| name | industry-trend-research |
| description | 当用户需要行业/赛道调研、市场现状、竞争格局、市场份额、区域市场分析、投资调研或商业化落地决策时使用，交付麦肯锡白皮书风格五板块深度报告，自动锚定当年最新市场动态；keywords: industry research, competitive landscape, market analysis |
行业/赛道趋势调研 (Industry Trend Research Pro)
垂直行业/赛道趋势调研 Skill，输出麦肯锡白皮书风格的五大板块决策级报告。本 Skill 专为高客单价付费场景设计，自动以执行时的当年作为时效基准（不依赖任何硬编码年份），要求每个数据点可溯源、每个判断有论据、每条建议可落地。
任务目标
- 本 Skill 用于：针对用户给出的行业/赛道（如"具身智能"、"减肥药 GLP-1"、"AI 编程助手"），交付可直接用于战略规划、投资决策、商业化落地的深度趋势报告。
- 能力包含：
- 行业定义与边界划定 + 当年大局观（TAM / CAGR）
- 产业链全景图谱 + 核心玩家利润格局
- 核心驱动力与卡脖子痛点的因果链分析
- 未来 1-2 年趋势预测与红利爆发点
- 商业化落地路径与避坑指南
- 触发条件（高召回口径，路由到此 Skill 后用此清单做最终自检）：
- 中文触发词：行业研究 / 赛道分析 / 行业现状 / 行业趋势 / 市场规模 / 市场调研 / 市场份额 / 品牌份额 / 占有率 / 竞争格局 / 竞争态势 / 产业链研究 / 产业链分析 / 投资调研 / 投资机会 / 商业化落地 / 商业模式分析 / 入局分析 / 区域市场（如"东南亚某行业"、"中东某市场"、"美国某赛道"）/ 政策影响 / 红利赛道 / 风口分析。
- English triggers: industry research, sector analysis, market analysis, market sizing, competitive landscape, market share, industry trends, regional market research, vertical deep dive, investment thesis, go-to-market analysis, value chain analysis, regulatory impact, growth opportunity scan.
- 不适用于：单点事实查询（"X 公司 CEO 是谁"）、单家公司尽调（用
tianyancha-data 等专项 Skill）、单一财报解读、纯学术综述、非商业领域（如纯文化/艺术评论）。
前置准备
- 依赖说明：脚本依赖
httpx>=0.27（用于 URL 健康检查），可通过 pip install -r scripts/requirements.txt 安装。
- 路径约定：报告与素材产出在当前工作目录（
./），不写入 Skill 内部目录。
- 输出文件命名：
{topic} 为行业/赛道核心短语 + 基准年（如 具身智能赛道_{CURRENT_YEAR}、GLP1减肥药行业_{CURRENT_YEAR}），中文 query → 中文 topic，文件名空格用下划线，禁止 /\:*?"<>| 等特殊字符。{CURRENT_YEAR} 在阶段 0 解算后替换为实际年份。
- 证据底稿：
{topic}_evidence.md
- 最终报告：
{topic}_report.md
- 图表目录：
{topic}_assets/
操作步骤
阶段 0｜认知重置（Epistemic Reset）
- 强制时间解算（Time Resolution）：通过
date +%Y 获取当前年份，定义以下三个变量并在后续所有提示、检索、写作中替换使用：
{CURRENT_YEAR} = 执行时的当年（如 2026 / 2027 / 2028）{LAST_YEAR} = {CURRENT_YEAR} - 1{NEXT_YEAR} = {CURRENT_YEAR} + 1{NEXT_2_YEARS} = {CURRENT_YEAR} + 2- 若用户在 query 中明确指定其他基准年（如"2025 年的 X 行业"、"我想看 2030 年预测"），则以用户指定为准并显式声明本次基准年。
- 时效基准规则：任何早于
{LAST_YEAR} 的市场数据需标注 [OUT-OF-WINDOW] 并仅作历史参照；所有结论必须由 {LAST_YEAR} H2 至 {CURRENT_YEAR} 的检索证据支撑；趋势预测窗口为 {CURRENT_YEAR} - {NEXT_2_YEARS}。
