Research Topic Compiler

产品研究编译器（research-topic-compiler）

中文速查

• 中文名：产品研究 / 证据与决策输入
• 英文稳定名：research-topic-compiler
• 分类：研究学习 / Obsidian 知识编译
• 你可以这样叫我：系统研究这个主题、帮我整理到 Obsidian、做一个深度专题、研究行业最佳实践、概念解读、概念源流、PM 技术评审提问脚本、行业演进看板、把这个大白话拆成研究目标
• 适合：围绕产品问题做多渠道证据收集、竞品与替代方案比较、用户/市场信号、证据矩阵、阶段结论、候选池、研究看板和应用转化；也适合把用户的大白话、模糊主题或 Roadmap 前置想法转成研究目标、研究问题和输出要求
• 默认学习型 HTML：当用户要逐步理解、深入解释、对比自身现状并落到行动时，使用 learning-report-html，不要把研究控制面直接投影成 Dashboard。
• 不适合：创建或评审 Skill；普通新闻搜索或一次性摘要；明确要“选一个 / 给最终推荐 / 排除其他方案”时改用 decision-research

Overview

使用这个 Skill 把一个研究主题编译成可学习、可追溯、可继续扩展、并能按用户画像转化为实际工作判断的 Obsidian Research Project 或聊天内研究报告。

核心原则：

• 先把用户原话转成明确研究目标、研究问题和输出要求，再判断研究深度、渠道和样本量。
• 研究框架不是固定报告目录：先识别 Research Job，分别维护 Evidence/Explanation Framework；V0 只是可修订假设，最终报告必须从证据更新后的 Framework Vn 重新编译。
• 先解析用户画像，再决定解释方式、案例选择、实践任务和应用转化。
• Seed Corpus 是线索和初始假设来源，不默认是权威证据；二手核心 Claim 要追溯原始来源或披露无法追溯的影响。
• Normal Research 和 Application 围绕最高价值证据缺口迭代；每轮只执行一个能降低关键不确定性的 Next Best Evidence Action。
• Research 只拥有证据覆盖、来源、矛盾、置信度和残余 gap；最终推荐、排除逻辑、方案设计和 readiness 属于其他 owner。
• Obsidian 是内部基线和默认沉淀位置，不是唯一研究渠道。
• 外部渠道动态选择，不默认全开；根据主题类型、证据缺口、时效性和可信度要求启用。
• 需要扩源时把 Pre-Research Source Expansion 作为候选发现策略：用公开搜索、垂直 API、RSS、产品/市场目录等渠道寻找能关闭当前 Gap 的来源，再筛选进入正式证据矩阵。
• 结论必须能回到证据矩阵；05_研究报告 是第一阅读入口，02_证据与卡片 是按需深挖层。
• 系统学习不是重型课程仓库；默认保持轻量，只有触发条件满足时才建议独立学习包文件。
• 当研究会影响产品策略、商业化、工作台/连接器设计、企业 adoption 或其他高成本决策时，默认按高门槛应用研究处理，读取 references/applied-business-research-contract.md。
• 轻量概念解构属于本 Skill 的研究模式，不再单独使用独立概念看板 Skill；它适合快速建立概念源流、语义漂移、范式阶段和 PM 决策问题。
• 用户画像只影响解释深度、案例选择、输出结构和实践任务，不覆盖用户当前明确要求。
• 研究必须能转成行动：判断、方案、模板、任务、PRD、Workflow、Eval、Checklist、SOP、路线图或实践练习。
• 用户补充的新渠道可以进入渠道库，但要先判断适用主题、访问条件、证据强度和风险。
• 微信公众号、X、私域社区、付费库等渠道默认只能做公开候选发现；任何登录态读取、客户端转发、发送到 Obsidian 同步号或第三方服务的动作，都需要当前 run 的明确授权和可见确认点。

