菜单
六层研究模型标准Skill - 学术级深度研究的结构化框架： 1. 全局考虑：L1-L6六层全覆盖（范式锚定→情报网格→证据链→多维分析→逻辑架构→迭代优化） 2. 系统考虑：六层研究闭环，每层输出标准化 3. 迭代机制：支持层间回溯和整体优化 4. Skill化：标准接口，可独立调用任意一层 5. 流程自动化：自动执行完整六层流程
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/egbertie/satisficing-institute --skill six-layer-research-model命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
生产级AI会议笔记处理系统。支持多种输入格式，智能提取行动项、责任人、截止时间，自动生成结构化会议纪要和TODO清单。具备准确性自检、局限标注、鲁棒性测试等生产级特性。
A/B测试生成器 - 生成可测试的文案/设计变体： 1. 全局考虑：覆盖标题、CTA、说服角度等测试维度 2. 系统考虑：元素选择→变体生成→测试设计→结果分析闭环 3. 迭代机制：根据测试结果优化变体生成策略 4. Skill化：标准接口，可按维度独立生成 5. 流程自动化：自动生成测试方案和变体
学术级深度研究标准Skill - 满足5个标准： 1. 全局考虑：六层模型全覆盖（范式→情报→证据→多维→逻辑→迭代） 2. 系统考虑：研究设计→执行→验证→报告完整闭环 3. 迭代机制：三轮自我修正循环，持续优化研究质量 4. Skill化：标准SKILL.md格式，可安装可调用 5. 流程自动化：六层检查自动执行，质量门控自动验证
基于 SOC 职业分类
正在显示 SKILL.md
| name | six-layer-research-model |
| version | 1.0.0 |
| description | 六层研究模型标准Skill - 学术级深度研究的结构化框架： 1. 全局考虑：L1-L6六层全覆盖（范式锚定→情报网格→证据链→多维分析→逻辑架构→迭代优化） 2. 系统考虑：六层研究闭环，每层输出标准化 3. 迭代机制：支持层间回溯和整体优化 4. Skill化：标准接口，可独立调用任意一层 5. 流程自动化：自动执行完整六层流程 |
| author | Satisficing Institute |
| tags | ["research","six-layer","academic","methodology"] |
| requires | [{"model":"kimi-coding/k2p5"},{"external":["kimi-search","kimi-fetch"]}] |
| 层级 | 名称 | 核心功能 | 输出物 |
|---|---|---|---|
| L1 | 范式锚定 | 明确研究范式、认识论、方法论 | 范式声明文档 |
| L2 | 情报网格 | 多源信息收集与三角验证 | 情报汇总表 |
| L3 | 证据链锻造 | 可追溯的证据分级与编码 | 证据链图谱 |
| L4 | 多维分析 | 时间/空间/学科/利益/方法论五维 | 多维矩阵 |
| L5 | 逻辑架构 | 钻石模型：Hook→Gap→Question→Significance | 逻辑框架图 |
| L6 | 迭代优化 | 三轮自我修正循环 | 优化报告 |
| 研究类型 | L1-L6侧重 | 特殊要求 |
|---|---|---|
| 学术理论 | 全六层 | 理论贡献声明 |
| 政策研究 | L1-L5 | 利益相关者分析 |
| 技术研究 | L1-L6 | TRL评估 |
| 市场研究 | L2-L4 | 数据真实性分级 |
| 竞品分析 | L2-L5 | 多维度比较框架 |
主题输入 → L1范式锚定 → {检查通过?} → L2情报网格 → {≥3信源?}
↓
L3证据链 → {可追溯?} → L4多维分析 → L5逻辑架构 → L6迭代优化
↓
{三轮修正完成?} → 研究报告 → 质量门控 → {通过?} → 交付
| 检查点 | 检查内容 | 失败处理 |
|---|---|---|
| G1 | 六层完整性 | 返回补充 |
| G2 | 引用溯源性 | 标记待验证 |
| G3 | 逻辑一致性 | 红队挑战 |
| G4 | 数据真实性 | 降级处理 |
| 轮次 | 目标 | 检查点 |
|---|---|---|
| 第一轮 | 信息饱和 | 覆盖度检查 |
| 第二轮 | 逻辑强化 | 因果检查 |
| 第三轮 | 表达精炼 | 可读性检查 |
V1.0.0: 基础六层框架
↓
V1.1.0: 自动化质量门控
↓
V1.2.0: 领域自适应优化
six-layer-research-model/
├── SKILL.md # 本文件
├── _meta.json # 元数据
├── scripts/
│ ├── run_full_research.py # 完整六层研究
│ ├── l1_paradigm.py # L1范式锚定
│ ├── l2_intelligence.py # L2情报网格
│ ├── l3_evidence.py # L3证据链
│ ├── l4_multidimension.py # L4多维分析
│ ├── l5_logic.py # L5逻辑架构
│ └── l6_optimize.py # L6迭代优化
└── rules/
└── research_standards.yaml
from six_layer_research_model import ResearchEngine
engine = ResearchEngine()
# 完整研究
report = engine.conduct_research(topic="合伙人决策方法论")
# 单层执行
l1_result = engine.l1_paradigm(topic)
l2_result = engine.l2_intelligence(topic)
# 从指定层开始
report = engine.conduct_from_layer(topic, start_layer="L3")
| 阶段 | 自动动作 | 输出 |
|---|---|---|
| 主题输入 | 识别研究类型 | 类型标签 |
| L1-L6 | 自动执行六层分析 | 六层报告 |
| 质量检查 | 自动验证5个门控点 | 质量报告 |
| 迭代优化 | 自动执行三轮修正 | 优化报告 |
# 完整六层研究
openclaw skill run six-layer-research-model conduct --topic "合伙人决策"
# 执行指定层
openclaw skill run six-layer-research-model l1 --topic "合伙人决策"
openclaw skill run six-layer-research-model l2 --topic "合伙人决策"
| 标准 | 验证项 | 状态 |
|---|---|---|
| 1. 全局 | 六层全覆盖 + 研究类型适配 | ✅ |
| 2. 系统 | 六层闭环 + 质量门控 | ✅ |
| 3. 迭代 | 三轮修正 + 版本进化 | ✅ |
| 4. Skill化 | 标准目录 + 可调用接口 | ✅ |
| 5. 自动化 | 全自动执行 + 边界清晰 | ✅ |
版本: v1.0.0
来源: academic-deep-research散落机制提取
创建: 2026-03-20