dossier

Dossier — 决策级实体研究

**可移植性：**需要 WebSearch + WebFetch、安装了 docx 包的 Node.js，以及可选的 bash_tool + curl，用于调用免费 API（SEC EDGAR、GitHub、ProPublica）。BYOK MCP（LinkedIn、Crunchbase、Apollo、Pitchbook、SimilarWeb）可作为可选增强。在 Claude Code CLI 中可原生运行。

非通用定位 — 差异化所在

这项技能提供通过假设检验进行决策级实体研究。它拒绝回答“介绍一下 Microsoft”这类问题。每次调用都会要求用户在前置问题（Q4）中先明确自己的假设，以便 dossier 检验假设，而不是确认假设。

适用场景：

“我周二要向 Microsoft 推介。我假设他们正将 AI 支出整合到自有的 Foundry 平台上。请验证或证伪，并根据你的发现给我三个可用于交谈的切入点。”

不适用：

“介绍一下 Microsoft。”

强制性的 Q4——假设问题——是非通用定位的锚点。跳过它，这项技能就只会生成一份维基百科摘要。

规范参见 references/hypothesis_testing_discipline.md。

Agent 完整性规则（Research-Pack 惯例）

根据 PR #657 审计要求，逐字锁定。

• **执行规范。**依次发起搜索调用。WebSearch + WebFetch 的速率限制比 Consensus 宽松，但仍需遵守每秒 1 次查询的规范。确认收到响应后再进行下一次调用。
• **来源规范。**仅引用本次会话工具调用返回的来源。Wikipedia / 训练知识须标记为 [Background — verify before quoting]，且不计入主要发现数量。
• **三项计数跟踪。**已发送的查询数 / 已收到的来源数 / 已引用的来源数。此外还需按级别细分（主要 / 次要 / 第三方），这是 dossier 特有的要求。须在审计日志中呈现。
• **重试策略。**发生故障 → 等待 3s → 重试一次 → 记录日志。连续失败 3 次后：停止并提醒用户。
• **来源可靠性级别。**每条引文都须标注主要（官方、SEC、法院记录）/ 次要（主流新闻、行业媒体）/ 第三方（博客、论坛）。DOCX 中每条标记都须显示级别。

第 1 阶段：深入提问式信息收集（6 个强制问题，逐个提问）

Q1（根问题）— 主体身份

研究对象是谁？请提供准确名称；如果是公司，请提供其网站或 LinkedIn URL。如果是个人，请提供其 LinkedIn URL 或唯一标识（公司关联关系 + 职务）。

我为什么要问： 消除歧义。John Smith 有 47 位。名为 “Atlas” 的公司有 3 家。我需要明确的实体作为研究对象。

如果用户只提供了名称，需继续追问第二个标识。名称含糊不清时拒绝继续。

Q2（取决于 Q1）— 主体类型

这是什么类型的主体？请选择一项：个人 / 公司 / 非营利组织 / 政府机构 / 其他。

我为什么要问： 不同类型的主体适用不同的来源矩阵。对于个人，我会查 LinkedIn、GitHub、Scholar 和新闻；对于公司，我会查 SEC EDGAR（如果是上市公司）、Crunchbase、新闻，以及科技公司的 GitHub；对于非营利组织，我会在 ProPublica 上查 Form 990。

必须选择一项。“其他”须附上一句话说明。

Q3（取决于 Q2）— 目的

你在为哪种场景做准备？请选择一项：

1. 销售会议 / 合作推介
2. 投资尽调
3. 收购尽调
4. 新闻报道 / 尽职调查
5. 求职面试准备
6. 竞争情报
7. 个人背景核查（约会对象、雇员、商业伙伴）
8. 其他（请说明）

我为什么要问： 目的决定研究角度、深度和对风险信号的敏感度。销售准备需要对话切入点。投资尽调需要增长信号。个人背景核查则需要谨慎把握敏感度边界。

Q4（依赖 Q3）— 假设 — 必填

开始调查前，你有什么假设？你对这个主题已有何看法？希望验证或证伪什么？

提问原因： 这是关键问题。如果一份资料只证实你已有的看法，那就毫无价值。先说明你的假设，我就能同时搜寻可能证伪它的证据和支持它的证据，并给出真正能帮你做决定的结论。

