菜单
技术领域深度调研。对任意技术领域进行系统化调研，产出包含概念剖析、行业情报、方案对比、精华整合四个维度的完整报告，并最终整合为一份完整 md 文件。GitHub 数据通过 WebSearch/WebFetch 实时获取。适用于技术选型、领域入门、竞品分析等场景。当用户提到"调研"、"研究"、"了解"某技术领域，或需要对某技术进行全面分析时，使用此 Skill。
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-lab --skill technical-research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。
基于 SOC 职业分类
正在显示 SKILL.md
| name | technical-research |
| description | 技术领域深度调研。对任意技术领域进行系统化调研，产出包含概念剖析、行业情报、方案对比、精华整合四个维度的完整报告，并最终整合为一份完整 md 文件。GitHub 数据通过 WebSearch/WebFetch 实时获取。适用于技术选型、领域入门、竞品分析等场景。当用户提到"调研"、"研究"、"了解"某技术领域，或需要对某技术进行全面分析时，使用此 Skill。 |
对任意技术领域进行结构化、可复现的深度调研，产出四个维度的专业报告和一份精华总结。
调研 {技术领域}
示例：调研 Agent Memory 机制、调研 RAG 技术、调研 向量数据库
一次完整调研包含四个维度 + 最终整合，按依赖关系分为两个层级：
第一层（独立维度，可同时开展）:
├── 概念剖析 —— 技术原理和架构的深度理解
├── 行业情报 —— 最新开源项目、论文、博客的信息收集
└── 方案对比 —— 多种实现方案的横向评估
第二层（依赖第一层的结果）:
├── 精华整合 —— 将三份报告浓缩为可传播的总结
└── 最终整合 —— 将所有内容（三个维度 + 精华整合）合并为一份完整 md 文件
以下逐一定义每个维度的目标、方法和输出规范。
建立对目标技术的深层理解——不仅知道"是什么"，还要理解"为什么这样设计"和"如何实现"。
使用 ASCII 图呈现系统架构，标注各组件的职责和数据流向：
┌──────────────────────────────────────┐
│ {领域} 系统架构 │
├──────────────────────────────────────┤
│ 输入 → [处理层] → [存储层] → [输出层] │
│ ↓ ↓ │
│ [辅助组件] [监控组件] │
└──────────────────────────────────────┘
每个组件附带一句话说明其功能。
用 LaTeX 公式描述核心机制，覆盖以下方面：
公式应当反映技术本质，而非堆砌符号。每个公式附带一行自然语言解释。
class CoreSystem:
"""核心类，体现该领域的关键抽象"""
def __init__(self, config):
self.component_a = ... # 说明职责
self.component_b = ... # 说明职责
def core_operation(self, input):
"""核心操作，体现关键算法逻辑"""
intermediate = self.component_a.process(input)
result = self.component_b.transform(intermediate)
return result
伪代码应当体现架构思想，而非纠缠于实现细节。
| 指标 | 典型目标值 | 测量方式 | 说明 |
|---|---|---|---|
| 延迟 | < X ms | 端到端基准测试 | ... |
| 吞吐 | > Y req/s | 负载测试 | ... |
| 准确率 | > Z% | 标准评测集 | ... |
| ... | ... | ... | ... |
收集该领域最新的开源项目、学术论文和技术博客，建立对当前生态的全景认知。
所有情报数据必须标注来源和日期。使用以下脚本模板进行实时信息采集：
必须使用 WebSearch/WebFetch 工具获取最新 GitHub 数据，不能依赖训练数据中的过时信息。
搜索策略（使用 WebSearch 执行以下查询）：
"{topic} github stars 2025 2026"
"best {topic} open source libraries github"
"awesome {topic} github"
"site:github.com {topic} stars"
对搜索结果中发现的重要项目，使用 WebFetch 访问其 GitHub 页面，获取以下实时数据：
筛选标准：
必须使用 WebSearch/WebFetch 工具获取最新数据 搜索查询模板：
"site:arxiv.org {topic} {current_year-5} {current_year}"
"{topic} NeurIPS OR ICML OR ACL OR AAAI {current_year-5}"
必须使用 WebSearch/WebFetch 工具获取最新数据 搜索查询模板：
"{topic} tutorial best practices {current_year}"
"{topic} medium.com OR dev.to {current_year-5} {current_year}"
| 项目 | Stars | 核心功能 | 技术栈 | 最后更新 | 链接 |
|---|
选择策略（按优先级）：
推荐比例：
| 论文 | 作者/机构 | 年份 | 会议/期刊 | 核心贡献 | 影响力指标 | 链接 |
|---|
选择标准：
英文推荐来源：OpenAI Blog、Google AI Blog、Anthropic Blog、LangChain Blog、个人专家（Eugene Yan、Chip Huyen、Sebastian Raschka 等）
中文推荐来源：大厂技术博客（美团、阿里、字节等）、知乎专栏、机器之心、PaperWeekly ...
