research-pipeline

name	research-pipeline
description	深度研究技能——先定义真正的问题，再收集证据、综合发现，输出经过验证的 Markdown 报告。专为符合用户实际决策需求的深度分析而设计。支持大型研究的多智能体扩展。
allowed-tools	bash sub-agent collect-results task-create task-update task-get task-list team-create team-list team-get-tasks find-experts firecrawl
metadata	{"requires":{"bins":["python3"]},"name_zh":"研究管线","name_zh-tw":"研究管線","description_zh":"系统化研究技能——先定义真正的问题，再收集证据、综合发现，输出经过验证的 Markdown 报告","description_zh-tw":"結構化研究技能——先定義真正的問題，再收集證據、綜合發現，輸出經過驗證的 Markdown 報告"}

研究管线 — 深度研究与知识生产技能

使用场景

使用此技能当： 用户需要深入、系统化的研究，包括但不限于：

• 市场分析 — 市场规模、TAM/SAM/SOM、增长趋势、细分市场动态
• 竞争情报 — 竞争对手映射、功能对比、定位分析、胜负模式
• 学术文献综述 — 系统性论文调查、引用网络、研究空白识别
• 投资尽职调查 — 目标公司深度调研、财务 + 技术 + 团队评估
• 技术评估 — 技术栈评估、新兴技术雷达、自建与购买分析
• 行业报告 — 行业概览、监管环境、生态系统映射、未来展望

不要使用此技能当： 快速事实核查、单一问题查询或琐碎信息检索。这些情况使用直接查询或简单网络搜索。此技能专为生成系统化、可引用、决策级输出的研究而设计。

---

核心原则：问题先于方法

研究中最昂贵的错误是完美地回答了错误的问题。

此技能围绕一个核心理念构建：问题的定义决定了答案的价值。如何提出正确的问题、规划合适的深度，并验证输出真正回答了所问的内容。

此技能在三个层面运作：

层面	内容	执行者
方法论	如何定义问题、选择深度、构建分析	此技能（提示词）
工具	WebSearch、QuickSearch、QuickExplore、FindRelation、WebFetch	LLM 固有（不在此教授）
编排	大型研究的多智能体协调	可选，由深度级别触发

---

阶段 1：问题定义

目标： 将模糊的请求转化为精确、可验证的研究目标。这是最重要的阶段 — 投入总时间的 10-15%。

步骤 1.1 — 四问题引导框架

不要以"你想研究什么？"开始。相反，使用这个系统化序列来提取用户的真实需求：

Q1 — 决策锚点

问用户：

"这项研究将为哪个决策提供信息？你将基于结果采取什么行动？"

这是最重要的问题，它决定了：

• 所需精度 — 1000 万美元的投资决策与随意的好奇心需要非常不同的严谨度
• 输出格式 — 董事会演示文稿、内部备忘录、个人知识
• 置信度阈值 — 你需要多确定？

锚定答案示例：

• "我需要决定是否投资公司 X" → 完整研究，需要高置信度
• "我在探索是否应该进入亚太市场" → 深度调研，方向性置信度
• "我想了解向量数据库如何工作" → 快速扫描，低风险

Q2 — 已知/未知分离

问用户：

"关于这个主题你已经知道什么？你想解决的具体未知问题是什么？"

这防止了在重新发现已知信息上浪费精力，将研究集中在真正的空白上。

将输出记录为：

已知：
- [事实 1]
- [事实 2]

未知（研究目标）：
- [空白 1]
- [空白 2]

Q3 — 第一性原理分解

问用户：

"让我们剥离假设。这本质上是什么？"

引导用户将问题分解为不可约的元素。例如，"医疗保健中的 AI 智能体"分解为：

• 谁是买家？（医院系统？保险公司？患者？）
• 解决了什么具体问题？（成本降低？准确性？可及性？）
• 为什么是现在？（监管变化？技术成熟？市场压力？）
• 要使其成功需要什么条件？