- 假设内部知识已过时，必须以检索到的最新公开证据替换内部记忆。
- 检索语言与用户查询语言一致；中文查询优先在中文权威源（艾瑞、亿欧、36氪研究院、IT桔子、智研咨询、灼识咨询、头豹、信通院、工信部、各行业协会白皮书）与英文权威源（Gartner、IDC、McKinsey、BCG、Bain、CB Insights、PitchBook、a16z、统计局/SEC 文件）之间双轨检索。
- 领域 Skill 预检（强制）：本 Skill 提供调研工作流，不提供数据源。开始检索前必须按以下规则加载专业数据 Skill：
- 宏观经济 / GDP / CPI / 利率 → 加载
openecon-data、fred-data-skill
- 汇率 / 外汇 → 加载
frankfurter-data
- A股 / 港股 / 美股行情 → 加载
stock-data-skill
- 企业工商 / 股权 / 诉讼 / 尽调 → 加载
tianyancha-data
- 影视 / 演员 → 加载
tmdb-data-skill
- 移动 App / 应用市场 / ASO → 加载
qimai-data-skill
- 法律 / 法规 / 合规 → 加载
weko-data
- 专业源优先于
search_web；存在多领域命中时全部加载，并显式列出"已加载 Skill ↔ 覆盖维度"映射表。
阶段 1｜行业定义与查询分解
参考 references/industry_research_framework.md 完成以下输出（必须在检索前显式打印）：
- 行业核心定义：用 1-2 句话锁定行业边界（包含什么 / 排除什么），避免大而无当。
- 决策意图：用户拿这份报告要做什么决策？（投资、入局、战略调整、产品定位）
- 价值链分层假设：上游 / 中游 / 下游初步划分（后续在第 2 板块校验）。
- 维度清单：基于 framework 中的"九大行业研究维度"勾选并展开本次需要覆盖的维度。
阶段 2｜结构化检索循环（≥18 轮）
针对行业趋势研究的特殊性，最少执行 18 轮检索（高于通用研究的 15 轮），分三段递进，禁止关键词重复：
占位符替换规则：以下所有 query 模板中的 {CURRENT_YEAR} / {LAST_YEAR} / {NEXT_YEAR} / {NEXT_2_YEARS} 必须替换为阶段 0 解算的实际年份后再发起检索。例如执行年是 2027 → {CURRENT_YEAR}=2027、{LAST_YEAR}=2026、{NEXT_YEAR}=2028、{NEXT_2_YEARS}=2029。
第一段：宏观锚定（4-5 轮，并行）
必须命中以下关键词组合，强制带 {CURRENT_YEAR} 年份限定：
"{行业} {CURRENT_YEAR} 行业白皮书 PDF" / "{industry} {CURRENT_YEAR} white paper""{行业} 市场规模 CAGR {LAST_YEAR}-{CURRENT_YEAR+5}" / "{industry} market size CAGR""{行业} TAM SAM SOM {CURRENT_YEAR}""{行业} 全球 vs 中国 市场份额 {CURRENT_YEAR}""{行业} {CURRENT_YEAR} 政策" / "{行业} 监管 合规"
第二段：产业链解剖（6-7 轮，并行）
"{行业} 产业链图谱 上下游""{行业} 上游 核心供应商 议价能力""{行业} 中游 利润率 毛利" ←重点：利润分配"{行业} 下游 客户结构 集中度""{行业} 头部公司 市占率 TOP10 {CURRENT_YEAR}""{行业} 融资 A轮 B轮 估值 {LAST_YEAR} {CURRENT_YEAR}""{行业} 卡脖子 技术壁垒 国产替代"
第三段：趋势预测与避坑（6-7 轮）
"{行业} {NEXT_YEAR} 趋势预测 红利""{行业} 颠覆性技术 新进入者""{行业} 失败案例 倒闭 退出 {LAST_YEAR}" ←重点：避坑"{行业} 政策风险 合规 处罚 {CURRENT_YEAR}""{行业} 商业模式 变现路径""{行业} 反向观点 contrarian"（强制检索反方观点）- 时效性兜底：
"{行业} {CURRENT_YEAR} Q1/Q2/Q3/Q4 最新动态"（按当前实际季度选择）
并行检索原则：相互独立的检索请求必须并行发起，每次 search_web 调用塞满允许的最大 query 数量。
阶段 3｜证据增量收集（每轮检索后立即追加）
每条关键证据使用统一 7 字段结构化证据块格式追加写入 {topic}_evidence.md：
Claim: [具体事实陈述，不含 URL]
Source: [来源名称]