Input / Context Intake

启动研究前先收集或推断这些上下文；不要问本地文件能发现的信息，只在答案会改变研究范围、访问权限或写回位置时追问：

• 原始意图：用户原话、业务愿望、想产出的材料、隐含的后续动作。
• 研究主题：主题名称、用户要解决的决策或学习目标、是否已有种子资料。
• 预期产物：聊天内报告、Obsidian Research Project、更新已有专题、还是长期雷达。
• 深度约束：用户期望的速度、深度、样本量、是否需要 L4/L5 级外部扩展。
• 内部基线：是否扫描 Obsidian、哪些 Vault/目录可用、是否只读 笔记同步助手。
• 渠道偏好：必须看的渠道、明确排除的渠道、是否需要产品研究、GitHub、官方文档、论文、社区或 X。
• 访问边界：登录、API token、付费报告、私密社区、公司内部资料和引用限制。
• 写回边界：目标目录、命名规则、是否允许新增渠道到 channel-registry.md。
• 用户画像：角色、领域、技术深度、目标类型、输出偏好、应用场景和最终决策需求；先按 User Context Resolution 解析，不要默认每次追问。

默认假设：Obsidian 是内部基线，公开外部渠道可用于补证；封闭、付费、登录或私密渠道必须先取得用户授权。用户补充渠道时，先判断是本次临时使用还是值得进入渠道库；只有用户明确希望复用时才写入 references/channel-registry.md。

Research Goal Framing Gate

当用户输入是大白话、宽泛方向、业务愿望、解法名称、Roadmap/PRD 前置材料想法，或没有明确研究问题与输出要求时，先读 references/research-goal-framing-gate.md。

这个 Gate 的职责是把用户原话转成可执行研究 brief：

• 保留用户原始意图。
• 推断真正研究目标和本次 Research Job，而不是从主题名套用上一次研究的框架。
• 判断目标类型：Concept Lens、Industry Evolution、Application Translation、Product Candidate、Roadmap Input、Learning Pack 或 Research Radar。
• 拆出主研究问题、子问题、out of scope 和证据标准。
• 明确读者、产物形态和研究结果要支持的下一步动作。
• 决定是否需要用户确认；能合理推断时带假设继续。

不要从用户第一句里的名词直接开始搜索。先确认这次研究是为了理解、判断、转译、候选发现、路线图输入、学习沉淀还是持续雷达。

User Context Resolution

生成研究输出前先解析用户上下文。详细字段和追问规则见 references/user-context-standards.md。

优先级：

1. 当前用户消息中的显式要求，例如“我是后端工程师”“给我 PRD 视角”“不要太技术”。
2. 当前项目或目标 Research Project 附近的 user-profile.md。
3. 全局 user-profile.md，例如 Vault 根目录或用户明确指定的长期画像文件。
4. Skill 内置默认画像 references/default-user-profile.md，仅作为本地默认配置。
5. 如果仍缺少会显著影响输出质量的信息，最多问 3-5 个轻量问题。

处理规则：

• 不要每次都询问用户身份；能从当前消息、本地 profile 或默认 profile 推断时直接使用。
• 当前任务指令永远高于长期画像和默认画像。
• 用户画像只影响解释深度、案例选择、输出结构、实践任务和应用建议。
• 用户画像不能改变证据等级、不能绕过访问限制、不能把弱证据升级为稳定结论。
• 如果用户画像未知且主题不复杂，先用通用解释；只有主题复杂且目标不清时再追问。
• 只有当用户要求持久化、当前任务已经写入 Obsidian，或 profile 文件是本次明确产物时，才创建或更新 user-profile.md；否则画像只在本次研究中使用。

Research Modes

按用户目标选择一种主模式，也可以组合使用。先读取 references/mode-selection.md；需要细则再读 references/mode-routing-guide.md。

Product Research / Competitive Evidence

当用户要研究竞品、替代方案、定价、onboarding、公开产品页面、评论、更新日志或行业信号时，使用本 Skill 的 product-research mode：

1. 先把产品决策和比较维度写成 research brief，不把“竞品分析”当成无目标功能清单。
2. 读取 references/product-evidence-channel-guide.md，根据当前 Gap 选择渠道；将产品事实、用户/市场信号、推断和建议分开，记录来源、访问时间、直接性和局限。
3. 需要登录态走查、OAuth、截图、录屏或 Computer Use 时，必须读取 references/browser-walkthrough-boundaries.md，先定义最小取证范围和明确禁止动作。
4. 输出 Evidence Pack、差异矩阵和对产品决策的启发。需要完整简报时使用 references/product-decision-brief-template.md，并运行 scripts/check_product_decision_brief.py <brief.md>。
5. 简报只对 Copy / Adapt / Avoid / Monitor / Validate first 给出证据导向，不替用户做最终候选选择；Top candidates 只是交给 decision-research 的输入。
6. 登录态走查、付费来源、客户资料和外部系统写入仍受当前 run 的授权边界约束。