| 博客标题 | 作者/来源 | 语言 | 类型 | 核心内容 | 日期 | 链接 |
|---|
按时间顺序列出该领域的关键里程碑事件，标注事件、发起方和影响。
对该领域的主流实现方案进行系统化横向对比，给出可操作的选型建议。
{年份} ─┬─ {技术/事件} → {对行业的影响}
{年份} ─┼─ {技术/事件} → {对行业的影响}
{年份} ─┼─ {技术/事件} → {对行业的影响}
{年份} ─┴─ 当前状态：{一句话总结}
| 方案 | 原理 | 优点（3+） | 缺点（3+） | 适用场景 | 成本量级 |
|---|
每个方案的优缺点至少各列 3 条，避免泛泛而谈。
| 维度 | 方案A | 方案B | 方案C | 方案D | 方案E |
|---|---|---|---|---|---|
| 性能 | |||||
| 易用性 | |||||
| 生态成熟度 | |||||
| 社区活跃度 | |||||
| 学习曲线 |
| 场景 | 推荐方案 | 核心理由 | 预估月成本 |
|---|---|---|---|
| 小型项目/原型验证 | |||
| 中型生产环境 | |||
| 大型分布式系统 |
选型建议应当基于当年最新的技术趋势和生态状况。
将三份维度报告浓缩为可快速传播的精华内容。精华整合依赖前三个维度的输出。
用一个"悖论式等式"概括该领域的核心本质：
$$ \text{领域} = \underbrace{\text{核心组件1}}{\text{功能}} + \underbrace{\text{核心组件2}}{\text{功能}} - \underbrace{\text{核心损耗}}_{\text{说明}} $$
这个公式的目的是帮助读者用一个心智模型记住整个领域。
用费曼技巧写一句话，让非技术背景的人也能理解该领域是做什么的。
输入 → [层1] → [层2] → [层3] → 输出
↓ ↓ ↓
指标1 指标2 指标3
| 部分 | 内容要求 | 字数 |
|---|---|---|
| Situation（背景+痛点） | 行业现状和核心挑战 | 100-150 字 |
| Task（核心问题） | 技术要解决的关键问题和约束 | 80-120 字 |
| Action（主流方案） | 技术演进的关键阶段和核心突破 | 120-180 字 |
| Result（效果+建议） | 当前成果、现存局限、实操建议 | 80-120 字 |
提出 1 个能检验是否真正理解该领域的问题，并给出参考答案。
将所有内容（三个维度报告 + 精华整合）合并为一份完整的 Markdown 文件: ${topic}-research.md。不裁剪内容，完整保留所有部分。
最终输出文件按以下结构组织：
# {topic} 深度调研报告
> 调研日期：{date}
> 调研主题：{topic}
---
## 第一部分：概念剖析
{完整的概念剖析报告内容，原样保留}
---
## 第二部分：行业情报
{完整的行业情报报告内容，原样保留}
---
## 第三部分：方案对比
{完整的方案对比报告内容，原样保留}
---
## 第四部分：精华整合
{完整的精华整合内容，包括 The One 公式、一句话解释、核心架构图、STAR 总结、理解确认问题}
注意事项：
--- 分隔线隔开research/{topic}/
├── 00-索引.md # 文件导航和执行统计
├── 01-完整调研报告.md # 全部维度报告合集
├── 02-The-All-in-One.md # 精华整合
├── 03-STAR-总结.md # STAR 方法论总结
├── {topic}-concept.md # 概念剖析报告
├── {topic}-intel.md # 行业情报报告
├── {topic}-analysis.md # 方案对比报告
└── {topic}-research.md # 【最终整合】包含全部四个部分的完整单文件
对每个文件检验是否存在是否符合整合规范，确保所有内容完整保留，如果内容缺失，需要及时提醒用户并要求重新生成。
research/{topic} 目录存放面向读者的最终产出 + 各维度的原始报告，便于后续引用和增量更新。{topic}-research.md 是最终的一站式完整文件。
版本：4.0 | 类型：知识流程版