Clearailhc 科研头脑风暴 Skill
使用边界
- 适用：调研最早期、尚无具体数据；需探索工艺优化切入点、行业 AI 应用机会、核心矛盾。
- 不适用：企业/财务/行业格局系统预研 →
domain-presearch；工艺参数深挖 →process-presearch；可证伪假设与实验设计 →hypothesis-generation。
ClearAI 工具与路径映射
- 对话引导为主；要点落盘 →
write到lab/knowledge/brainstorm_notes.md - 需联网补充 →
web_search（标注 sources） - 示意图 →
bash+ matplotlib 落盘lab/diagrams/ - 经验回写 →
clear/memory/brainstorming_lessons.md
五阶段工作流
Phase 1：理解上下文
- 行业、产品、工艺环节、现有痛点、数据可得性、约束（预算/时间/合规）
- 示例问题：「当前研究路径最大瓶颈在哪？」「哪些相邻领域已有方法可借鉴？」
Phase 2：发散探索
- 跨域类比：其他学科/领域对同类问题的做法能否迁移？
- 假设反转：「如果瓶颈不在设备而在工艺参数呢？」
- 尺度切换：样本级 / 批次级 / 系统级 / 全局级
- 技术猜想：数字孪生、预测性维护、参数优化、软测量——哪些值得深入？
可参考 references/brainstorming_methods.md（SCAMPER、六顶思考帽等）。
Phase 3：连接归纳
- 归纳主题：能耗、质量、产能、安全、数据治理……
- 标出 2–3 个最值得跟进的调研方向
Phase 4：批判筛选
- 每个方向：需要什么证据？第一步调研动作是什么？
- 与
scientific-critical-thinking衔接：哪些说法目前只是猜测？
Phase 5：沉淀与交接
交付物 lab/knowledge/brainstorm_notes.md：
- 3–5 个候选方向 + 理由
- 建议下一步加载的 Skill（enterprise / process / literature）
- 开放问题列表
原则
- 对话为主，用户至少承担一半思考；避免替用户下定论。
- 可验证性优先于纯发散；「最 radical 想法」需可落到可调研动作。