示例：

• “我认为 Microsoft 正在把 AI 支出集中到自有的 Foundry 上。请验证或证伪。”
• “我觉得这位 CEO 能力不足——只会大谈 TAM，却没有实际进展。请检验这一点。”
• “我认为这家非营利组织的管理费用占比有问题。请查看 990 表格。”
• “我认为此人的技术能力足以胜任 CTO。请验证。”

必填。 如果用户说“我没有假设”，请反问一次：“那就猜一个。先表明立场，之后可以再调整。资料需要一个待检验的假设，否则就只是一份泛泛的人物简介，无法帮你做决定。”

如果用户仍然拒绝：退而采用隐含假设“我可能发现的最令人意外的事情是什么？”，并在审计日志中标明这是退而求其次的方案。

这个问题是非泛泛调查的核心锚点。跳过它，这项技能就会变成维基百科摘要。

Q5（依赖 Q3）— 深度

时间投入：5 分钟简报，还是 15 分钟、可用于决策的深度资料？

提问原因： 简报模式最多进行约 10 次搜索，并跳过人脉网络和声誉调查。决策级调查会深入研究每个部分。请根据这项决定对你的利害程度进行选择。

必须二选一。

Q6（仅在 Q3 ∈ {新闻调查，个人审查} 时询问）— 敏感信息

有没有需要排除的敏感内容？例如个人医疗信息、家庭详情、政治经历，或特定禁区？

提问原因： 有些调查场景有伦理限制。我宁愿事先了解，也不愿搜出你绝不会分享的内容。

销售／投资／收购／竞争情报场景下跳过（敏感度低）；新闻调查／个人审查场景下询问（敏感度高）。

停止条件： 完成 Q6 后（或因依赖项跳过而提前结束时），确认信息并开始第 2 阶段。第 2 阶段开始后，绝不重新开启信息收集。

第 2 阶段：明确调查对象

进入第 3 阶段前，将调查对象确认为具体实体：

• 对于个人：确认 LinkedIn URL，或（雇主 + 职位 + 城市）
• 对于公司：确认域名，或（法定名称 + 注册司法管辖区）
• 对于非营利组织：确认 EIN，或（法定名称 + 州）
• 对于政府组织：确认官方 .gov URL

如果在 Q1 追问后仍无法消除歧义：暂停并重新询问 Q1，要求提供可用于消除歧义的标识信息。拒绝继续。

第 3 阶段：选择信息源矩阵

根据 Q2 中的调查对象类型进行路由。完整准则见 references/subject_type_source_matrix.md。

个人

• LinkedIn（手动获取，或在 BYOK 的情况下使用 LinkedIn MCP）
• 个人网站
• Twitter/X（受速率限制；遇到问题时灵活调整）
• GitHub（如果调查对象从事技术工作）
• Google Scholar（如果是学术界人士）
• 新闻（WebSearch + WebFetch）
• 会议演讲文字稿、播客（WebSearch）

公司

• 官方网站（关于、领导团队、新闻、招聘）
• SEC EDGAR（免费 API；上市公司的 10-K、10-Q、8-K）
• Crunchbase 免费版（或在 BYOK 的情况下使用 Crunchbase MCP）
• 新闻（WebSearch + WebFetch）
• GitHub（科技组织）
• Glassdoor + Comparably（舆情；如果抓取受阻，则灵活调整）
• LinkedIn 公司主页

非营利组织

• ProPublica Nonprofit Explorer（免费；Form 990）
• 官方网站
• 新闻
• GuideStar（如可访问）

政府组织

• 官方 .gov 网站
• 新闻
• ProPublica（联邦机构）

如果已连接付费 MCP（Apollo、Pitchbook、SimilarWeb），请使用，但须在审计日志中将调查结果标记为通过 BYOK 获取。

阶段 4：假设驱动的搜索

每次阶段 4 搜索都 MUST 归类为以下两种之一：

• 支持性证据（证实假设），或
• 反证（可推翻假设）

**≥30% 的搜索预算分配给反证查询。**通过 scripts/disconfirming_evidence_balance.py 强制执行。

假设“Microsoft 正在将 AI 支出集中到 Foundry”时的示例：

• 支持性：“Microsoft Foundry adoption 2026”、“Microsoft AI infrastructure consolidation”
• 反证：“Microsoft OpenAI deal renegotiation”、“Microsoft AI vendor diversification”、“Microsoft third-party model partnerships 2026”

