を明示し、研究者には柔軟に対応するよう指示する

4. **一人称で書く**
   - ユーザー視点でリクエストを記述する

5. **表を使う場合**
   - 情報整理や視覚化に表が有用と判断したら、研究者に表形式での提示を明確に依頼する  
     例:  
     - 製品比較（消費者向け）: 各スマートフォンの機能・価格・評価を並べた比較表  
     - プロジェクト管理（業務）: タスク・期限・担当者・進捗を一覧にした表  
     - 予算計画（消費者向け）: 収入源・月次支出・貯蓄目標をまとめた表  
     - 競合分析（業務）: 市場シェア・価格・主要差別化要因を示した表

6. **見出しとフォーマット**
   - 期待するアウトプット形式を明示する  
   - レポートや計画など構造化された形式が望ましい場合、適切な見出しを付けたレポート形式を指定する

7. **言語**
   - ユーザー入力が英語以外の場合、ユーザーが別の言語を要求していない限り、その言語で回答するよう指示する

8. **情報源（ソース）**
   - 優先すべき情報源があれば明示する  
   - 製品・旅行調査では公式サイトや信頼できるECサイト（例: Amazonのレビュー）を推奨  
   - 学術・科学分野では、レビュー論文ではなく原著論文や公式ジャーナルを優先  
   - 特定言語の問い合わせでは、その言語で公開された情報源を重視する
"""

prompt_to_reseacher = client.responses.create(
    model="gpt-4.1",
    input=input_text+follow_up_answer,
    instructions=instructions,
)

print("リサーチャーへの指示:")
print(prompt_to_reseacher.output_text)

stream = client.responses.create(
  model="o4-mini-deep-research",
  input=prompt_to_reseacher.output_text,
  tools=[
    {"type": "web_search_preview"},
  ],
  stream=True,
  background=True,
)

cursor = None
for event in stream:
  print(event)
  cursor = event.sequence_number
上記で実行した結果が以下です！

 レポート(２回目)
 比較表

観点
Gemini CLI
Claude Code
コメント・補足


機能
- Google Gemini 2.5 Pro 搭載のオープンソースCLI型AIエージェント (cloud.google.com)。コーディングやデバッグ、コンテンツ生成、問題解決、タスク管理など多用途に対応 (developers.google.com) (cloud.google.com)。
- Web検索・シェルコマンド・ファイル操作など内蔵ツールでプロンプトを強化 (cloud.google.com)。
- 100万トークンの大規模コンテキスト対応 (blog.google)。
- Anthropic Claude 3.7 Sonnet搭載のエージェント型CLIツール (github.com)。ファイル編集、バグ修正、テスト実行、コード解析、Git操作（履歴検索・マージ・コミット/PR作成）など開発作業向け機能を提供 (github.com) (docs.anthropic.com)。
- ターミナルの対話型(REPL)で自然文指示が可能。
Gemini CLIは一般タスク向けの多機能エージェントで完全オープンソース (blog.google)。Claude Codeはコード作業特化型で、インタープリター不要の自己完結型CLIだがクローズドソース（APIキー要）です。

対応言語
- Geminiモデルの多言語対応を活用し、主要プログラミング言語（Python, Java, JavaScript, C#, C++など）でも動作が期待される（公式リスト未公開）。
- Claudeモデルも多言語対応（主に英語）で、主要言語でのコード操作が可能。設定ファイルでプロジェクトコンテキストを指定する仕組み。
両者ともコード自体はテキスト扱いであり、モデル依存で多数言語を扱えると想定されます（公式に個別言語対応表記なし）。

入出力形式
- 対話型テキスト入出力（Markdown/コードフォーマット可）。ストリーミング応答も可能。
- 生成結果は簡易フォーマット（リッチ表示）でターミナル出力。
- 対話型テキスト入出力（対話形式のREPL）。
- --output-format json でJSON出力可能 (docs.anthropic.com)。スクリプト呼び出しや自動化に対応。
Gemini CLIはカラフルな標準出力中心、Claude CodeはJSON等の整形出力でプログラム利用しやすい点が特徴です (docs.anthropic.com)。

