Decision research
Skill PANGKAIFENG/ai-product-manager-skills/decision-research
AI product manager skills for Codex/Claude: brainstorming, product research, PRD workflows, requirements review, and planning handoff.
npx -y skills add PANGKAIFENG/ai-product-manager-skills --skill decision-researchAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
One thing to look at
- 3 stars3 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
What its author says it does
Copied from the file, not written here
决策调研 / Decision-Driven Research：当用户面对一个具体决策需要找信息时使用——「有没有现成方案」 「怎么接入 X 平台」「这个技术可行吗」「业界怎么做 Y」「选 A 还是 B」「桌面端应该怎么定位」 「高级版和基础版怎么拉开差异」「这个产品方向对不对」。 核心行为：先框定研究层级和问题类型，再锚定决策问题，枚举竞争假设，主动找反对证据， 用排除逻辑给出有立场的结论。支持技术选型、产品策略、商业判断、竞品定位等所有需要做决定的调研。 可用中文唤起：「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」 「这个产品方向对不对」「我们应该怎么定位」「行业怎么做」。 与 research-topic-compiler 的边界：需要最终选择、推荐、排除理由、置信度和颠覆条件时用这个； 如果目标是长期学习、候选池沉淀或 Research Project，用 research-topic-compiler，再把 Candidate Backlog 交回本 Skill 做最终决策。 不用于：问题还没定义清楚时（先用 ai-collaboration-calibration L4-fuzzy 脑暴）。
SKILL.md
9.4 KB, as published. Nobody here has run it
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。
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。
- 判断输入是问题、现象还是解法，并把它提升成一句
decision_question。 - 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。
- 显式列出当前假设、已知事实、暗知识缺口和停止条件。
- 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
- Frame the decision：完成 Startup Gate，输出 Research Map。
- Enumerate competing hypotheses：至少 2 个互斥假设；不能单假设调研。
- 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。 - 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。
- 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。 - Record user corrections：用户纠偏时按
references/assumption-ledger.md记录旧假设、新 framing 和影响。 - 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。
- 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。
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 - 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：
- 研究层级和类型已通过 R00 框定
- 决策问题已锚定，终止条件已预先定义
- Research Map 已输出
- 竞争假设已枚举（≥2 个）
- 反对证据已主动搜索
- 满足三个终止条件之一
- 输出包含：推荐 + 置信度 + 排除理由 + 颠覆条件
- 所有来源已标注层级（L1-L4）
- 关键判断已标注来源性质（Evidence/Inference/Judgment/Open）
- 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）