research

综合研究框架，结合市场情报（公司档案、竞争分析、技术栈发现）与技术评估（框架比较、大模型选择、API 评估）。生成包含置信度评分和可执行建议的结构化报告。

<quick_start> 市场研究：

1. 基本发现：网站、LinkedIn、Google News
2. 技术栈：招聘信息、集成页面
3. 痛点信号：评价、社交媒体提及
4. 决策者：LinkedIn、关于页面

技术研究：

1. 明确：问题、需求、约束
2. 发现：GitHub、HuggingFace、Context7 文档
3. 评估：应用框架检查清单，测试最小示例
4. 决策：自建还是购买，记录理由

**输出：**包含问题、答案、置信度和来源的研究报告 </quick_start>

<success_criteria> 研究成功的标准：

• 明确定义问题并记录约束
• 查阅多个来源（而非仅一个）
• 给出置信度等级（高／中／低）及理由
• 建议具体且可执行
• 比较多个选项时使用决策矩阵
• 技术研究遵守 NO OPENAI 约束
• 记录来源及访问日期 </success_criteria>

<core_content> 综合研究框架，结合市场情报与技术评估。

快速参考

研究类型	输出	使用时机	参考
公司档案	结构化档案	联系前、电话准备	reference/market.md
竞争情报	市场定位、定价	交易策略	reference/market.md
技术栈发现	软件与集成	潜在客户资质评估	reference/market.md
框架评估	功能比较与建议	技术决策	reference/technical.md
大模型比较	成本／能力矩阵	服务提供方选择	reference/technical.md
API 评估	限制、定价、开发者体验	集成规划	reference/technical.md
MCP 发现	可用服务／工具	扩展能力	reference/technical.md

---

第 1 部分：市场研究

公司档案框架

company_profile = {
    # Basics
    'name': str,
    'website': str,
    'industry': str,
    'employee_count': int,
    'revenue_estimate': str,  # "$5-10M", "$10-50M"

    # Operations
    'field_vs_office': {'field': int, 'office': int},
    'service_area': list[str],  # States/regions
    'trades': list[str],  # Electrical, HVAC, Plumbing

    # Technology
    'software_stack': {
        'crm': str,
        'project_mgmt': str,
        'accounting': str,
        'field_service': str,
        'other': list[str]
    },

    # Sales Intel
    'pain_signals': list[str],
    'growth_indicators': list[str],
    'failed_implementations': list[str],
    'decision_makers': list[dict]
}

痛点信号检测

信号	表明	优先级
提及多个系统	集成痛点	HIGH
新闻中出现“快速增长”	扩展挑战	HIGH
近期领导层变动	愿意尝试新供应商	MEDIUM
招聘运营／行政岗位	流程问题	MEDIUM
软件评价差	准备更换	HIGH
没有线上信息	不熟悉技术	LOW

市场研究工作流

Step 1: Basic Discovery
└── Website, LinkedIn, Google News, Glassdoor

Step 2: Tech Stack
└── Job postings, integrations page, case studies

Step 3: Pain Signals
└── Reviews, social mentions, forum posts

Step 4: Decision Makers
└── LinkedIn Sales Nav, company about page

Step 5: Synthesize
└── Generate company profile, score against ICP

竞争定位

为潜在客户研究竞争对手时：

1. What are they using now?
2. How long have they used it?
3. What's broken? (Check reviews, Reddit, forums)
4. What would make them switch?
5. Who else are they evaluating?

---

第 2 部分：技术研究

技术栈约束（Tim 的环境）

constraints:
  llm_providers:
    preferred:
      - anthropic  # Claude - primary
      - google     # Gemini - multimodal
      - openrouter # DeepSeek, Qwen, Yi - cost optimization
    forbidden:
      - openai     # NO OpenAI

  infrastructure:
    compute: runpod_serverless
    database: supabase
    hosting: vercel
    local: ollama  # M1 Mac compatible

  frameworks:
    preferred:
      - langgraph  # Over langchain
      - fastmcp    # For MCP servers
      - pydantic   # Data validation
    avoid:
      - langchain  # Too abstracted
      - autogen    # Complexity

  development:
    machine: m1_mac
    ide: cursor, claude_code
    version_control: github

大模型选择矩阵

用例	首选	备用	每百万 token 成本
复杂推理	Claude Sonnet	Gemini Pro	$3-15
批量处理	DeepSeek V3	Qwen 2.5	$0.14-0.27
代码生成	Claude Sonnet	DeepSeek Coder	$3-15
嵌入	Voyage	Cohere	$0.10-0.13
视觉	Claude/Gemini	Qwen VL	$3-15
本地／私有	Ollama Qwen	Ollama Llama	免费

**成本优化规则：**批量／常规任务使用中国大模型（DeepSeek、Qwen），可节省 90% 以上成本。复杂推理则使用 Claude/Gemini。

框架评估检查清单

## [Framework Name] Evaluation

### Basic Info
- [ ] GitHub stars / activity
- [ ] Last commit date
- [ ] Maintainer reputation
- [ ] License type
- [ ] Documentation quality

### Technical Fit
- [ ] Python 3.11+ compatible
- [ ] M1 Mac compatible
- [ ] Async support
- [ ] Type hints / Pydantic
- [ ] MCP integration possible

