| name | decision-research |
| description | 决策调研 / Decision-Driven Research：当用户面对一个具体决策需要找信息时使用——「有没有现成方案」 「怎么接入 X 平台」「这个技术可行吗」「业界怎么做 Y」「选 A 还是 B」「桌面端应该怎么定位」 「高级版和基础版怎么拉开差异」「这个产品方向对不对」。 核心行为：先框定研究层级和问题类型，再锚定决策问题，枚举竞争假设，主动找反对证据， 用排除逻辑给出有立场的结论。支持技术选型、产品策略、商业判断、竞品定位等所有需要做决定的调研。 可用中文唤起：「帮我调研」「有没有现成方案」「这个怎么接」「技术上可行吗」「帮我选一个」 「这个产品方向对不对」「我们应该怎么定位」「行业怎么做」。 与 research-topic-compiler 的边界：需要最终选择、推荐、排除理由、置信度和颠覆条件时用这个； 如果目标是长期学习、候选池沉淀或 Research Project，用 research-topic-compiler，再把 Candidate Backlog 交回本 Skill 做最终决策。 不用于：问题还没定义清楚时（先用 ai-collaboration-calibration L4-fuzzy 脑暴）。
|
决策调研 Skill（decision-research）
中文速查
- 中文名：决策调研 / 决策驱动调研
- 英文稳定名：
decision-research
- 分类：研究学习 / 认知与协作
- 你可以这样叫我：
帮我调研、有没有现成方案、这个怎么接、技术上可行吗、帮我选一个、业界怎么做、这个方向对不对、应该怎么定位
- 适合：面对一个具体决策需要找信息——单次、即时、调研完直接进入下一步；也可消费 research-topic-compiler 产出的 Candidate Backlog / Cross-Session Handoff 来给最终推荐
- 不适合：问题还没想清楚（先用 ai-calibration L4-fuzzy 脑暴）；需要系统学习或沉淀知识库（用 research-topic-compiler）
- 与 research-topic-compiler 的一句话区别：调研是为了做一个决定（decision-research）vs 调研是为了建立对某个领域的认知（research-topic-compiler）
核心原则
调研是服务于决策的，不是服务于信息完整性的。
去掉所有图表和术语，剩下的结论能不能让用户敢于立刻做决定？如果不能，问题出在信息太浅，或者决策问题本身还没定义清楚。
调研的骨架：
研究框定 → 决策锚定 → 假设显式化 → 竞争假设枚举 → 反对证据搜索 → 三角收敛 → 有立场结论
Startup Gate
搜索前先完成四件事。详细规则按需读取 references/research-framing-gate.md、references/research-map-template.md 和 references/mode-routing.md。
- 判断输入是问题、现象还是解法，并把它提升成一句
decision_question。
- 判断研究层级和类型：技术选型、平台接入、可行性、产品策略、商业模型、竞品判断或行业格局。
- 显式列出当前假设、已知事实、暗知识缺口和停止条件。
- 输出 Research Map；如果来自
research-topic-compiler 的 Candidate Backlog，先纳入候选、权重和已排除项。
推荐确认句：
你的问题属于 [类型]，层级在 [X]。我理解核心决策是 [Y]。调研结束时需要能判断 [停止条件]。这个理解对吗？
如果问题还没定义清楚，先转 ai-collaboration-calibration。如果目标是长期知识沉淀或候选池，转 research-topic-compiler。
Mode Routing
按问题类型只加载必要资产：
| Mode | Use When | Read |
|---|
technical-selection | 选库、框架、模型、服务或实现路径 | references/modes/technical-selection.md |
platform-integration | 接 API、Bot、平台、SDK、开放能力 | references/modes/platform-integration.md |
product-strategy | 产品定位、用户群、差异化、方向判断 | references/modes/product-strategy.md |
business-model | 定价、版本分层、商业包装、升级触发 | references/modes/business-model.md |
competitive-decision | 竞品证据已经收集完，需要做最终判断 | references/channel-guide.md + references/conclusion-template.md |
当用户明确需要“持续推进一个决策”“保存状态”“下一轮继续”或“更新结论”时读取 references/decision-loop-contract.md。Loop 只围绕同一个 decision_question 迭代；如果目标变成研究知识库，转 research-topic-compiler。
Workflow
- Frame the decision：完成 Startup Gate，输出 Research Map。
- Enumerate competing hypotheses：至少 2 个互斥假设；不能单假设调研。
- Choose channels：按
references/channel-guide.md 选择 3-6 个高价值渠道；动态信息必须实时核验。
- Search for disconfirming evidence：对每个假设构造“如果它错了会出现什么证据”，主动找反例。