用户说“选一个”“给最终推荐”“为什么排除其他方案”“基于 Candidate Backlog 下结论”时，转交 decision-research。本 Skill 可以给 Top candidates 或排序表，但它们是决策输入，不是最终决策 authority。

Output Artifact Modes

Research Mode 决定研究方法，Output Artifact Mode 决定交付形态；两者正交选择，不要因为用户要 HTML 就改写研究深度、证据门禁或责任边界。

• 用户明确要求 HTML、网页看板、可视化研究报告或跨职能 Dashboard 时，选择相应 HTML artifact mode。
• 当研究结果需要多角色阅读、证据与结论并列、或直接进入 Roadmap/PRD/评审时，可以建议 research-dashboard-html，但只有用户明确要求或接受建议后才生成文件。
• 当用户说“逐步学习 / 深入理解 / 不要蜻蜓点水 / 对比我的现状 / 最后告诉我怎么改”，默认选择 learning-report-html；它使用连续编辑式正文，证据放脚注、文末或折叠附录。
• concept-dashboard-html 只承载 Concept Lens；一般 Normal Research/Application 使用 research-dashboard-html，读取 references/research-dashboard-output-contract.md。
• learning-report-html 读取 references/learning-report-output-contract.md，并在渲染前通过 references/editorial-projection-gate.md；它不是研究过程报告，也不是 UI mockup。
• Do not generate HTML for chat/Markdown-only requests, ordinary L1/L2 answers, or UI mockup requests unless the user explicitly asks for a research dashboard artifact.
• 输出形态不能覆盖相邻 Skill 边界；用户要求最终选择和排除理由时仍交给 decision-research。

Pre-Research Source Expansion

当当前 Gap 需要外部证据、主题依赖外部生态或用户要求扩源时，读取 references/pre-research-source-expansion.md。它负责 ACQUIRE 阶段的候选发现，不是每次研究固定执行的前置阶段；默认产物是 Candidate Source Table，不把搜索结果直接当结论。登录、付费、私密社区、客户端发送或同步动作都需要当前 run 的明确授权。

Persona-Adaptive Output

按解析出的 role 调整输出重点。角色未知时先用通用解释，不要假设用户是工程师或产品经理；具体字段和追问规则见 references/user-context-standards.md。

Workflow and Mode Routing

1. 捕获用户原话、主题和目标。若输入不够明确，先执行 Research Goal Framing Gate，输出 Research Goal Framing，把大白话转成研究目标、研究问题、输出要求和 out-of-scope。若用户只要求整理 research brief 或明确“先不要研究”，停在 framing 产物。
2. 按 User Context Resolution 解析用户画像，再分别选择研究模式、L1-L5 深度和 Output Artifact Mode。
3. 对需要结构化报告的研究读取 references/research-framework-compilation-contract.md，生成并映射 Explanation/Evidence Framework；再输出 Research Run Plan，明确 scope、Evidence Contract、预算、授权、artifact mode、产物和确认门禁。用户已给合理结构时优先保留；L1/L2 可把计划与 V0 压缩为内部判断。
4. Normal Research 与 Application 执行下面的七步控制面；完整对象与恢复规则必须读取 references/iterative-research-loop.md。
5. Lightweight Concept Lens、Learning Pack、Product Candidate 和 Radar 保持各自 mode-specific 主流程与产物，不把七步控制面强行替换它们。可复用来源质量和证据追溯规则；当它们需要结构化报告时仍使用 Framework Compilation Contract，但不得因此创建不必要的状态文件。

