English · 中文
AI Research Detective 是一套面向研究材料的 Claude Code skills：把访谈、问卷、用户反馈、舆情、文献和竞品资料转成可追溯的研究结论、证据链和报告。
它的核心不是“总结材料”，而是用**侦探方法论（Detective Method）**系统寻找盲区、矛盾、低频高强度信号和反证，让研究判断既有洞察，也有证据边界。
本仓库是一个 Claude Code plugin：Claude Code 的扩展机制，把多个协作的 skill 打包成可安装的研究工具箱。
研究员最大的瓶颈不是方法论——访谈分析、问卷统计、竞品对比这些方法已经很成熟。瓶颈是执行方法的人：
| 人的认知局限 | 后果 |
|---|---|
| 记忆衰退 | 读到第 15 份时已忘了第 3 份的细节 |
| 确认偏误 | 忽略不符合预期的异常信号 |
| 模式识别天花板 | 无法处理 20 份材料的 N×N 交叉关联 |
| 频率估计不准 | "感觉有几个人提到过"的直觉很不可靠 |
侦探方法论保留传统研究方法，在它们之上增加元分析层。五个"侦探动作"系统性地弥补这些盲区。
适合用于：
- 有多源研究材料：访谈、问卷开放题、用户反馈、舆情、文献、竞品资料等。
- 需要形成可用于产品、设计、战略或对外汇报的研究结论。
- 担心普通 AI 总结漏掉少数派信号、矛盾证据、样本边界或反例。
- 资料会持续新增，需要后续复用、追溯和增量分析。
不适合用于：
- 只想快速读 1-3 份材料并随口聊聊。
- 没有研究问题，只想让 AI 自由发挥。
- 只需要润色已有报告，或只做格式调整。
本工具不是把访谈、问卷、舆情、反馈、文献或竞品材料交给 AI 做通用总结，而是把研究过程拆成可检查的侦探机制：
| 创新点 | 解决什么问题 | 显性产物 / 机制 |
|---|---|---|
| 侦探方法论 | 普通主题总结容易漏掉盲区、矛盾和异常值 | 五个侦探动作 + 侦探备忘录 |
| 26 个工具箱 | 不同课题需要不同分析框架，不能一套模板打天下 | 分析前先选工具，记录 process/0_method_selection.md |
| LLM_wiki | 大量资料无法每次重读，也难以追踪判断演化 | 可持续生长的 markdown wiki |
| 对抗审查闭环 | 结论听起来合理，但可能被反证推翻 | reviewer 找反证 → detective 修正 → wiki 回写 |
| 证据链图谱 | 结论和证据之间经常断裂 | 每个核心结论保留支持、反对、置信度和边界 |
| AI 接力包 | 下游 AI 容易误用研究结论或越界外推 | 带 ID、负面清单、未解决问题的结构化交接包 |
五个侦探动作是正式分析的最小闭环：
| 侦探动作 | 作用 |
|---|---|
| 全量记忆编码 | 防止读到后面忘了前面，保留跨材料对照基础 |
| 盲区扫描 | 找没人提、低频但高风险、应出现却缺失的信号 |
| 全局关联发现 | 找跨材料、跨人群、跨数据源的隐藏联系 |
| 矛盾审计 | 找口头 vs 行为、来源之间、结论与证据之间的冲突 |
| 证据链追溯 | 给每个结论标支持证据、反面证据、置信度和边界 |
在一个 250 份级别用户访谈 + 问卷的真实项目中验证过。案例已脱敏，原始数据未发布——下列是说明性发现，不是可独立复现的 benchmark：
- 语境修正：某项功能被高频提及，但绝大多数提及出现在隐私恐惧语境下。只看频率会得出错误结论
- 矛盾审计：自称"没有底线"的用户与同时表达隐私顾虑的用户高度重叠，真正无顾虑的人极少。直觉的人群划分与证据交叉后并不成立
这两类发现正是侦探方法论想解决的问题（语境塌陷、矛盾选择性忽略）。
三个 skill 协作：
原始资料
↓
research-archivist
→ wiki 知识库：主题、引用、矛盾、统计、未归类观察
↓
research-detective
→ 研究简报 / 深度分析报告 / 证据链图谱 / 侦探备忘录
→ 可选：AI 接力包（给下游 AI）
↓
research-reviewer（可选）
→ 反证审查与结论修正
- research-archivist：把原始资料增量入库为结构化 wiki 知识库（LLM_wiki 方法论：让分析直接在"编译好的知识"上工作，而不是每次重读原文；wiki 随每次分析持续生长）。少量一次性材料可跳过 wiki；资料会持续新增、需要复用或需要严格追溯时，建议先入库。