- Run scope drift checks：每轮信息收集后按
references/scope-drift-checkpoint.md 判断是否仍在回答 Research Map 的问题。
- Record user corrections：用户纠偏时按
references/assumption-ledger.md 记录旧假设、新 framing 和影响。
- Stop deliberately：满足三角收敛、信息饱和、暗知识缺口、PoC 更便宜或 ROI 熔断时停止。
- Give a position：按
references/conclusion-template.md 输出推荐、置信度、排除理由、前提、颠覆条件和待验证项。
Evidence Rules
- 来源层级：
L1 官方/原始资料，L2 独立研究/可信技术报告，L3 社区主流实现，L4 从业经验/二手摘要。
- 判断性质：
[Evidence]、[Local Context]、[Inference]、[Judgment]、[Open]。
- 置信度高：至少 2 个独立 L1/L2 来源且没有重大反证。
- 置信度中：有 L1/L2 支撑但竞争假设未完全排除。
- 置信度低：主要来自 L3/L4 或核心假设未验证。
- 用户明确要矩阵时可以输出矩阵，但矩阵后仍要给立场。
和其他 Skill 的边界
| ai-calibration (L4-fuzzy) | decision-research | research-topic-compiler | grill-me |
|---|
| 前提 | 问题还没定义 | 问题已定义或可快速框定，需要最终选择 | 需要长期知识沉淀或候选池 | 方案已成形 |
| 时间尺度 | 单次对话 | 单次对话 | 可跨会话 | 单次对话 |
| 输出 | 真实问题陈述 | 最终推荐 + 排除理由 + 颠覆条件 | Research Project / Candidate Backlog / handoff | 决策记录 |
| 终止条件 | Done Signal 三问 | 三角收敛 / 信息饱和 / 暗知识缺口 | 信息饱和 / 用户确认 | 关键分支已探索 |
| 新增覆盖 | — | 消费 RTC 候选池并给最终决策 | 产品决策型候选池、handoff | — |
资源指南
- Decision Research Loop 合约：
references/decision-loop-contract.md
- 模式路由：
references/mode-routing.md
- 技术选型：
references/modes/technical-selection.md
- 平台接入：
references/modes/platform-integration.md
- 产品策略：
references/modes/product-strategy.md
- 商业模型：
references/modes/business-model.md
- 研究框定门：
references/research-framing-gate.md
- Research Map 模板：
references/research-map-template.md
- 自上而下产品研究模式：
references/top-down-product-mode.md
- 纠偏日志：
references/assumption-ledger.md
- 范围漂移检查：
references/scope-drift-checkpoint.md
- 调研规则详述：
references/research-rules.md
- 渠道选择手册：
references/channel-guide.md
- 有立场结论模板：
references/conclusion-template.md
- 输出检查脚本：
scripts/check_decision_report.py
Definition of Done
调研完成需满足：
- 研究层级和类型已通过 R00 框定
- 决策问题已锚定，终止条件已预先定义
- Research Map 已输出
- 竞争假设已枚举（≥2 个）
- 反对证据已主动搜索
- 满足三个终止条件之一
- 输出包含：推荐 + 置信度 + 排除理由 + 颠覆条件
- 所有来源已标注层级（L1-L4）
- 关键判断已标注来源性质（Evidence/Inference/Judgment/Open）
- 如有用户纠偏，Assumption Ledger 已记录
Evaluation
Smoke prompts:
有没有工具能帮我把文字转成结构化任务？微信有没有官方的 Bot API 可以接入？我们要选一个移动端推送方案，有哪些选项？技术上能不能做到实时语音转文字？
Product strategy prompts (应触发 Top-Down Mode):
我们想做一个桌面端 Agent，你帮我调研一下应该怎么做。
期望：先识别为产品形态问题，输出 Research Map，追问产品目标和差异化假设。我们要给服装 ODM 客户做本地款式资产治理，你调研一下方案。
期望：先上提一层——本地款式资产治理是不是更大方向中的一个能力切片。我们想接 Computer Use 到桌面端里，行业上都是怎么做的？
期望：先区分执行能力、授权浏览器、本地工具、人审边界，不把 Computer Use 当目标。高级版和基础版怎么拉开差异？
期望：识别为商业模型问题，从用户价值倒推，不从功能列表开始。
Non-trigger prompts:
帮我想想这个产品的方向对不对。（问题未定义，应用 ai-calibration L4-fuzzy）系统研究一下 AI Agent 的内存机制。（知识沉淀，应用 research-topic-compiler）拷问我的这个技术方案。（方案已成形，应用 grill-me）