Normal Research / Application Iterative Control Loop

1. FRAME：把目标、Seed Claims 和已有材料转成 Evidence Framework V0；同时从 Research Job 生成 Explanation Framework V0，定义主问题、解释逻辑、节点与 Claim 映射。两者都可修订，Seed 的标题、目录或转述不能替代原始来源身份，也不能成为固定报告目录。
2. IDENTIFY GAP：维护按价值排序的 Gap Ledger，标出未知、冲突、原始来源缺失、实现/独立验证/反例和迁移风险。
3. PLAN NEXT BEST EVIDENCE：每轮只选一个 NBE Action，说明 target Gap、预期信息增益、证据角色、独立性、成本/访问风险和选择理由。
4. ACQUIRE：根据 Gap 动态选择渠道并获取公开或已授权来源。Obsidian 是内部基线；扩源、同行权威比较和开源项目抽样都是按需策略，不是固定清单。
5. EVALUATE：把 Source、Evidence、Claim 分开，记录可定位摘录、直接性、新鲜度、lineage 和局限；伪官方或无法验证出处的材料降级，不进入最高等级核心结论。
6. UPDATE FRAMEWORK：先用 Fill / Refine / Split / Merge / Challenge / Invalidate / Expand / No change 更新 Evidence Framework；再判断 Explanation Framework 是否需要 Add / Split / Merge / Reorder / Reframe / Remove / Challenge / No structural change。两类事件都保留 before、after、evidence 和 rationale；不得静默覆盖或强行调和冲突。
7. CHECK SATURATION：只返回 Continue / Stop / Pause / Escalate 之一。Continue 回到步骤 2；Stop 后综合报告；Pause 写 Checkpoint；Escalate 转用户确认、深度升级或 decision-research。

Depth Trimming

• L1：内部执行一次 ephemeral 压缩循环，只处理一个核心 Claim/Gap；充分权威材料已覆盖时不扩源、不建文件、不向用户暴露控制面术语。
• L2：维护约 3-5 个 Explanation Framework 节点和相应的轻量 Evidence Framework，最多两个 acquisition action；默认不建完整图谱或持久化状态，输出紧凑结论和未解决问题。
• L3：所有 Must Claim 有状态；核心二手 Claim 至少尝试一次原始来源追溯；按 00-05 增量持久化。
• L4：使用完整 Claim/Evidence/Source Graph、Change Log、独立验证、反例和正式饱和门禁。
• L5：首轮建立 L4 基线，后续由 Radar mode 做 delta；记录 No change，自动化仍需用户明确授权。

Unique Terminal Gate

终止时按以下优先级自上而下返回一个状态：blocked-authorization → partial-access → partial-budget → escalated → complete-saturated → complete-fit-for-purpose。命中即停止，不得并列多个终态。

任何 complete-* 都要求：Must Claim 达到当前 Evidence Contract 或明确降级、核心来源已追溯或披露损失、关键矛盾已处理、剩余 Gap 不阻碍用户下一步。complete-saturated 还要求 L4 最近两个不同 lineage 的高质量 NBE 只产生 Fill / No change 且没有新 Must Gap。来源数、搜索结果数、候选池耗尽或文件写完都不能单独证明完成。

Dashboard Projection Gate

research-dashboard-html 是研究状态的投影层，不是绕过研究循环的替代流程。Normal Research/Application 必须先完成适用深度的研究并命中一个 unique terminal status；同时必须存在 evidence-bearing latest Framework、至少一个可定位的 claim-to-evidence link，以及与当前结论对应的 uncertainty/residual Gap，之后才可渲染 dashboard.html 与 summary.md。只有终态、没有这些最低研究对象，不构成可投影状态。

• complete-*：满足上述可投影状态时可以渲染。
• partial-access / partial-budget：默认不渲染；只有用户在限制可见后 explicitly requests a partial Dashboard 或明确接受该交付，且页面显著展示证据缺口、弱结论和不可支持的下一步时才渲染。
• blocked-authorization：缺少授权导致最低可投影状态不成立时不渲染；不得用 Seed 或未授权材料填充页面。
• escalated：默认不渲染，由承接责任的 Skill 或用户决策决定后续产物。

Dashboard 必须从 Framework Vn 投影，并保留它与 Evidence/Source Graph、Framework Change Events、confidence、residual Gap、residual risks 和 next actions 的映射；可视化形式由 Vn 中的阶段、比较、因果、层级、流程、循环或状态关系决定。压缩展示时不得删除影响结论的矛盾、弱证据或未关闭问题，也不得把研究输入包装成最终决策。