URL: [来源 URL，禁止首页 URL，必须深链]
Date: [发布日期 YYYY-MM；无则 N/A]
Excerpt: [原文逐字摘录，禁止改写]
Context: [影响解读的上下文]
Confidence: [HIGH / MEDIUM / LOW]
置信度规则：
[HIGH]：≥2 个独立权威源交叉确认。[MEDIUM]：1 个权威源，或多个二手源。[LOW]：单一未验证陈述、博客级证据。
强制规则：
- 每个核心数字（市场规模、CAGR、市占率、利润率、估值倍数、融资金额）必须附带具体来源 URL（深链，非首页）和数据日期；无来源的数字宁可不写。
- 矛盾不抑制，必须显式记录
[TEMPORAL-CONFLICT] 或 [INTERPRETIVE-CONFLICT]。
- 来源标签：
[SEARCH-SOURCED] / [FILE-SOURCED] / [MIXED]。
阶段 4｜证据合并与 URL 校验
完成检索后：
- 对
{topic}_evidence.md 进行去重、置信度升降级、删除无关条目。
- 批量校验所有 URL 可达性：
pip install -r scripts/requirements.txt
python scripts/verify_urls.py {topic}_evidence.md
仅 ❌ FAIL 需要处理：在该证据块的 Confidence 字段追加 [URL-UNVERIFIED]（如 Confidence: MEDIUM [URL-UNVERIFIED]），不删除条目。✅ PASS 与 ⚠️ UNCERTAIN 均视为可达。
- 检查每个研究维度证据是否充分；若关键维度（如"利润分配"、"政策风险"）证据稀薄，回到阶段 2 做补充检索。
阶段 5｜五大板块报告写作（核心交付）
参考 references/report_template.md 中的麦肯锡白皮书模板，严格按以下五大板块生成 {topic}_report.md：
| # | 板块 | 核心问题 |
|---|
| 一 | 行业定义与 {CURRENT_YEAR} 市场大局观 | 这是什么生意？盘子多大？长得多快？ |
| 二 | 产业链图谱与核心玩家格局 | 谁在赚大钱？利润分布在产业链哪一层？ |
| 三 | 核心驱动力与行业发展痛点 | 为什么火？卡脖子在哪？ |
| 四 | {CURRENT_YEAR}-{NEXT_YEAR} 趋势预测与红利爆发点 | 未来 1-2 年的风口在哪？哪些信号要关注？ |
| 五 | 商业化落地建议与避坑指南 | 怎么赚到钱？哪些坑必须避开？ |
板块标题中的 {CURRENT_YEAR} / {NEXT_YEAR} 在最终报告中必须替换为阶段 0 解算出的实际数值（例如执行年解算为 2026 时，所有 {CURRENT_YEAR} 替换为 2026、{NEXT_YEAR} 替换为 2027）。具体的板块二级标题文字由 assemble_report.py init 阶段一次性注入，写作时无需自行书写。
写作硬性要求：
- 执行摘要（Executive Summary）：300-500 字，开篇即给结论与关键数字，不写"本报告将探讨..."的废话。
- 总字数：≥6,000 字（行业研究垂直场景，高于通用研究 5,000 字下限）。
- 段落规则：每段 ≥100 字 / ≤1,000 字；每个二级小节至少 2 段。
- 可视化强制（视觉规范见 references/visual_style_guide.md）：每个板块至少包含 1 个非纯文本元素（表格 / Mermaid / 图表 / LaTeX 公式）。所有 Mermaid 代码块强制注入麦肯锡蓝灰风主题 init 头与 classDef 节点分色，否则
validate 报警。
- 第一板块：市场规模与 CAGR 数据表 + 行业边界对照表（"包含 / 排除"两列结构，废止 Mermaid 边界图——见 visual_style_guide §6.1）。
- 第二板块：主题化产业链图谱 Mermaid + 核心玩家对比表（含市占率、毛利率、估值倍数列）+ Plotly 桑基图（产业链利润分配，链宽 = 毛利率 × 营收占比；废止饼图——见 visual_style_guide §4）。
- 第三板块：驱动力 vs 痛点矩阵表 + 主题化因果链 Mermaid（政策 primary / 受损 danger / 受益 positive）。
- 第四板块：
{CURRENT_YEAR}-{NEXT_YEAR} 趋势预测表（含触发条件、领先指标、反转信号列）。
- 第五板块：主题化决策树 Mermaid + 避坑清单表。
- 引用格式：每条事实陈述后紧贴句末标点前使用
[(来源)](深链URL)，多源用空格分隔。禁止首页 URL，禁止编号引用。
