���用 ���度研究 ���究报告 Agent Skill
将 deep 调研结果汇总为小说创作者可直接使用的 Markdown 研究报告，覆盖所有字段，跳过不确定值。报告落盘到项目或题材的 `写作研究/` 目录。
Install
one command, takes just this skill from the repositorynpx skills add https://github.com/lornshrimp/Lorn.NovelWriteSkills --skill 通用-深度研究-研究报告The instruction itself
6 sections, as written by the author<!-- ===== Layer 1: 永久缓存 ===== -->
通用-深度研究-研究报告
触发方式
/research-report
执行流程
Step 1: 定位结果目录
在当前工作目录查找 */outline.yaml，读取 topic、research_domain 和 output_dir 配置。
Step 2: 扫描可选摘要字段
读取所有 JSON 结果，提取适合在目录中显示的字段（数值型、简短指标），例如：
- market_share（市场份额）
- reader_rating（读者评分）
- growth_trend（增长趋势）
- search_heat（搜索热度）
- publication_count（作品数量）
使用 AskUserQuestion 询问用户：
- 目录中除了 item 名称外，还需要显示哪些摘要字段？
- 提供动态选项列表（基于实际 JSON 中存在的字段）
Step 3: 生成 Python 转换脚本
在 {topic}/ 目录下生成 generate_report.py，脚本要求：
- 读取 output_dir 下所有 JSON
- 读取 fields.yaml 获取字段结构
- 覆盖每个 JSON 的所有字段值
- 跳过值包含
[不确定]的字段 - 跳过 uncertain 数组中列出的字段
- 生成 Markdown 报告格式：目录（带锚点跳转+用户选择的摘要字段）+ 详细内容（按字段分类）+ 创作可迁移总结
- 保存到
{topic}/report.md
目录格式要求：
- 必须包含每一个 item
- 每个 item 显示：序号、名称（锚点链接）、用户选择的摘要字段
- 示例：
1. 读者偏好迁移 - 增长趋势: ↑15% | 搜索热度: 高
脚本技术要点（必须遵循）
1. JSON 结构兼容
支持两种 JSON 结构：
- 扁平结构：字段直接在顶层
{"name": "xxx", "market_share": "xxx"} - 嵌套结构：字段在 category 子 dict 中
{"市场数据": {"name": "xxx"}, "内容特征": {...}}
字段查找顺序：顶层 → category 映射 key → 遍历所有嵌套 dict
2. Category 多语言映射
fields.yaml 的 category 名与 JSON 的 key 可能是任意组合（中中、中英、英中、英英）。必须建立双向映射：
CATEGORY_MAPPING = {
"市场数据": ["market_data", "市场数据"],
"内容特征": ["content_features", "内容特征"],
"读者反馈": ["reader_feedback", "读者反馈"],
"专业知识": ["domain_knowledge", "professional_knowledge", "专业知识"],
"人物特征": ["character_traits", "人物特征"],
"场景细节": ["scene_details", "场景细节"],
"技法要素": ["technique_elements", "技法要素"],
"创作可迁移": ["transferable_insights", "创作可迁移"],
}
3. 复杂值格式化
- list of dicts：每个 dict 格式化为一行，用
|分隔 kv - 普通 list：短列表用逗号连接，长列表换行显示
- 嵌套 dict：递归格式化，用分号或换行显示
- 长文本字符串（超过 100 字符）：添加换行符
<br>或使用 blockquote 格式，提高可读性
4. 额外字段收集
收集 JSON 中有但 fields.yaml 中没定义的字段，放入"其他信息"分类。注意过滤：
- 内部字段：
_source_file、uncertain - 嵌套结构顶级 key：
市场数据、内容特征等 uncertain数组：需要逐行显示每个字段名，不要压缩成一行
5. 不确定值跳过
跳过条件：
- 字段值包含
[不确定]字符串 - 字段名在
uncertain数组中 - 字段值为 None 或空字符串
6. 创作可迁移总结（新增，强制）
报告末尾必须生成一个 "创作可用结论与抓手" 部分，将全部研究发现翻译成小说创作者可以直接使用的行动建议：
- 按"可直接用于正文"、"可用于设定/大纲"、"需要进一步研究"三级分类
- 每条建议必须具体到：可以写什么场景、可以怎么用、可以用在什么类型的情节中
- 这是整个研究报告的核心价值产出，不能跳过或敷衍
Step 6: 报告质量自检（检查点3）
报告生成完成后，执行以下自检清单（借鉴 nuwa-skill Phase 4 质量验证方法论）：
## 报告质量自检清单
### 结构完整性
- [ ] 包含 `## 研究课题`
- [ ] 包含 `## 研究方法与来源`
- [ ] 包含 `## 核心发现`（区分核心/参考/待验证三级）
- [ ] 包含 `## 创作可用的结论与抓手`（≥3 条具体建议）
- [ ] 包含 `## 诚实边界`（信息截止日期 + 信息缺口 + 不确定项 + 置信度总评）
- [ ] 包含 `## 信息来源`（区分一手/二手，标注可信度）
### 质量验证（三重验证）
- [ ] 每条"核心发现"有 ≥2 个独立来源支撑？
- [ ] "创作可用的结论与抓手"中的每条建议都具体到"可写什么场景/怎么用/用在哪类情节"？
- [ ] 超过 50% 的核心发现通过"有区分度"验证（不是常识）？
### 诚实边界
- [ ] 明确写了信息截止日期？
- [ ] 列出了所有 `[不确定]` 和 `[待验证]` 条目？
- [ ] 给出了整体置信度总评（高/中/低）及理由？
- [ ] 标注了信息不足的维度？
### 矛盾处理
- [ ] 报告中的矛盾发现已保留（未强行统一）？
- [ ] 矛盾双方都标注了来源类型与可信度？