Learning Report Projection Gate

当 Artifact Mode 为 learning-report-html 时，先读取 references/editorial-projection-gate.md 和 references/learning-report-output-contract.md。研究循环仍先完成，但读者页面只投影最新 Explanation Framework 的结论 spine、机制、比较、边界、用户转译和行动；Evidence/Source Graph、Change Events、置信度和方法说明进入脚注、文末或折叠审计层。页面不得把 NBE、terminal status、Persona tabs 或证据矩阵当作主叙事。

渲染前必须得到唯一的 ready 编辑投影决定，并逐项通过 Claim、Mechanism、Evidence、Boundary、User implication、Overturn condition 深度测试。至少形成 3-5 个可争辩核心观点、1 条清晰机制链、1 个有意义对照、1 个边界/反例和至少 2 个面向当前用户的有界行动。若只能做概念普及或证据仍会改变结论，回到研究或改用 Dashboard；不要用视觉设计掩盖深度不足。

Learning Report 的静态验收要把 HTML 与 companion summary 一起传给 validator；它会检查自包含资源、内部链接、主叙事中的研究控制术语、折叠审计层、比较/边界/行动语义。发布级改动还必须按 evals/graders/learning-report-rubric.md 做匿名旧新对比，并覆盖 historical regression、transfer、near-boundary negative 与未参与调参的 holdout。

Product Candidate Research 分支步骤

当 Workflow 第 2 步判定为 Product Candidate Research 模式时，在 Research Run Plan 后按以下独立流程继续，不进入 Normal/Application 七步控制面：

1. 在 Research Run Plan 增加决策维度（见 references/product-decision-mode.md）、候选池初始边界和评分权重草案。
2. 读取项目上下文。按 references/project-context-intake.md 获取项目阶段、约束、已有决策和用户优先级。
3. 做内部基线扫描 + 外部发现，聚焦于形成候选列表而非单一结论。
4. 形成 Candidate Backlog。按 references/candidate-backlog-schema.md 的 17 字段 schema 填充每个候选项，通过 Quality Gate 5 项检查。
5. 按用户确认的维度权重评分与排序，输出排序表和关键差异点。
6. 若候选项来自外部体系，按 references/taxonomy-translation.md 转译为项目内部分类。
7. 输出阶段产物：
   • Candidate Backlog（完整表格）
   • Candidate Summary（Top candidates + 理由 + 风险，标注为决策输入）
   • Cross-Session Handoff（按 references/cross-session-handoff.md 格式，供后续会话或 decision-research 继续）
8. 按 references/post-research-exits.md 推荐下一步出口（PRD Input / Starter Scenes / Demo Beachhead / Eval 等），不强制执行。

L5 Automation Handling

L5 表示长期雷达，不等于默认创建自动化。只有用户明确要求创建、开启、设置、定期运行或持续自动更新时，才进入 automation 流程。创建前读取 references/research-radar-loop-contract.md，并说明频率、写入范围、禁止动作和人工确认点。

Research Run Plan

L3+、需要用户确认范围/授权、或用户明确要求研究计划时输出完整模板。L1 直接快答和范围清楚的 L2 可保持内部轻量计划，不要为了展示流程制造重型前置产物。

**Research Run Plan**
- Topic: <研究主题>
- User goal / Research Job: <用户要学会、判断或沉淀什么；这份研究要帮助谁理解、判断或完成什么>
- Framed from raw intent: <yes/no; if yes, summarize interpreted research goal>
- Research mode: <Normal Research / Lightweight Concept Lens / Learning Pack / Application / Radar / Product Candidate>
- Output artifact mode: <chat-brief / research-project-md / concept-dashboard-html / research-dashboard-html / learning-report-html>
- User context: <role, domain, technical_depth, goal_type, output_preference, application_context, decision_need>
- Recommended depth: <L1 / L2 / L3 / L4 / L5, with reason>
- Topic type: <平台能力 / 开源工程 / 产品竞品 / 学术方法 / 政策合规 / 市场趋势 / 其他>
- Core questions / Explanation Framework V0: <controlling question + dominant logic + provisional nodes; user-provided structure if applicable>
- Output requirements: <读者 / 产物 / 必须支持的下一步 / 不做什么>
- Evidence contract: <Must Claim 所需来源角色、直接性、独立性和完成标准>
- Effort budget: <时间 / acquisition action / 成本边界>
- Current highest-value Gap: <Gap + closure criterion，或 none>
- Next Best Evidence: <单一 action + expected information gain + source role + independence + cost/access risk，或 none>
- Channels selected: <仅列为当前 NBE 服务的渠道 + 选择理由>
- Channels skipped: <未启用渠道 + 原因>
- Access needs: <GitHub token / X token / login / paywall / none>
- Obsidian output: <chat-only / new Research Project / update existing project>
- Expected files: <00-05, optional 06-09, only suggest 10-12 when triggered>
- Confirmation needed: <only if L4/L5, closed channels, credentials, or broad writes>