- 图表生成：所有图表（Plotly / matplotlib）保存到
{topic}_assets/，文件名描述性（如 产业链利润桑基图_{CURRENT_YEAR}.png），通过 file_to_url 转公网 URL 后以  嵌入。统一使用 visual_style_guide §1 的麦肯锡蓝灰配色与 §5 的 MCK_PALETTE；中文图表必须配置 CJK 字体并设置 axes.unicode_minus = False。Plotly 输出 PNG 需 kaleido，若环境缺失则回退到 HTML 或 matplotlib 横向堆叠条形图（禁止退回饼图）。
- 每个图表前后必须有文字：前置铺垫上下文，后置点出关键观察。
- 置信度披露：LOW 置信度的判断必须用对冲语言（"初步信号显示..."、"未经核实的报道指出..."），禁止与 HIGH 同等口吻陈述。
- 行文调性：禁用"颠覆"、"重塑未来"、"行业领先"等营销话术；保持麦肯锡式克制、专业、数据先行。
阶段 6｜分块安全拼接（避免长文本截断）
行业报告通常 6,000-12,000 字，单次模型输出极易触发截断或丢格式。强制按板块分次写作并使用 assemble_report.py 拼接：
python scripts/assemble_report.py init --topic "{topic}" --title "{报告标题}"
python scripts/assemble_report.py append --topic "{topic}" --section-key exec_summary --content-file _section_tmp.md
python scripts/assemble_report.py append --topic "{topic}" --section-key part1 --content-file _section_tmp.md
python scripts/assemble_report.py append --topic "{topic}" --section-key part2 --content-file _section_tmp.md
python scripts/assemble_report.py append --topic "{topic}" --section-key part3 --content-file _section_tmp.md
python scripts/assemble_report.py append --topic "{topic}" --section-key part4 --content-file _section_tmp.md
python scripts/assemble_report.py append --topic "{topic}" --section-key part5 --content-file _section_tmp.md
python scripts/assemble_report.py validate --topic "{topic}"
每次写作一个板块时：
- 将该板块完整 Markdown 内容写入临时文件
_section_tmp.md（用 write_file 工具）。
- 调用
assemble_report.py append 将该板块原样追加到最终报告。
- 拼接完成后运行
validate 自检；若校验失败按提示补写。
【标题注入铁律 / SINGLE-SOURCE-OF-TRUTH】
报告的所有 # 一级标题 与 ## 二级板块标题（执行摘要 / 一二三四五板块 / 结语，共 7 个）在 init 阶段已由脚本一次性注入。权威定义见 scripts/assemble_report.py 的 section_headings() 函数——任何标题文字调整只动该函数一处，其余文档与正文自动跟随。
写作 _section_tmp.md 时必须遵守：
- ❌ 禁止写入任何
# 一级标题或 ## 二级标题
- ✅ 只写
### 1.1、### 5.4、#### 等三级及以下小节标题与正文
- 违反将被
assemble_report.py append 命令拒绝（exit code=1，返回 H2_HEADING_FORBIDDEN），需删除后重试
这条铁律根除二级标题在最终报告中重复出现的问题——所有二级标题只允许 init 阶段写一次。
使用示例
以下示例中的年份均为说明性，实际值由阶段 0 的时间解算自动决定（执行年=2026 时为 2026/2027；执行年=2027 时为 2027/2028，依此类推）。
示例 1：具身智能（中文 query，垂直硬科技）