- research-detective：在 wiki（或
data/）上执行五个侦探动作——全量记忆编码、盲区扫描、全局关联发现、矛盾审计、证据链追溯。产出二选一：① 研究简报 + 证据链图谱（可选 AI 接力包）；② 深度分析报告 + 侦探备忘录 + 证据链图谱（可选 AI 接力包）。 - research-reviewer：对深度分析报告做对抗性验证，按"推翻则报告失效"的标准筛核心结论，判定 confirmed / weakened / challenged，detective 据此修订。
在 Claude Code 里把本仓库添加为 marketplace，再从该 marketplace 安装 plugin（本仓库同时充当 marketplace 和 plugin）：
/plugin marketplace add myfmarco-arch/ai-research-detective
/plugin install ai-research-detective@ai-research-detective
@ai-research-detective是 marketplace 名，格式<plugin>@<marketplace>。也支持本地路径：
/plugin marketplace add /path/to/ai-research-detective。后续更新：
/plugin marketplace update ai-research-detective。
本地开发可直接软链接：
ln -s "$(pwd)" ~/.claude/plugins/ai-research-detective安装后，三个 skill 会被 Claude Code 自动发现，通过描述匹配触发——"帮我把访谈/问卷/舆情入库"激活 archivist、"分析一下用户反馈和问卷"激活 detective、"审查这份报告"激活 reviewer。也可显式说 加载 research-detective skill 强制加载。
项目级
CLAUDE.md（简洁操作原则与研究规则）由各 skill 在冷启动时引导配置：Claude 会先说明将从 plugin 内shared/CLAUDE.md复制或追加到研究项目根，得到用户确认后再写入。
cd ~/my-research
claude把资料放在当前目录或 data/ 子目录，然后说：
帮我把访谈、问卷和舆情资料入库到 wiki
archivist 会自动激活，逐份阅读资料，建出 wiki/。后续新资料：有新的问卷数据，帮我更新 wiki——走增量更新。
入库完成后：
用 research-detective 分析 wiki 里的数据
或者带具体问题：
加载 research-detective skill，分析用户对隐私的真实态度
detective 检测到 wiki/ 后跳过证据采集，直接做侦探分析。
报告产出后：
用 research-reviewer 审查这份报告
reviewer 主动搜反面证据，产出 outputs/review.md，然后让 detective 修正：根据 review.md 的审查结果修改报告。
少量一次性材料可以跳过入库：帮我分析 data/ 里的访谈、问卷和用户反馈——detective 会自己做证据采集和分析。资料会持续新增、需要复用或需要严格追溯时，建议先走 wiki 模式。
| 资料类型 | 示例 | 处理方式 |
|---|---|---|
| 定性材料 | 访谈、可用性测试、开放题、客服记录 | 逐份阅读，提取观察、引用、痛点、矛盾和情绪强度 |
| 定量材料 | 问卷、评分、行为 CSV | 统计分布、分群差异、交叉验证 |
| 公开信号 | 舆情、评论、社媒、论坛 | 聚合模式，标注来源、时效和样本边界 |
| 文献与理论 | 论文、行业报告、理论文章 | 提取解释框架和可验证预测 |
| 竞品资料 | 功能对比、竞品反馈、市场资料 | 提取能力矩阵、行业基线和差异化 |
下面四节按价值优先级排列，描述本工具的核心设计选择。
archivist 会把原始资料编译成 markdown wiki：主题页、引用库、矛盾记录、统计、未归类观察、文献框架和竞品基准。后续分析直接在这份“已编译知识”上工作，不需要每次从头重读原文。
关键设计：
- 持续生长：每次 detective 分析和 reviewer 审查产生的新主题、新矛盾、新关联、新反例都会追加回 wiki。