如果用户已经明确要求写入 Obsidian，L1-L3 可以在输出计划后继续执行。L4/L5、封闭渠道、付费资料、需要登录或凭据、自动化持续跟踪、跨多个项目的大范围写入，都要先取得明确确认。若用户明确确认创建 L5 automation，按 L5 Automation Handling 调用 Codex automation。

Channel Selection Rules

默认不是“所有渠道全开”，而是按当前 Gap 所需证据角色、主题类型和访问边界动态选择渠道。读取 references/channel-selection-rubric.md 和 references/channel-registry.md；封闭、付费、登录或私密渠道只在用户授权并说明引用限制后使用。

Obsidian Output Contract

写入 Obsidian 前读取 references/obsidian-output-contract.md，按其中的 00-05 默认结构和按需扩展规则执行。笔记同步助手 是只读来源层；不要移动、删除或覆盖原始同步文章。

Channel Registry Update

用户明确要求长期补录渠道时，读取 references/channel-registry.md，记录适用范围、访问条件、证据强度和风险；临时来源只进入当前研究项目。涉及登录、付费、私密社区或客户数据时，保留授权与引用边界。

Output Format

完成后输出。L1/L2 可压缩为直接答案、来源、置信度/局限和下一步，不强制暴露 Framework、Gap、NBE、Change Event 或终态枚举；下面的完整格式用于 L3+ Normal/Application 或需要交接、暂停和审计的研究：

**Research Result**
- Project/report: <Obsidian path or chat-only>
- Depth used: <L1-L5>
- Research mode: <Normal / Lightweight Concept Lens / Learning Pack / Application / Radar / Product Candidate>
- Output artifact mode: <chat-brief / research-project-md / concept-dashboard-html / research-dashboard-html / learning-report-html>
- Persona adaptation: <role/domain/depth/goal used, or generic>
- Channels used: <channels + each channel's target Gap/evidence role>
- Core conclusions / Explanation Framework: <latest version + controlling question + dominant logic + 3-7 conclusions + material structural changes or justified none>
- Application outputs: <judgment, template, task, PRD/Workflow/Eval/SOP/roadmap, or none>
- Strongest evidence: <top sources>
- Weak or trend evidence: <sources that need caution>
- Added channel candidates: <new registry entries or none>
- Terminal status: <unique terminal status>
- Stop reason: <fit-for-purpose / saturation / access / budget / escalation reason>
- Still uncertain: <evidence gaps>
- Residual risks: <未关闭但不阻断下一步的风险，或受限造成的影响>
- Next actions: <what to read or do next>

Product Candidate Research 输出格式

使用 Product Candidate Research 时，按 references/product-decision-mode.md 和 references/cross-session-handoff.md 输出决策问题、候选数量、Top candidates、差异、评分、置信度、handoff、推荐出口和开放问题；明确它们是决策输入，不是最终推荐。

Core Loop Handoff

需要把证据交给 decision-research，或消费 Decision/Critic 返回的单一证据 gap 时，读取 references/core-loop-research-handoff.md。

• 单点调用在 Evidence Pack 或一个 Research 终态后停止；next_owner 只是建议，不代表自动执行下游。
• Evidence Pack 可以提供决策输入，但不得包含最终选择或替其他 Skill 排除候选。
• Return Request 必须指向一个可研究、可关闭的稳定 gap；只返回 Evidence Delta，不重跑整份研究或改写 Decision。
• handoff 保留唯一 target owner、artifact/version、closure criterion、preserved items、resume point 和 cycle count。
• handoff/chain 不构成外部写入授权；Runtime sync、Skillshare/Multica 发布、钉钉/云效写入不属于 Research/B1 合同。遇到这些动作必须停止，并交给另行明确授权的专业 publisher/operation。
• 同一 gap 完成两轮回流后仍未关闭或缩小时，停止自动回流并进入 Human Gate。