- 场景/输入：用户："帮我深度调研一下具身智能赛道，我要决定要不要投这个方向。"（假设执行年 =
{CURRENT_YEAR}）
- 预期产出：
具身智能赛道_{CURRENT_YEAR}_evidence.md：≥40 条结构化证据，覆盖大模型本体公司（Figure、1X、银河通用、宇树）、上游传感器与减速器、下游应用场景。具身智能赛道_{CURRENT_YEAR}_report.md：6,000+ 字五板块报告，含 {CURRENT_YEAR} 市场规模 CAGR 表、上中下游利润桑基图（Plotly Sankey，链宽=毛利率×营收占比）、Figure/1X/特斯拉 Optimus 估值对比表、{CURRENT_YEAR}-{NEXT_YEAR} 量产节奏预测表、避坑清单（数据稀缺、Sim2Real 鸿沟、单价过高的商业化困境）。具身智能赛道_{CURRENT_YEAR}_assets/：≥5 张图表。
- 关键要点：
- 上游必须细化到伺服电机、谐波减速器、力矩传感器等卡脖子环节及对应公司毛利率。
- 必须包含反方观点（如 LeCun 对 LLM 路径的质疑）。
- 决策建议要分场景（VC 早期投资 / CVC 战略投资 / 创业入局）给出差异化路径。
示例 2：GLP-1 减肥药（消费医疗，全球视角）
- 场景/输入：用户："分析一下 GLP-1 减肥药这个赛道最新的趋势和投资机会。"
- 预期产出：
- 强调全球（诺和诺德、礼来）vs 国产（信达、华东医药、恒瑞）双轨对比。
- 第二板块利润格局必须包含 API 原料药 → 制剂 → 渠道（药店/医院/电商）的逐层利润率。
- 第三板块痛点要覆盖：医保支付、停药反弹、长期安全性、专利悬崖（按执行年实际状态描述，如司美格鲁肽中国专利到期窗口）。
- 第四板块红利点：口服 GLP-1、双靶点（GLP-1/GIP）、第三代长效制剂。
- 关键要点：与示例 1 不同，本场景政策与合规风险权重极高，第三、五板块需放大处理，并强制加载
weko-data（医药法规）。
示例 3：AI 编程助手（toC/toB 双重市场）
- 场景/输入：用户："AI 编程赛道现在的格局如何？我们公司想做企业级 AI Coding 产品。"
- 预期产出：默认决策意图为"toB 入局"，第五板块商业化建议突出企业级与 toC 工具的差异化路径。第二板块产业链图谱需重构为"模型层 → 工具层（Cursor/Copilot/Windsurf/Cline）→ 渠道层（IDE 插件/CLI/Cloud IDE）"。
- 关键要点：与示例 1（硬科技）和示例 2（医药）不同，AI 编程赛道迭代周期以月计，时效要求极高，证据中 6 个月以上的数据需明确标注时效降级。
示例 4：Southeast Asia EV market（English query, regional market research）
- Input: User: "Do a deep-dive on the electric two-wheeler market in Southeast Asia, including competitive landscape and market share by country."
- Expected output: Five-section English report
SEA_E2W_market_{CURRENT_YEAR}_report.md + evidence file. Section 1 must break down market size by country (Indonesia / Vietnam / Thailand / Philippines / Malaysia). Section 2 must compare Yadea, VinFast, Selis, Gogoro and local players with country-level market share. Section 4 must cover battery-swapping policy and subsidy timelines per country.
- Key points: Output language matches query language (English query → English report). Regional market research requires per-country granularity in Sections 1-2; pan-regional aggregation alone is insufficient. Currency in USD with local-currency in parentheses for key figures.
资源索引