### Ecosystem
- [ ] Active Discord/community
- [ ] Stack Overflow presence
- [ ] Tutorial availability
- [ ] Example projects

### Red Flags
- [ ] OpenAI-only
- [ ] Unmaintained (>6 months)
- [ ] Poor documentation
- [ ] Heavy dependencies
- [ ] Vendor lock-in

API 评估模板

api_evaluation:
  name: ""
  provider: ""
  documentation_url: ""

  access:
    auth_method: ""  # API key, OAuth, etc.
    rate_limits:
      requests_per_minute: 0
      tokens_per_minute: 0
    quotas: ""

  pricing:
    model: ""  # per request, per token, subscription
    free_tier: ""
    cost_estimate: ""  # for our use case

  developer_experience:
    sdk_quality: ""  # 1-5
    documentation: ""  # 1-5
    error_messages: ""  # 1-5
    response_time: ""  # ms

  integration:
    existing_mcps: []
    sdk_languages: []
    webhook_support: bool

  verdict: ""  # USE, MAYBE, SKIP
  notes: ""

技术研究工作流

┌─────────────────────────────────────────────┐
│ 1. DEFINE                                    │
│    What problem are we solving?              │
│    What are the requirements?                │
│    What are the constraints?                 │
└─────────────────┬───────────────────────────┘
                  ▼
┌─────────────────────────────────────────────┐
│ 2. DISCOVER                                  │
│    Search GitHub, HuggingFace, blogs         │
│    Check Context7 for docs                   │
│    Review existing tk_projects               │
└─────────────────┬───────────────────────────┘
                  ▼
┌─────────────────────────────────────────────┐
│ 3. EVALUATE                                  │
│    Apply checklist above                     │
│    Test minimal example                      │
│    Check M1 compatibility                    │
└─────────────────┬───────────────────────────┘
                  ▼
┌─────────────────────────────────────────────┐
│ 4. DECIDE                                    │
│    Build vs buy vs skip                      │
│    Document decision rationale               │
│    Update AI_MODEL_SELECTION_GUIDE if LLM    │
└─────────────────────────────────────────────┘

MCP 发现工作流

# When looking for MCP capabilities:

1. Check mcp-server-cookbook first
   └── /Users/tmkipper/Desktop/tk_projects/mcp-server-cookbook/

2. Search official MCP servers
   └── github.com/modelcontextprotocol/servers

3. Search community servers
   └── github.com search: "mcp server" + [capability]

4. Check if FastMCP wrapper exists
   └── Can we build it quickly?

5. Evaluate build vs. use existing
   └── Time to integrate vs. time to build

---

第 3 部分：综合研究输出

研究报告模板

research_report:
  title: ""
  type: ""  # market, technical, hybrid
  date: ""
  researcher: ""

  # Executive Summary
  summary:
    question: ""
    answer: ""
    confidence: ""  # high, medium, low

  # Findings
  market_findings:
    companies_analyzed: []
    competitive_landscape: ""
    market_size: ""
    trends: []

  technical_findings:
    frameworks_evaluated: []
    recommended_stack: {}
    integration_considerations: []
    cost_analysis: {}

  # Recommendations
  recommendations:
    primary: ""
    alternatives: []
    risks: []
    next_steps: []

  # Sources
  sources:
    - type: ""
      url: ""
      date_accessed: ""
      key_findings: []

决策矩阵模板

标准	权重	选项 A	选项 B	选项 C
[标准 1]	25%	/10	/10	/10
[标准 2]	20%	/10	/10	/10
[标准 3]	20%	/10	/10	/10
[标准 4]	20%	/10	/10	/10
[标准 5]	15%	/10	/10	/10
加权总分	100%	/10	/10	/10

---

集成说明

市场调研

• 提供给： dealer-scraper（信息丰富化）、sales-agent（资格评估）
• 数据来源： LinkedIn、Glassdoor、Indeed、G2、Capterra、Google
• 搭配使用： sales-outreach-skill（消息沟通）、opportunity-evaluator-skill（交易评估）

技术调研

• 参考： AI_MODEL_SELECTION_GUIDE.md、runpod-deployment-skill
• 项目： ai-cost-optimizer、mcp-server-cookbook
• 工具： 使用 Context7 MCP 获取文档，使用 HuggingFace MCP 获取模型
• 搭配使用： opportunity-evaluator-skill（自建还是合作的决策）

---

参考文件

市场调研

• reference/market.md - 公司简介、技术栈探索、ICP、竞争分析

技术调研

• reference/technical.md - 框架比较、大模型评估、API 模式、MCP 发现

输出结果侧边文件

最后一步，将内容写入 ~/.claude/skill-analytics/last-outcome-research.json：

{"ts":"[UTC ISO8601]","skill":"research","version":"1.0.0","variant":"default",
 "status":"[success|partial|error]","runtime_ms":[estimated ms from start],
 "metrics":{"sources_consulted":[n],"findings_synthesized":[n],"recommendations":[n]},
 "error":null,"session_id":"[YYYY-MM-DD]"}

如果某些阶段失败但已生成结果，请使用状态 "partial"。只有在未生成任何输出时，才使用 "error"。