拡張性
- オープンソース(Apache-2.0)でコミュニティ貢献可能 (blog.google)。
- Model Context Protocol(MCP) や GEMINI.md などによりプラグイン・ツール追加が可能 (blog.google) (cloud.google.com)。
- クローズドソースながら、Node/Python用SDKやGitHub Action連携など拡張手段あり (docs.anthropic.com)。
- MCP準拠でリモートサーバ連携可能（/mcp コマンド経由でOAuth対応） (docs.anthropic.com)。
Gemini CLIは外部ツール／プロンプトで柔軟に拡張でき、ソースコードの確認・改変も自由です (blog.google)。Claude CodeはAnthropic公式サポートのSDKやAPI連携機能に依存します (docs.anthropic.com) (docs.anthropic.com)。

パフォーマンス
- モデルはGemini 2.5 Pro。大規模コンテキスト(=1Mトークン)で多数要求を高速処理 (blog.google)。無料枠は60リクエスト/分・1,000/日 (blog.google)。
- レイテンシはクラウド呼び出し待機（数秒規模）。ローカル負荷は低い。
- モデルはClaude 3.7 Sonnet(Maxプラン)で高性能 (docs.anthropic.com)。有料プラン（Pro/Max）で利用。クラウド呼び出しのため応答数秒。
- 出力品質は高い傾向だが、タスクによって結果が不安定（Python/C系は良好、JavaScript系で失敗報告あり (www.thoughtworks.com)）。
Gemini CLIの無料利用枠・大容量コンテキストは開発者向き。Claude Codeは有料だが上位モデル利用で精度が高め（ベンチマークでGeminiより高評価とする報告もある (medium.com)）。いずれもクラウド依存でローカルリソース負担は小さいです。


 レポートGemini CLIはGoogle提供のオープンソースCLI型AIエージェントで、コード生成のみならず調査やコンテンツ作成など多用途に対応します (cloud.google.com) (developers.google.com)。個人向けに大容量コンテキスト（1Mトークン）と高い無料クォータ（60req/分）を提供し、Web検索等のツールと連携可能です (blog.google) (cloud.google.com)。一方、Claude CodeはAnthropic製のコード特化エージェントで、ファイル編集・バグ修正・テスト実行・Git操作など開発作業に最適化されています (github.com) (docs.anthropic.com)。ターミナル上で動作する点は共通ですが、Gemini CLIは自由に改変できるのに対し、Claude CodeはAnthropic API（有料）に依存しセキュリティ機能を備えた企業向け設計です (docs.anthropic.com) (blog.google)。性能面では、Geminiは無料枠・大規模文脈を武器に汎用性を重視し、Claudeは高精度モデルで複雑なコードタスクに強みを持つ反面、タスクによって結果がばらつく報告もあります (www.thoughtworks.com) (medium.com)。以上が両ツールの主な相違点です。

 引用資料Google公式ブログ・ドキュメント (blog.google) (cloud.google.com) (cloud.google.com)、Anthropic公式ドキュメント (github.com) (docs.anthropic.com) (docs.anthropic.com)、第三者技術記事 (www.thoughtworks.com) (medium.com)など。

 所感２回目のレポートは１回目と比べて格段に質が向上しました。１回目は抽象的で読みにくい長文でしたが、２回目では比較表形式で整理され、具体的な技術仕様や数値データも含まれています。この違いから、Deep Research APIを効果的に活用するにはプロンプト設計が重要であることが分かります。フォローアップ質問と詳細な指示という２段階のプロセスを経ることで、４ドルというコストに見合う価値のあるレポートが生成されました。やはりAIツールは「聞き方次第」ということを改めて実感させられる結果でした。

 終わりにいかがでしたでしょうか？

本記事では、OpenAIのDeep Research APIについて、基本的な使い方から、より質の高いレポートを得るための実践的なテクニックまでご紹介しました。

単純な質問を投げるだけでもある程度の答えは返ってきますが、Deep Researchの真価を引き出すには、やはり「プロンプトの質」が鍵になる、ということが伝わっていれば幸いです。今回試したように、ユーザーの意図を深掘りし、調査の進め方を具体的に指示することで、レポートの質は格段に向上します。
今回はツールはネット検索のみですがMCPを使った自前のドキュメント検索やコードインタープリターも使えるみたいです！特にMCP関連は自分はまだ試したことないので試してみたいです。
現時点で少しコストはかかりますが、この強力な調査機能をAPI経由で自由に扱えるのは非常に魅力的ですよね。ぜひ皆さんも、この記事を参考にDeep Research APIを色々な場面で活用してみてください！Happy Coding🚀