这一步防止用户自己的框架偏见影响研究方向。

Q4 — 深度校准

问用户：

"错误的代价是什么？如果这项研究导致你得出错误结论，会发生什么？"

根据答案确定研究级别：

如果错误答案意味着...	研究级别	方法
轻微不便	级别 1 — 快速扫描	单智能体，<10 个来源，半天
浪费精力/资源	级别 2 — 深度调研	单智能体，10-30 个来源，1-2 天
重大财务/战略损失	级别 3 — 完整研究	多智能体，30+ 个来源，交叉验证
持续竞争劣势	级别 4 — 持续情报	多智能体 + 周期性刷新周期

步骤 1.2 — 记录研究协议

四个问题后，综合成简洁的协议：

## 研究协议

**决策：** [这将为什么决策提供信息？]
**主要问题：** [单一、精确的问题]
**子问题：** [2-5 个具体未知问题]
**范围：** [地理、时间、领域边界]
**级别：** [快速扫描 / 深度调研 / 完整研究 / 持续情报]
**所需置信度：** [高 / 中 / 方向性]
**输出：** [报告、备忘录、简报等]
**截止日期：** [时间约束]

在继续之前将此呈现给用户确认。

---

阶段 2：证据收集

目标： 收集直接解决研究问题的多样化、高质量来源。

指导原则

1. 工具是固有的 — 根据需要使用 WebSearch、QuickSearch、QuickExplore、FindRelation 和 WebFetch。不需要关于如何使用它们的特殊指导。
2. 来源多样化 — 不要依赖单一类型的来源。混合使用网络文章、学术论文、官方文件、分析师报告。
3. 追踪来源 — 对于每个来源，记录：URL/DOI、出版商、作者、发布日期、访问日期。
4. 质量优于数量 — 5 个高质量来源胜过 50 篇博客文章。

来源质量评分

对每个来源在 4 个维度上评分（1-5 分）：

维度	测量内容	危险信号
可信度	出版商权威性、方法论严谨性	匿名博客、未引用方法论、已知偏见
时效性	信息有多新？	快速变化领域的数据超过 2 年
相关性	直接解决研究问题？	仅边缘提及
偏见检查	平衡视角还是倡导？	供应商赞助的"研究"、无反面证据

最低阈值： 平均得分 ≥ 3.5 才纳入最终综合。标记低分来源但不要丢弃，它们可能仍提供有用的上下文。

收集清单

• 每个关键主张至少有 2 个独立来源
• 来源涵盖多个视角（乐观、悲观、中立）
• 优先使用一手来源而非二手来源（原始数据 > 他人解释）
• 来源记录了完整的引用元数据

---

阶段 3：多智能体编排

目标： 按决策风险比例扩展研究工作量。

何时扩展

研究级别	智能体数量	何时部署额外智能体
级别 1 — 快速扫描	1（仅负责人）	从不
级别 2 — 深度调研	1-2	如果来源涵盖非常不同的领域（例如，技术 + 财务）
级别 3 — 完整研究	2-4	总是 — 并行工作流
级别 4 — 持续情报	2-4 + 持续	总是

角色定义

角色	职责	触发条件
首席研究员	问题设计、来源协调、综合、质量控制	总是
数据分析师	定量分析、统计工作、数据清理、图表制作	当定量数据是主要组成部分时
领域专家	领域特定验证、方法论审查、合理性检查	当需要领域特定专业知识时
撰稿人	报告起草、叙事结构、执行摘要	当输出是正式报告时（完整研究+）

使用 team-create 和 task-create / task-update 协调并行工作流。

---

阶段 4：分析与综合

目标： 将收集的证据转化为洞察、模式和可操作的结论。

步骤 4.1 — 证据映射

对于协议中的每个子问题，映射证据：

子问题：[来自协议]

