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。

本 Skill 拥有最终推荐、排除理由、置信度和颠覆条件，也拥有当前 decision_question 内为选择服务的有界取证与反证搜索；不拥有开放式知识工程，不执行已经通过 Research Return Request 明确交给 Research 的证据 gap，也不拥有方案设计、Critic clearance 或 readiness 审批。

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。

1. 判断输入是问题、现象还是解法，并把它提升成一句 decision_question。
2. 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。
3. 显式列出当前假设、已知事实、暗知识缺口和停止条件。
4. 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

1. Frame the decision：完成 Startup Gate，输出 Research Map。
2. Enumerate competing hypotheses：至少 2 个互斥假设；不能单假设调研。
3. 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。
4. 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。
5. 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。
6. Record user corrections：用户纠偏时按 references/assumption-ledger.md 记录旧假设、新 framing 和影响。
7. 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。
8. 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。

Core Loop Handoff

消费 Research Evidence Pack、精确退回一个证据 gap、把已定决策约束交给 brainstorming，或消费 Critic 的选择标准 gap 时，读取 references/core-loop-decision-handoff.md。

• 单点调用在一个 Decision outcome 后停止；只有用户或调用方已授权串联时才消费下游 handoff。
• Research return 必须同时满足 material、researchable、closable，并包含一个 gap、closure criterion、preserved items、resume point 与 effort budget；否则选择 poc-needed、human-decision-required 或 low-roi-stop。
• Evidence Delta 返回后只恢复原 Decision artifact 的受影响位置，不重开已确认内容。
• 交给 brainstorming 的是版本化 Decision 约束，不替 Maker 创建方案。
• 同一 gap 完成两轮回流后仍未关闭或缩小时，停止自动回流并进入 Human Gate。

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
• Core Loop handoff：references/core-loop-decision-handoff.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：

1. 研究层级和类型已通过 R00 框定
2. 决策问题已锚定，终止条件已预先定义
3. Research Map 已输出
4. 竞争假设已枚举（≥2 个）
5. 反对证据已主动搜索
6. 满足三个终止条件之一
7. 输出包含：推荐 + 置信度 + 排除理由 + 颠覆条件
8. 所有来源已标注层级（L1-L4）
9. 关键判断已标注来源性质（Evidence/Inference/Judgment/Open）
10. 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）