Step 7: 询问报告落盘路径
使用 AskUserQuestion 询问用户：
- 报告应保存到哪个目录？（建议保存到项目或题材目录的
写作研究/下） - 是否需要同时生成一份精简版（仅含"创作可用结论与抓手"）？
Step 8: 执行脚本
运行 python {topic}/generate_report.py
输出
{topic}/generate_report.py- 转换脚本{topic}/report.md- 完整研究报告{写作研究目录}/{研究域简称}_{课题简述}.md- 最终落盘文件（可选精简版）
Other skills for the same job
different authors, same section of the catalogue
Assists in writing high-quality content by conducting research, adding citations, improving hooks, iterating on outlines, and providing real-time feedback on each section. Transforms your writing process from solo effort to collaborative partnership.
Identifies high-quality leads for your product or service by analyzing your business, searching for target companies, and providing actionable contact strategies. Perfect for sales, business development, and marketing professionals.
Use this skill to query your Google NotebookLM notebooks directly from Claude Code for source-grounded, citation-backed answers from Gemini. Browser automation, library management, persistent auth. Drastically reduced hallucinations through document-only responses.
Efficient database search tool for bioRxiv preprint server. Use this skill when searching for life sciences preprints by keywords, authors, date ranges, or categories, retrieving paper metadata, downloading PDFs, or conducting literature reviews.
Query and analyze scholarly literature using the OpenAlex database. This skill should be used when searching for academic papers, analyzing research trends, finding works by authors or institutions, tracking citations, discovering open access publications, or conducting bibliometric analysis across 240M+ scholarly works. Use for literature searches, research output analysis, citation analysis, and academic database queries.
Access USPTO APIs for patent/trademark searches, examination history (PEDS), assignments, citations, office actions, TSDR, for IP analysis and prior art searches.
Multiagent AI system for scientific research assistance that automates research workflows from data analysis to publication. This skill should be used when generating research ideas from datasets, developing research methodologies, executing computational experiments, performing literature searches, or generating publication-ready papers in LaTeX format. Supports end-to-end research pipelines with customizable agent orchestration.
Automated LLM-driven hypothesis generation and testing on tabular datasets. Use when you want to systematically explore hypotheses about patterns in empirical data (e.g., deception detection, content analysis). Combines literature insights with data-driven hypothesis testing. For manual hypothesis formulation use hypothesis-generation; for creative ideation use scientific-brainstorming.
How to use it
Take lornshrimp/通用-深度研究-研究报告 from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.