- 事实 / 解读分栏：一手资料引用和 AI 分析增量严格分开，读者能看清哪些是原始证据，哪些是后续判断。
- 只追加不覆盖：即使发现旧判断错了，也保留原记录并追加修正，方便复盘判断如何演化。
- 覆盖深度可查：入库后用
verify_quotes.py查引用真实性，用lint_source_coverage.py查逐份资料是否只浅摘了几个亮点。
格式契约见 contracts/wiki_format.md，回写规则见 contracts/analysis_writeback.md。
正式分析前，detective 会先判断课题类型，再从工具箱选择方法组合，并记录到 process/0_method_selection.md。这让“用了什么方法、为什么不用其他方法”可检查，而不是只靠一句“我做了深度分析”。
工具按四层组织：
- 采集层：线索提取、证据分级、三角验证、采集纪律
- 结构层：模式扫描、因果机制、JTBD、Kano、用户旅程、心智模型等
- 判断层：ACH 竞争性假设、红队、Linchpin 检查、预验尸等
- 综合层：证据综合
常见组合示例：
| 场景 | 可能选用的工具 |
|---|---|
| 用户需求探索 | 线索提取 + 证据分级 + JTBD + Kano + Linchpin |
| 体验优化 | 用户旅程 + 心智模型 + 5 Whys + 反证审查 |
| 竞品分析 | 模式扫描 + 知识图谱 + 拓扑直觉 + 价值主张画布 |
| 战略判断 | 知识图谱 + 拓扑直觉 + ACH + 情景规划 |
完整工具说明见 detective_toolkit.md，方法入口见 method_index.md。
研究产出的质量靠两层独立机制保障——论证层和写作层。
对抗性审查（论证层 · 由 research-reviewer 独立执行）
针对深度分析报告，扮演"事实核查员"角色：
- 按"推翻则报告失效"的标准筛核心结论（每批 ≤3 条做深审，多课题报告分批审）
- 不只是读现有报告，主动搜反面证据——读 wiki 的矛盾页、未归类页、quotes，回到原始资料抽查
- 判定每条结论：confirmed（经得起对抗）/ weakened（需加限定条件）/ challenged（可能是错的）
- detective 据此修订结论。弱化或推翻判断时，在 wiki 的「分析增量」栏追加
#review_YYYYMMDD，保留判断演化轨迹
研究简报形态（研究简报 + 证据链图谱）目前不进入 reviewer。深度分析报告形态在对外发布、决策依据、证据强度有疑时强烈推荐跑。
写作风格约束（写作层 · 落笔前后自检）
研究员落笔前后对照 writing_style.md + report_principles.md 自检，堵 AI 写作的典型套路（概念癌、稻草人、春秋笔法、章末金句等）以及定量纪律。机器可查的部分由脚本自动跑兜底，论证和结构问题仍需人工对照清单。
研究产出会被下游 AI 工作流消费——产品 AI 写 PRD、设计 AI 出方案、战略 AI 做规划。AI 接力包是为这个交付环节设计的结构化封包：
- 研究员把素材提取成决策切片：用户分群 / 痛点清单 / 设计约束 / 场景成功状态。下游 AI 直接拿去用，不用自己再做"原始证据→行动种子"的转换
- 带负面清单和未解决问题做护栏：明确告诉下游 AI 哪些结论不能外推、哪些领域研究没覆盖
- 带 AI 操作协议：所有引用要带 ID、跨 ID 完整性可机器校验
研究简报或深度分析报告完成后按需触发，研究员通过对话指令打包。生成时自动跑 AI 接力包结构 lint 兜底（占位符无残留 / 跨 ID 引用都对得上 / 必填章节非空）。完整契约见 contracts/information_pack.md。
日常使用只需要知道三件事：
- 入库后会检查材料是否读深：引用必须能回到原文，逐份资料也要有覆盖台账，避免只摘几个亮点。
- 分析后会检查侦探动作是否完成：方法选择、盲区扫描、全局关联、矛盾审计和证据链都要留下中间产物。
- 报告前会检查写作和证据链：机器先扫明显问题，研究员再判断结论是否越界。
需要手动排查时：
- 新增素材：把新文件丢进
data/，说“更新 wiki”，archivist 走增量更新（只处理新增，不动旧结论）。 - 入库回检：可手动说“对当前 wiki 做一次入库回检”。它会运行