観点	Gemini CLI	Claude Code	コメント・補足
機能	- Google Gemini 2.5 Pro 搭載のオープンソースCLI型AIエージェント (cloud.google.com)。コーディングやデバッグ、コンテンツ生成、問題解決、タスク管理など多用途に対応 (developers.google.com) (cloud.google.com)。 - Web検索・シェルコマンド・ファイル操作など内蔵ツールでプロンプトを強化 (cloud.google.com)。 - 100万トークンの大規模コンテキスト対応 (blog.google)。	- Anthropic Claude 3.7 Sonnet搭載のエージェント型CLIツール (github.com)。ファイル編集、バグ修正、テスト実行、コード解析、Git操作（履歴検索・マージ・コミット/PR作成）など開発作業向け機能を提供 (github.com) (docs.anthropic.com)。 - ターミナルの対話型(REPL)で自然文指示が可能。	Gemini CLIは一般タスク向けの多機能エージェントで完全オープンソース (blog.google)。Claude Codeはコード作業特化型で、インタープリター不要の自己完結型CLIだがクローズドソース（APIキー要）です。
対応言語	- Geminiモデルの多言語対応を活用し、主要プログラミング言語（Python, Java, JavaScript, C#, C++など）でも動作が期待される（公式リスト未公開）。	- Claudeモデルも多言語対応（主に英語）で、主要言語でのコード操作が可能。設定ファイルでプロジェクトコンテキストを指定する仕組み。	両者ともコード自体はテキスト扱いであり、モデル依存で多数言語を扱えると想定されます（公式に個別言語対応表記なし）。
入出力形式	- 対話型テキスト入出力（Markdown/コードフォーマット可）。ストリーミング応答も可能。 - 生成結果は簡易フォーマット（リッチ表示）でターミナル出力。	- 対話型テキスト入出力（対話形式のREPL）。 - --output-format json でJSON出力可能 (docs.anthropic.com)。スクリプト呼び出しや自動化に対応。	Gemini CLIはカラフルな標準出力中心、Claude CodeはJSON等の整形出力でプログラム利用しやすい点が特徴です (docs.anthropic.com)。
拡張性	- オープンソース(Apache-2.0)でコミュニティ貢献可能 (blog.google)。 - Model Context Protocol(MCP) や GEMINI.md などによりプラグイン・ツール追加が可能 (blog.google) (cloud.google.com)。	- クローズドソースながら、Node/Python用SDKやGitHub Action連携など拡張手段あり (docs.anthropic.com)。 - MCP準拠でリモートサーバ連携可能（/mcp コマンド経由でOAuth対応） (docs.anthropic.com)。	Gemini CLIは外部ツール／プロンプトで柔軟に拡張でき、ソースコードの確認・改変も自由です (blog.google)。Claude CodeはAnthropic公式サポートのSDKやAPI連携機能に依存します (docs.anthropic.com) (docs.anthropic.com)。
パフォーマンス	- モデルはGemini 2.5 Pro。大規模コンテキスト(=1Mトークン)で多数要求を高速処理 (blog.google)。無料枠は60リクエスト/分・1,000/日 (blog.google)。 - レイテンシはクラウド呼び出し待機（数秒規模）。ローカル負荷は低い。	- モデルはClaude 3.7 Sonnet(Maxプラン)で高性能 (docs.anthropic.com)。有料プラン（Pro/Max）で利用。クラウド呼び出しのため応答数秒。 - 出力品質は高い傾向だが、タスクによって結果が不安定（Python/C系は良好、JavaScript系で失敗報告あり (www.thoughtworks.com)）。	Gemini CLIの無料利用枠・大容量コンテキストは開発者向き。Claude Codeは有料だが上位モデル利用で精度が高め（ベンチマークでGeminiより高評価とする報告もある (medium.com)）。いずれもクラウド依存でローカルリソース負担は小さいです。

呼び出し方法

バックグラウンドモード

レポート(１回目)

概要

提供元とモデル

アクセス方法・利用形態

主な用途・機能の違い

技術的・運用面の違い

まとめ

所感

より深いDeep Reseachのために

質問の深掘り

明確化の実装例

プロンプトの書き換えの実装例

統合された実装例

レポート(２回目)

比較表

レポート

引用資料

所感

終わりに

Discussion