支持证据：
- [主张] → [来源引用]（置信度：高/中/低）
- [主张] → [来源引用]（置信度：高/中/低）

矛盾证据：
- [主张] → [来源引用]（置信度：高/中/低）

空白：
- [我们仍然不知道或证据不足的内容]

步骤 4.2 — 模式检测

寻找：

• 收敛 — 多个独立来源得出相似结论（增加置信度）
• 发散 — 来源存在分歧（记录分歧，不要掩盖）
• 空白 — 证据不足的问题（标记为不确定性）
• 时间趋势 — 事物如何随时间变化

步骤 4.3 — 假设形成

对于每个主要发现：

1. 清晰陈述假设
2. 识别支持证据（附来源引用）
3. 识别矛盾证据（积极寻求反驳）
4. 根据证据强度分配置信度级别
5. 记录剩余的不确定性

步骤 4.4 — 事实与假设分离

每个结论必须标记为以下之一：

标签	含义	示例
事实	直接由 2 个以上独立、高质量来源支持	"公司 X 在 2025 年 3 月完成了 5 亿美元 D 轮融资（来源 A、来源 B）"
综合发现	从组合多个数据点得出；每个数据点是事实性的，但结论是解释性的	"基于招聘模式和合作公告，公司 X 正在向亚太扩张（来源 C、来源 D）"
假设	有限直接支持的合理推断；明确标记	"假设当前增长率持续，公司 X 将在 18 个月内需要另一轮融资（从来源 E 推断）"
推测	证据不足但有根据的意见；必须标记	"公司 X 可能是大型科技公司的收购目标（无直接证据；从市场整合模式推断）"

永远不要将假设或推测呈现为事实。 如果用户需要更高的置信度，标记哪些来源可以解决不确定性。

置信度级别

级别	标准
高	由 3 个以上独立、高质量来源支持；有定量数据；无重大矛盾
中	由 2 个以上有一些限制的来源支持；定性共识；存在 minor 矛盾
低	单一来源或有限的佐证；重大矛盾；主要是推测性

---

阶段 5：报告生成

目标： 生成系统化的 Markdown 文件并保存到当前工作目录。

输出位置

将报告保存为当前工作目录中的 .md 文件，使用清晰、描述性的文件名：

<project-dir>/research-<topic-slug>-<YYYY-MM-DD>.md

例如：research-ai-healthcare-diagnostics-2025-06-24.md

必需的报告结构

# 研究：[标题]

**日期：** YYYY-MM-DD
**研究级别：** 快速扫描 / 深度调研 / 完整研究 / 持续情报
**决策背景：** [这项研究为哪个决策提供信息]

---

## 执行摘要

[一段话的底线。3-5 个关键发现及置信度级别。适用时提供建议。]

---

## 1. 研究方法

- **主要问题：** [来自协议]
- **范围：** [地理、时间、领域边界]
- **来源：** [按类型计数，质量分布]
- **局限性：** [本研究未涵盖的内容]

## 2. 发现

[按主题组织，而非按来源。每个发现包括主张、支持证据及引用、置信度级别。]

## 3. 分析

[跨发现综合、模式解释、影响。]

## 4. 结论

[对主要问题和子问题的直接回答。按事实/综合发现/假设/推测标记。]

## 5. 建议

[可操作的、有优先级的，附支持证据引用。]

---

## 附录

### A. 来源列表

| #   | 标题 | 出版商 | 日期 | 可信度 | 时效性 | 相关性 | 偏见 | URL |
| --- | ---- | ------ | ---- | ------ | ------ | ------ | ---- | --- |

### B. 不确定性与空白

[仍然未知的内容。什么可以解决它。]

### C. 协议（原始）

[阶段 1 研究协议的副本，用于可追溯性。]

引用规则

1. 每个事实主张必须有 ≥1 个来源引用 — 格式：[来源 N]
2. 必须承认冲突的来源 — 不要隐藏分歧
3. 区分 直接引用、释义和综合结论
4. 必须标记假设和推测 — 使用阶段 4.4 的标签