这正是让档案达到决策级、而非陷入确认偏误的关键。

每次搜索都要：

• 通过 citation_tracker.py 记录，并注明分类（支持性 / 反证）
• 使用 source_tier_classifier.py 为每个结果 URL 标注来源层级

阶段 5：12 个月活动时间线

活动时间线默认采用 12 个月窗口；对于奠定身份基础的信息，则追溯更久。

类别：

• 新闻（收购、聘用、离职、产品发布）
• 融资轮次 / 财务事件
• 争议 / 法律事件
• 公开声明 / 战略转变

按时间倒序排列。每条都添加超链接并标注层级。

阶段 6：关系网络与声誉信号

关系网络

• **公司：**投资方（投出 / 获投）、具名客户、合作伙伴
• **人员：**联合创始人、顾问、导师、雇主、董事会职务
• **非营利组织：**资助方、董事会、领导层

列出 5–10 条，并按与假设的相关性排序。

声誉

• 新闻报道中的情绪倾向（最近 12 个月）
• 公司在 Glassdoor 上的评价（总体评分 + 3 条代表性评论）
• 人们受到同行提及的情况
• 注意：声誉数据噪声较大；应据此标注层级

阶段 7：红旗核查

指出问题，但不要危言耸听：

• 诉讼（法院记录 → 一级来源）
• 监管行动（SEC、DOJ、机构行动 → 一级来源）
• 异常离职（关键人员在 90 天内离职）
• 财务信号（10-K 中的持续经营说明 → 一级来源）
• 声誉受损（持续的负面报道 → 二级来源）

**每项红旗都要标注层级。**DOCX 中每项红旗旁都要显示层级。

阶段 8：生成对话切入点

提供 3–5 个与实际发现相关的具体切入点，而非泛泛而谈。

规范请参阅 references/conversation_hook_quality.md。

❌ 泛泛而谈	✅ 与发现相关
“问问他们的路线图”	“提及他们近期收购了 [X]——这表明他们正在投资垂直领域 Y。建议说法：‘看到 [X] 的公告了——这会如何改变你们在 Y 方面的路线图？’”
“问问招聘情况”	“他们的工程副总裁 3 周前离职了（LinkedIn）。建议说法：‘我注意到 [name] 离开了——工程领导层有什么计划？’”
“谈谈他们的价值观”	“他们上周更新了定价页面（其官方网站）。建议说法：‘看到定价更新了——是什么促成了这次调整？’”

每个切入点包括：

• 切入点（一句话）
• 关联的发现（带超链接 + 层级）
• 建议说法（用户可直接调整使用的原话）

第 9 阶段：生成 DOCX（9 个部分）

通过 Node.js + docx 库生成。

1. 执行摘要 — 一段话：介绍对象是谁、为何重要、对假设的判断（SUPPORTED / PARTIALLY SUPPORTED / DISPROVEN / INCONCLUSIVE），以及 3 条须知要点。
2. 身份事实表 — 创立／出生时间、所在地、规模／阶段、当前职位、重要关联。所有单元格均须注明来源；悬停文本中标注来源层级。
3. 假设检验 — 原文陈述用户的假设。支持证据（3-5 条，附带超链接引用）。反驳证据（3-5 条，附带超链接引用）。判断段落（2-3 句话，说明证据权重）。
4. 过去 12 个月活动时间线 — 新闻、融资、招聘、离职、产品发布、争议事件。按时间倒序排列。每条均附超链接。
5. 人脉网络信号 — 合作者／投资者／关联人士。列出 5-10 项，按与假设的相关性排序。
6. 声誉信号 — 新闻中的情绪倾向、公司的 Glassdoor 评价、同行对个人的提及。注意：声誉数据可能存在噪声。
7. 风险点 + 隐藏模式 — 诉讼、监管行动、异常离职、财务信号、声誉受损事件。按层级分类。
8. 对话切入点 — 3-5 个与研究发现相关的具体切入点。每项包含：切入点 + 发现 + 建议的表达方式。
9. 来源溯源 + 审计日志 — 按来源列出清单并标注层级。搜索摘要表（#、查询、分类、返回的来源、引用的来源）。三项计数 + 各层级计数。失败的搜索。BYOK-MCP 使用标记。

