Entity research dossier

何时使用

当你即将就某个具体实体（公司 / 人物 / 非营利组织 / 政府机构）做出决策，需要一份能检验你预设判断的调研档案时使用。典型用法是带着假设来：

「我周二要向微软推介。我的假设是他们正把 AI 预算集中到自家 Foundry 平台上。帮我验证或推翻，并给我三条与发现挂钩的对话切入点。」

它的核心差异化在于强制假设检验：每次调用都逼你先暴露假设（见步骤 Q4），档案据此主动找反证，而不是确认你已经相信的东西。产出是可编辑的 Word 文档，含对假设的裁决（成立 / 部分成立 / 被推翻 / 无法定论）。

不该用于：

• 「介绍一下微软」式的通用画像——这种请求应被拒绝或要求补充假设，否则只会得到一份维基百科摘要。
• 同名实体未消歧（有 47 个 John Smith、3 家叫「Atlas」的公司）——必须先拿到唯一标识，否则拒绝开工。
• 用户坚决不肯给任何假设——退一步推一次，仍拒绝则回落到隐式假设并在审计日志中标注。
• Q6 中用户声明排除的敏感话题（医疗、家庭、政治史等）。

步骤

整个流程分 10 个阶段，强调「先逼问、再消歧、后取证」。

阶段 1 — 逼问式访谈（6 个强制问题，一次只问一个，禁止打包）

• Q1 主体身份：要确切名称；公司给官网/LinkedIn URL，人物给 LinkedIn URL 或唯一标识（任职单位+职位）。只给名字则追问第二标识，同名歧义拒绝继续。
• Q2 主体类型：人物 / 公司 / 非营利 / 政府机构 / 其他（其他需一句话描述）。决定后续用哪套信源矩阵。
• Q3 用途：1 销售/合作推介 2 投资尽调 3 收购尽调 4 新闻调查/尽调 5 求职面试准备 6 竞争情报 7 个人核验（约会/招聘/合伙）8 其他。用途决定角度、深度与红旗敏感度。
• Q4 假设 — 强制必答：「你进场时的假设是什么？你已经相信什么、想验证或推翻什么？」这是非通用化的锚点，跳过它技能就退化为维基摘要。用户说「没有」就推回一次：「那就猜一个，给出一个事后可修正的立场。」仍拒绝则回落到隐式假设「我能挖到的最意外的事是什么」并在审计日志标注。
• Q5 深度：5 分钟简报（≤10 次搜索、跳过关系网+声誉环节）或 15 分钟决策级档案（每节深挖）。
• Q6 敏感排除（仅当 Q3 ∈ {新闻调查, 个人核验} 时问）：是否有需排除的敏感内容（医疗、家庭、政治史等）。低敏感用途跳过。

停止条件：Q6（或因依赖跳过更早）之后即提交并进入阶段 2，阶段 2 开始后绝不重开访谈。

阶段 2 — 主体消歧：人物确认 LinkedIn URL 或（雇主+职位+城市）；公司确认域名或（法定名称+注册地）；非营利确认 EIN 或（法定名称+州）；政府机构确认官方 .gov URL。仍有歧义则停下重问 Q1。

阶段 3 — 信源矩阵选择（按 Q2 路由）：

• 人物：LinkedIn、个人网站、Twitter/X（限流，优雅降级）、GitHub（技术人）、Google Scholar（学者）、新闻（WebSearch+WebFetch）、演讲/播客文字稿。
• 公司：官网（about/leadership/news/careers）、SEC EDGAR（免费 API，上市公司 10-K/10-Q/8-K）、Crunchbase 免费层、新闻、GitHub（技术公司）、Glassdoor+Comparably（情绪，被封则降级）、LinkedIn 公司页。
• 非营利：ProPublica Nonprofit Explorer（免费，Form 990）、官网、新闻、GuideStar。
• 政府机构：官方 .gov、新闻、ProPublica（联邦机构）。
• 接入了付费 MCP（Apollo/Pitchbook/SimilarWeb）就用，但在审计日志中标记为 BYOK 来源。

阶段 4 — 假设驱动搜索：每次搜索必须归类为支持证据或反证证据；至少 30% 的搜索预算分配给反证查询（用 scripts/disconfirming_evidence_balance.py 强制校验）。这是档案「决策级」而非「确认偏误」的关键。每次搜索用 citation_tracker.py 记录分类，用 source_tier_classifier.py 给每个结果 URL 打可靠性层级。

阶段 5 — 12 个月活动时间线：默认 12 个月窗口；类别含新闻（并购/入职/离职/产品发布）、融资/财务事件、争议/法律事件、公开表态/战略转向。倒序排列，每条带超链接与层级。

阶段 6 — 关系网 + 声誉信号：关系网取 5-10 条按「与假设相关性」排序（公司=投资人/客户/合作方；人物=联合创始人/顾问/任职/董事会；非营利=资助方/董事会/负责人）。声誉取近 12 个月新闻情绪、公司 Glassdoor（总评分+3 条代表性评价）、人物的同行提及；注明声誉数据噪声大，按层级标注。

阶段 7 — 红旗排查（呈现但不渲染）：诉讼（法庭记录→一级）、监管处罚（SEC/DOJ→一级）、异常人事（90 天内核心人员离职）、财务信号（10-K 的持续经营存疑→一级）、声誉冲击（持续负面报道→二级）。每个红旗都带层级。

阶段 8 — 对话切入点生成：3-5 条与真实发现挂钩的切入点（非通用话术）。每条含：切入点一句话 + 所挂钩的发现（带超链接+层级）+ 可直接套用的措辞（suggested framing）。