---

阶段 6：验证与反思

目标： 在交付输出之前，验证报告确实以诚信回答了原始研究问题。

步骤 6.1 — 目标对齐检查

重新阅读原始研究协议并问：

• 报告是否直接回答了主要问题？（不是不同的问题，不是附近的问题）
• 是否解决了协议中的每个子问题？
• 所有结论是否在约定的范围内？（没有未约定的范围蔓延）
• 如果决策锚点是"我是否应该投资 X"，报告是否为该决策提供了清晰的答案或可操作的框架？

如果任何检查失败，报告不完整，修改或明确注明空白。

步骤 6.2 — 证据完整性检查

• 每个事实主张是否有至少一个来源引用支持？
• 是否为每个主要发现分配了置信度级别？
• 假设和推测是否清楚地标记为这样？（不要"结论包装"，不要把假设写得像事实）
• 是否承认了矛盾或不同意见的来源？
• 是否有任何主张带有"无证据"标签？（如果有，删除或标记为推测）

步骤 6.3 — 推理完整性检查

• 从证据 → 结论的推理链是否成立？还是有逻辑跳跃？
• 所有数值主张是否可追溯到其来源计算？（例如，"市场将在 2030 年达到 X 美元"，哪位分析师，什么方法论？）
• 相关性是否与因果关系区分？
• 如果报告做出预测或预报，是否陈述了底层模型/假设？

步骤 6.4 — 最终置信度声明

以诚实的评估结束：

本报告的置信度： [高 / 中 / 低]

关键不确定性： [如果出现新证据，什么会改变结论]

建议的后续行动： [如果需要更高的置信度该怎么做，例如"委托进行一手调查"、"采访 3 位行业高管"、"购买 Gartner 报告 X"]

---

注意事项

• 来源时效性 ≠ 权威性。 上周的博客文章可能不如 2022 年的同行评审论文可靠。按方法论应用来源质量评分，而非出版日期。
• 研究问题会随着你发现证据而转变。 如果早期发现与前提矛盾，不要强行得出答案。揭示矛盾并让用户重新定向。
• 事实与假设并不总是清晰的。 来源中的推测可能看起来像事实。积极标记：如果它不能独立验证，就是假设。
• "无证据"不是"缺席的证据"。 如果搜索没有返回相关内容，明确说明搜索范围，检查了哪些来源，使用了哪些查询。

反模式

1. 确认偏见/摘樱桃 不要选择性地包括支持预先存在结论的来源而忽略矛盾证据。积极寻找反驳来源。如果找不到，将这种缺席记录为局限性。

2. 回答不同的问题 最常见的失败模式。用户问"市场机会"但得到"技术概述"。坚持锚定协议。如果研究过程中出现新问题，将它们分离到"额外发现"中，而不是让它们重新定向报告。

3. 将假设呈现为事实 永远不要写"公司 X 将进入这个市场"，而证据支持的是"公司 X 的招聘帖子表明他们正在探索这个市场"。差异很重要，标记它。

4. 混淆相关性与因果关系 仅仅因为两个趋势同时发生并不意味着一个导致了另一个。明确说明证据显示的内容与你推断的内容。

5. 忽略来源偏见 每个来源都有视角。供应商的白皮书推广他们的解决方案。做空者的报告强调风险。学术论文可能有资金冲突。描述并披露来源偏见。

6. 从有限样本过度概括 "我们分析了 5 家公司并发现..."与"在整个行业中..."不同。精确说明范围和样本量。外推应始终标记为这样。

7. 跳过问题定义阶段 在没有定义研究问题的情况下直接跳转到网络搜索会导致范围蔓延、浪费精力和缺乏重点的输出。在阶段 1 花费总时间的 10-15%。

8. **生成未经