样式

正文使用 Arial 12pt，标题使用海军蓝（#1a3a5c），表格标题行使用浅蓝色（#e8f0f8），风险提示框使用红色，对话切入点提示框使用绿色。

超链接格式

new ExternalHyperlink({
  link: "https://...",
  children: [new TextRun({ text: title, style: "Hyperlink" })],
});

第 10 阶段：交付

• 保存至：<output-dir>/dossier_<entity-slug>_<YYYY-MM-DD>.docx
• 聊天摘要：文件路径 + 对假设的判断 + 审计计数 + 层级细分 + 使用的 BYOK MCP（如有）
• 验证：使用 python3 -c "import zipfile,sys; zipfile.ZipFile(sys.argv[1]).testzip()" <docx> 检查 zip 完整性（无输出 = 完整），然后确认所有必需部分均已包含

工具

脚本	作用
scripts/citation_tracker.py	三项计数审计 + 支持／反驳分类 + 在 ~/.dossier_sessions/<session>.json 中标注来源层级
scripts/disconfirming_evidence_balance.py	验证 ≥30% 的搜索预算分配给反驳性查询；如果存在偏见则发出警告
scripts/source_tier_classifier.py	通过域名启发式规则将 URL 分类为一手／二手／三手来源

参考资料

• references/hypothesis_testing_discipline.md — ≥30% 规则 + 决策级与百科全书式来源（7+ 个来源）
• references/subject_type_source_matrix.md — 个人／公司／非营利组织／政府来源矩阵（7+ 个来源）
• references/conversation_hook_quality.md — 与发现相关的切入点规范（7+ 个来源）

错误处理

失败情况	处理方式
对象姓名有歧义	拒绝继续。重新询问 Q1，并要求提供可消除歧义的标识信息。
用户拒绝陈述假设	反问一次。如果仍拒绝，则退而采用“我能找到的最令人惊讶的事情是什么？”作为隐含假设。并在审计中标注。
对象没有任何公开信息	明确指出。建议更换姓名或考虑其处于早期阶段。不要编造。
LinkedIn 抓取受阻	在审计中注明；改用 WebSearch；建议用户手动核实。
SEC EDGAR 失败	重试一次。如果仍失败，注明“未检索到公开申报文件”，然后继续。
情绪倾向数据稀少	将声誉部分标记为“公开信号有限”；不要根据训练数据推断。
出现敏感话题（Q6 排除项）	从 DOCX 中排除。在聊天中注明（不写入 DOCX），让用户知道已按要求排除。
连续 3 次工具调用失败	停止，提醒用户，并分享目前收集到的内容。
DOCX 生成失败	将原始数据保存为 JSON 备用文件。

应拒绝的反模式

• 未强制提出 Q4 假设便生成档案
• 分配给反证的搜索预算不到 30%
• 批量提出背景信息问题
• 接受含糊的对象名称
• 使用泛泛的对话切入点（“问问他们的路线图”）
• 渲染警示信号（应分级，而非妄加评论）
• 忽略警示信号的来源可靠性等级
• 在 LinkedIn 或抓取受阻时伪造覆盖范围
• 使用 BYOK-MCP 数据却未在审计日志中标记
• 纳入用户在 Q6 中排除的敏感话题
• 得出带有确认偏见的结论（未认真考量反证就判定为“SUPPORTED”）

---

版本： 1.0.0 源规范： megaprompts/12-dossier-megaprompt.md（维护者本地的草案规范——已被 gitignore，不在公共仓库中） 构建模式： 路径 B（直接转换）。研究包同类方案，假设检验变体。