阶段 9 — DOCX 生成（9 节）：用 Node.js + docx 库。九节为 1 执行摘要（含假设裁决与三条须知）2 身份事实表（每格带来源与层级悬浮提示）3 假设检验（逐字复述用户假设 + 3-5 条支持证据 + 3-5 条反证证据 + 裁决段）4 12 个月时间线 5 关系网信号 6 声誉信号 7 红旗与隐藏模式 8 对话切入点 9 来源出处与审计日志（每来源列层级、搜索汇总表、三计数+分层计数、失败搜索、BYOK 使用标记）。

阶段 10 — 交付：保存到 <output-dir>/dossier_<entity-slug>_<YYYY-MM-DD>.docx；聊天中回报文件路径 + 假设裁决 + 审计计数 + 分层明细 + 用到的 BYOK MCP；并校验 python scripts/office/validate.py <docx>。

指令

代理诚信规则（来自研究包约定，逐条遵守）：

• 执行纪律：顺序调用搜索，确认上一次返回再发下一次，保持约 1 q/sec 礼貌限速。
• 来源纪律：只引用本次会话工具调用返回的来源。维基百科/训练知识标注 [背景信息——引用前需核实]，不计入主要发现数。
• 三计数追踪：发出查询数 / 收到来源数 / 引用来源数，外加分层明细（一级/二级/三级），呈现在审计日志中。
• 重试策略：失败→等 3 秒→重试一次→记录。连续失败 3 次：停止并告警用户。
• 来源可靠性分层：每条引用标 一级（官方、SEC、法庭记录）/ 二级（主流新闻、行业媒体）/ 三级（博客、论坛）；DOCX 中每个标记旁都显示层级。

DOCX 样式：正文 Arial 12pt，深蓝标题（#1a3a5c），浅蓝表头（#e8f0f8），红色红旗标注，绿色对话切入点标注。

超链接写法（docx 库）：

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

配套脚本：

脚本	作用
scripts/citation_tracker.py	三计数审计 + 支持/反证分类 + 来源分层，会话状态存于 ~/.dossier_sessions/<session>.json
scripts/disconfirming_evidence_balance.py	校验反证查询是否占搜索预算 ≥30%，偏倚时告警
scripts/source_tier_classifier.py	按域名启发式把 URL 归为 一级/二级/三级

示例

通用话术 vs 与发现挂钩的切入点（这是质量分水岭）：

❌ 通用	✅ 挂钩发现
「问问他们的路线图」	「提一下他们近期对 X 的收购——这表明他们在押注 Y 垂直领域。建议措辞：『看到 X 的公告了——这会怎样改变你们在 Y 上的路线图？』」
「问问招聘」	「他们的工程 VP 三周前离职了（LinkedIn）。建议措辞：『我注意到某某离开了——工程线领导层后续怎么安排？』」
「聊聊他们的价值观」	「上周他们更新了定价页（官网）。建议措辞：『看到定价调整了——是什么驱动的？』」

反证预算示例（假设「微软正把 AI 预算集中到 Foundry」）：

• 支持查询：「Microsoft Foundry adoption 2026」「Microsoft AI infrastructure consolidation」
• 反证查询：「Microsoft OpenAI deal renegotiation」「Microsoft AI vendor diversification」「Microsoft third-party model partnerships 2026」

注意事项

错误处理：

• 主体名称歧义 → 拒绝继续，带消歧标识重问 Q1。
• 用户拒绝给假设 → 推回一次；仍拒绝则回落到「最意外的发现」隐式假设并在审计标注。
• 主体几乎没有公开足迹 → 明确说明，建议换名或说明是早期阶段，不要编造。
• LinkedIn 抓取被封 → 审计中记录，回落到 WebSearch，建议用户手动核实。
• SEC EDGAR 失败 → 重试一次，仍失败则记「未取得公开文件」并继续。
• 情绪数据稀少 → 声誉节标「公开信号有限」，不从训练知识臆测。
• 触及 Q6 排除的敏感话题 → 从 DOCX 中剔除，仅在聊天中告知（不写进 DOCX），让用户知道排除已被遵守。
• 连续 3 次工具失败 → 停止、告警、交付已收集内容。
• DOCX 生成失败 → 把原始数据存为 JSON 兜底。

必须拒绝的反模式：没逼问 Q4 假设就出档案；反证证据 <30% 搜索预算；打包问访谈问题；接受歧义主体名；通用对话切入点；渲染/编辑红旗（应分层、不评论）；红旗上漏掉可靠性层级；抓取被封时编造覆盖面；用 BYOK MCP 数据却不在审计标注；纳入 Q6 已排除的敏感话题；不回应反证就给「成立」的确认偏误裁决。

可移植性：需要 WebSearch + WebFetch、装有 docx 包的 Node.js，免费 API 用 bash + curl（SEC EDGAR、GitHub、ProPublica）。BYOK MCP（LinkedIn、Crunchbase、Apollo、Pitchbook、SimilarWeb）为可选增强。在 Claude Code CLI 原生可用。

互见

• references/hypothesis_testing_discipline.md — ≥30% 反证规则 + 决策级 vs 百科式的判定标准
• references/subject_type_source_matrix.md — 人物/公司/非营利/政府的信源矩阵全文
• references/conversation_hook_quality.md — 与发现挂钩的切入点纪律

---

采编自 alirezarezvani/claude-skills（MIT 许可证），原技能 dossier（源规格 megaprompts/12-dossier-megaprompt.md，Path B 直转，假设检验变体）。本条为适配中文「技能大典」的重写版，保留其强制假设检验、≥30% 反证、来源分层与审计、9 节 DOCX 等关键约束。