菜单
全自动生成前沿技术领域的全景图谱。适用于以技术为核心的赛道（如量子计算、核聚变、AI Agent 等），通过双向挖掘（正向追踪学术源头 + 逆向溯源独角兽创始团队）构建学术→开源→商业化的完整脉络。触发词：「技术mapping」「技术全景图」「technology map」「赛道图谱」「前沿技术」「技术路线图」。
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/wanxingai/LightAgent --skill front-tech-map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 | front-tech-map |
| version | 2.1.1 |
| author | Yilin |
| description | 全自动生成前沿技术领域的全景图谱。适用于以技术为核心的赛道（如量子计算、核聚变、AI Agent 等），通过双向挖掘（正向追踪学术源头 + 逆向溯源独角兽创始团队）构建学术→开源→商业化的完整脉络。触发词：「技术mapping」「技术全景图」「technology map」「赛道图谱」「前沿技术」「技术路线图」。 |
全自动生成指定前沿技术领域的技术全景图谱（技术源流 mapping）。通过 7 个阶段的系统性工作流，自动完成环境依赖检查、领域分析、目标发现、师承溯源、剪枝聚类、可视化输出和质量验证。
核心特点：
当用户需要对一个以技术为核心的前沿赛道进行全景式研究时使用：
不适用：已高度成熟的非技术驱动产业。
用户提供一个技术领域关键词："中性原子量子计算" / "LLM Agent 框架" / "核聚变磁约束"
[Topic]_TechMap.svg — Graphviz dot 生成的 SVG 矢量图谱
[Topic]_TechMap_Report.md — 伴随文字报告（节点简介 + 置信度标注 + 溯源统计 + VC 分析结论）
输出路径：[Topic]_TechMap_YYYYMMDD/
节点类型表、边类型表、置信度规则详见 data_schema.md 连接强度三级分层体系详见 connection_strength.md 可视化节点配色/边样式/时间轴/Legend 规范详见 visual_spec.md VC 分析框架（创始人评估 + 技术路线 + 中外对比 + 可追溯性）详见 vc_framework.md
在任何需要执行网页搜索的步骤中，按以下流程选择工具：
[!CAUTION] 严格按照 Phase 0 → 1 → 2 → 3 → 4 → 5 → 6 的顺序执行。每个 Phase 完成后，在内部检查输出质量，再进入下一个 Phase。
目的：检查依赖是否存在，并安装依赖，作为执行所有图谱生成逻辑的前置第一步。
步骤：
dot -V，检查核心工具 Graphviz 是否可用。注意：如果遇到报错，这是正常现象，说明尚未安装。 作为 Agent 保持冷静，切勿报错中断或询问用户处理，而是直接在内置终端自动执行以下安装命令，按以下顺位尝试直到成功：
brew install graphvizpip install graphviz，确保 Python graphviz 库已安装。Phase 0 交付物：能够正常调用相应的依赖包和命令行工具（不会抛出 NotFound 的报错）。
目的：让 LLM 在运行时分析该技术领域的特征，动态生成适配的搜索策略和溯源路径。
步骤：
创建文件夹：创建文件夹 [Topic]_TechMap_YYYYMMDD，用于保存所有中间文件、交付物和最终输出。
领域特征分析：基于 LLM 自身知识，分析以下维度并输出 domain_profile：
{
"domain": "量子计算-中性原子",
"knowledge_carrier": {
"论文": 0.8, "专利": 0.3, "开源代码": 0.1, "产品": 0.05
},
"talent_flow_pattern": "大学PhD → 博后 → 教授创业 or 大厂",
"known_anchor_persons": ["Mikhail Lukin", "Antoine Browaeys", "..."],
"known_anchor_companies": ["QuEra", "Pasqal", "..."],
"china_pattern": "海归教授 + 中科大/清华系"
Phase 1 交付物：domain_profile（领域特征 + 搜索策略 + 锚点列表），保存在 [Topic]_TechMap_YYYYMMDD 文件夹下。
目的：找到赛道的"北极星"节点——海外头部公司、国内创业公司、核心开源项目和学术里程碑。
步骤：
search_templates.company_overseas，筛选估值 >$1B 独角兽或大科技公司标杆项目。search_templates.company_china，筛选融资总额 >1 亿元 或 近两年有公开融资。
knowledge_carrier.开源代码 > 0.3 时）：行业公认的奠基级框架/模型。knowledge_carrier.论文 > 0.3 时）：诺奖/Wolf Prize/国家最高奖获得者必须纳入。Phase 2 交付物：Target 列表（12-25 个高价值节点） + 技术演进时间线，保存在 [Topic]_TechMap_YYYYMMDD 文件夹下。
目的：从全部 Target 出发，向上游挖掘源头人物和师承脉络。溯源深度 2-3 层。
⚠️ 连接强度规则：所有关系必须按 connection_strength.md 分类。只有 Tier 1/2 进入图谱。 核心判定：引用 ≠ 传承。
步骤：
talent_flow_pattern 含"大厂"时）：构建「大厂 Lab → 创业公司」溯源链。Phase 3 交付物：Origin 节点列表 + 关系边 + 孤儿节点清单 + 溯源指标。预期 30-50 个节点，保存在 [Topic]_TechMap_YYYYMMDD 文件夹下。
目的：清洗数据质量，聚合为技术流派。
步骤：
Phase 4 交付物：干净的 graph 数据（nodes + edges + groups + route_notes + timeline），预期 40-60 个节点，保存在 [Topic]_TechMap_YYYYMMDD 文件夹下。
目的：将图数据转化为高质量、结构化的 SVG 矢量图谱。
技术方案：使用 Python graphviz 库 + dot 布局引擎。
[!CAUTION] 必须使用 Graphviz dot 引擎生成 SVG。禁止使用 Obsidian Canvas (.canvas)、NetworkX + PyVis HTML、或任何替代方案。 生成脚本
generate_techmap.py必须使用import graphviz并调用graphviz.Digraph，输出.svg文件。
步骤：
generate_techmap.py，使用 graphviz.Digraph(format='svg', engine='dot')rankdir: TB，dpi: 150，fontname: Microsoft YaHeiPhase 5 交付物：SVG 矢量图谱 + 生成脚本，保存在 [Topic]_TechMap_YYYYMMDD 文件夹下。
目的：生成质量报告，让用户了解图谱的可信度和完整度。
步骤：
生成伴随报告 ([Topic]_TechMap_Report.md)：
溯源验证表 ⚠️（必须包含）：| 人物 | 关系声明 | Source 1 (URL) | Source 2 (URL) | 置信度 | 状态 |
溯源质量统计：溯源完成率 / 多源验证率 / 孤儿率 / 平均置信度
Phase 6 交付物：文字报告（含溯源验证表 + 质量统计），保存在 [Topic]_TechMap_YYYYMMDD 文件夹下。
| 技能 | 用途 | 必需 |
|---|---|---|
| yiyanxuangu MCP | 首选数据源：股票/公司/指数基础信息查询 | ⚠️ 必需 |
| @skill://万行-news | 新闻搜索：最新融资、技术突破、公司动态 | ⚠️ 必需 |
| graphviz (系统+Python库) | Phase 5 唯一出图方案：dot 引擎生成 SVG 矢量图谱 | ⚠️ 必需 |
talent_flow_pattern 应为 "大厂核心团队 → 独立创业" 或 "顶级实验室 → 开源项目 → 创业""大学PhD → 博后/教授 → 创业"锚点验证：用搜索引擎快速验证 2-3 个 anchor，修正偏差。