Definition of Done

任务完成必须满足至少一种情况：

• L1 快查：给出直接答案、来源和证据局限。
• Lightweight Concept Lens：给出概念源流、语义演化、范式阶段、PM 决策问题、反模式或概念债务判断；如果生成 HTML，静态验证已通过或明确说明限制。
• HTML artifact：Dashboard 生成 dashboard.html + summary.md；学习型报告生成 report.html + summary.md。两者都使用正确 root marker、运行 scripts/validate_html_artifact.py 并完成桌面与移动端检查。Learning Report 还必须通过编辑投影门、深度 rubric 和证据次级呈现检查；Dashboard 还必须保留唯一终态、证据强度、关键变化、residual Gap/risks 和下一步行动。
• L2：给出主题地图、核心概念、基础案例、来源和下一步阅读。
• L3：Research Project 或聊天报告已覆盖问题清单、证据矩阵、阶段结论和第一阅读入口式 05_研究报告；结构化报告已识别 Research Job、建立 Evidence/Explanation Framework 映射并从通过质量门禁的 Framework Vn 综合，未把示例五问、Seed 目录或上一次报告模板当成通用框架。
• L4：按当前 Gap 和用户目标形成必要的外部渠道研究、行业案例对照、最佳实践或应用模板，能指导方案设计、选型、商业化、企业 adoption、workflow 设计或 PRD 输入；若是高门槛应用研究，还应给出迁移判断、矩阵、风险和分阶段路径。
• L5：形成 watchlist、更新日志、稳定/候选/待验证/废弃结论分层和后续自动化建议；若用户明确确认创建 automation，则调用 Codex cron automation，并保留低风险写入边界与人工确认点。
• Product Candidate Research：候选池通过 Quality Gate（至少 3 个候选项有完整 schema 填充）、评分表输出、Candidate Summary 包含 Top candidates 和风险、Cross-Session Handoff 文件可被后续会话或 decision-research 直接消费。
• Persona-adaptive 输出：关键结论已说明对当前用户画像、业务目标或应用场景的影响。
• Application 输出：至少给出一个可执行动作、模板、实践任务或判断框架，除非用户只要求快查；当研究是高门槛应用研究时，还要包含决策上下文、证据覆盖、迁移判断、判断矩阵、分阶段建议、风险与待验证假设。
• 如果渠道受限，必须说明未使用的渠道、限制原因和对结论可信度的影响。
• Normal Research/Application 只有命中唯一终态门禁后才算完成；00-08 和样本量是按需产物与预算参考，不能替代 Must Claim、关键矛盾、来源追溯和残余 Gap 检查。

Resource Guide

按当前分支加载，不要一次性读取全部 references：

• 研究入口与 Normal/Application：mode-selection.md、mode-routing-guide.md、research-goal-framing-gate.md、research-framework-compilation-contract.md、research-depth-rubric.md、user-context-standards.md、iterative-research-loop.md、applied-business-research-contract.md、source-quality-rules.md、report-writing-standards.md。
• 渠道与写回：pre-research-source-expansion.md、channel-selection-rubric.md、channel-registry.md、obsidian-output-contract.md。
• Concept Lens / HTML：concept-lens-output-contract.md、concept-lens-html-dashboard-template.md、concept-lens-paradigm-framework.md、concept-lens-source-and-factuality.md、concept-lens-design-quality.md；一般研究 Dashboard 使用 research-dashboard-output-contract.md；学习型 HTML 使用 editorial-projection-gate.md、learning-report-output-contract.md 和 assets/semantic-editorial-template.html，均运行 scripts/validate_html_artifact.py。
• Product Candidate：product-decision-mode.md、project-context-intake.md、taxonomy-translation.md、candidate-backlog-schema.md、cross-session-handoff.md、post-research-exits.md。
• Product Research：product-evidence-channel-guide.md；浏览器取证必须读取 browser-walkthrough-boundaries.md；完整简报使用 product-decision-brief-template.md 和 scripts/check_product_decision_brief.py。
• Core Loop：core-loop-research-handoff.md；只有发生跨 Skill handoff 或 return edge 时读取。
• Learning/Radar：learning-pack-standards.md、research-radar-loop-contract.md；回归样例见 evals/evals.json。