verify_quotes.py和lint_source_coverage.py，并抽查原始资料。 - 分析过程检查：查看
process/0_method_selection.md和process/3a-3e是否齐备；也可运行python3 ${CLAUDE_SKILL_DIR}/scripts/lint_process.py process/。 - 首次使用异常：如果 Claude 没有停下来问研究问题就直接开始分析，提醒它：“先问我研究问题是什么”。
- 空项目启动：说“帮我初始化研究项目”，archivist 会跑冷启动生成
CONTEXT.md和基础目录。
ai-research-detective/ # 仓库根 = plugin 根
├── .claude-plugin/ # plugin 元信息（plugin.json + marketplace.json）
├── README.md / README_en.md / LICENSE
├── contracts/ # 跨 skill / 跨边界共享契约
│ ├── wiki_format.md # wiki 页面格式
│ ├── analysis_writeback.md # 分析回写规则
│ └── information_pack.md # AI 接力包契约
├── shared/ # 三个 skill 共用资源（不是 skill）
│ ├── CLAUDE.md # 项目级硬约束
│ ├── cold_start.md # 冷启动流程
│ ├── templates/ # CONTEXT.md / README.md 模板
│ └── scripts/ # 跨 skill lint(lint_context.py) + tests
└── skills/ # Claude Code 自动发现的 skill
├── research-archivist/
│ ├── SKILL.md
│ └── scripts/ # verify_quotes.py（引用校验）/ lint_source_coverage.py（覆盖深度）+ tests
├── research-detective/
│ ├── SKILL.md # 通用流程 + 步骤 4 路由到 workflow
│ ├── workflows/ # brief / report 两条产出工作流
│ ├── guides/ # 方法入口 + 侦探方法论 + 26 工具箱 + 写作规范
│ ├── templates/ # 报告 / 研究简报 / 证据链图谱 / AI 接力包模板
│ └── scripts/ # lint_report / lint_information_pack / lint_process + tests
└── research-reviewer/
├── SKILL.md
└── scripts/ # lint_review.py（搜索记录 + 证据强度复核 + 采样模式）+ tests
shared/ vs contracts/：
shared/是流程资源（模板、起手式），用户复制后会改；contracts/是接口规范（跨 skill / 跨边界的协议），所有 skill 共同遵守不能各自改。SKILL.md 内用
../../shared/...或../../contracts/...上溯两级访问。
跨项目知识图谱：当前架构是单项目闭环。掌控感、确定性、身份认同等跨项目反复出现，但每个新项目仍要重新发现。下一步：自动提取这些机制关键词到全局索引，让新项目站在历史项目的肩膀上启动。
欢迎在 GitHub Issues 反馈问题、提建议、贡献代码。贡献流程、测试方法、版本规范见 CONTRIBUTING.md。当前版本见 .claude-plugin/plugin.json。
- LLM Wiki 模式——本工具的入库 + 分析架构基于 Andrej Karpathy 的 llm-wiki gist：把 LLM 当成"编译器"、维护可持续生长的 markdown 知识库。本工具在此基础上做了研究方法论层的特化（侦探动作、对抗审查、AI 接力包、资料/解读严格分栏）。
- 写作风格 lint 中的英文 AI 套路检测部分参考了 blader/humanizer 的 patterns（基于 Wikipedia "Signs of AI writing"），中文研究报告专用规则为本项目原创。
MIT