用横纵分析法写 Deep Research Prompt：30 分钟搭建陌生领域认知框架

# 横纵分析法 Deep Research Prompt

## 变量

研究对象 =「在这里填入要研究的对象」
研究边界 =「可选：限定时间、地区、行业、技术范围或关注重点」
当前时间 =「可选：填入当前日期，方便判断信息时效」

## 任务角色

你是一名技术与商业研究分析师。请围绕「研究对象」完成一份深度研究报告。

报告必须同时使用两种视角：

1. 纵向分析：沿时间线还原研究对象的发展过程。
2. 横向分析：在当前时间点，把研究对象放到同类对象或替代方案中比较。
3. 横纵交汇：结合历史脉络和当下竞争格局，给出可验证的综合判断。

如果「研究边界」不为空，所有分析都要优先遵守该边界。

---

## 一、纵向分析：它是怎么走到今天的

请沿时间线研究以下问题：

1. 起源背景
   - 研究对象诞生前，行业或用户遇到了什么问题？
   - 它依赖哪些技术、理念、市场需求或组织条件？
   - 如果有创始团队、核心推动者、关键论文、开源项目或标准组织，请说明。

2. 初始形态
   - 明确最早出现、发布、成立或被提出的时间。
   - 描述它最早解决的具体问题，而不是只写一句抽象定位。
   - 说明当时外部环境是什么样的。

3. 关键节点
   - 按时间顺序梳理重大版本、融资、产品转向、架构变化、用户增长、合作、收购、争议、监管变化等节点。
   - 每个节点都要解释“为什么重要”，不要只列日期。
   - 如果某个节点存在多种解释，请区分已确认事实和合理推测。

4. 决策逻辑
   - 在重要转折处，尽量解释当事方为什么选择这条路。
   - 分析当时可能面临的约束，例如技术成熟度、资金、竞争压力、用户需求、监管、组织能力。
   - 注意识别路径依赖：早期选择如何影响后来的能力边界和商业位置。

5. 叙事要求
   - 不要写成干巴巴的年表。
   - 时间线要服务于因果解释：哪些铺垫导致了爆发，哪些选择后来变成优势或负担。
   - 重要人物、组织、产品、技术背景要放入叙事中解释。

---

## 二、横向分析：它现在站在哪里

请先判断研究对象的竞争环境：

- 如果没有直接竞品，请分析为什么没有：是品类太新、门槛太高、市场太小、监管限制，还是需求尚未被验证。
- 如果只有少量竞品，请逐一展开比较。
- 如果竞品很多，请选择最有代表性的 3 到 5 个深入分析，其余简要说明。

横向比较至少覆盖以下维度，必要时可根据研究对象类型调整：

1. 核心差异
   - 技术路线、产品形态、商业模式、组织结构或方法论有什么不同？
   - 它解决问题的方式和别人相比有什么明显差异？

2. 用户与场景
   - 目标用户是谁？
   - 用户为什么选择它，而不是选择替代方案？
   - 官方定位和真实使用方式是否一致？
   - 社区、客户、开发者或行业从业者的评价中，最常见的优点和槽点是什么？

3. 生态位
   - 它在整个赛道里处在什么位置？
   - 它是填补空白、向上替代、向下渗透，还是和某些对象正面竞争？
   - 它依赖哪些生态伙伴或基础设施？

4. 机会与风险
   - 当下竞争格局给它带来哪些机会？
   - 哪些因素可能限制它继续增长？
   - 潜在竞争者可能从哪里出现？

横向分析可以使用表格辅助比较，但不要只给参数表。每个主要对象都要解释“它为什么能活成现在这样”。

---

## 三、横纵交汇：形成综合判断

请在报告末尾单独写一节「横纵交汇」。

这一节不要重复前面的内容，而是回答：

1. 纵向发展中哪些选择，塑造了它今天的竞争位置？
2. 今天的优势，哪些来自长期积累，哪些只是短期窗口？
3. 今天的短板，哪些是可以修补的问题，哪些是路径依赖造成的结构性问题？
4. 如果未来 1 到 3 年发生变化，最可能的驱动力是什么？
5. 对不同角色有什么意义：
   - 普通用户
   - 开发者或从业者
   - 企业决策者
   - 投资或战略研究人员

---

## 四、证据和可信度要求

1. 重要事实尽量标注来源、时间或出处类型，例如官网公告、论文、新闻报道、财报、访谈、GitHub 仓库、社区讨论。
2. 如果信息无法确认，必须标注“未确认”或“推测”，不能把推测写成事实。
3. 遇到互相矛盾的信息时，要说明冲突在哪里，并给出更可信来源的判断依据。
4. 对时间敏感的信息，要说明资料的时间点。
5. 不要编造引用、数据、访谈或链接。

---

## 五、写作要求

1. 写得像一份可读的深度研究报告，不要像关键词堆叠。
2. 纵向部分用故事线串起因果，不要写成流水账。
3. 横向部分讲清每个对象的真实位置，不要只罗列功能。
4. 判断必须基于事实。如果是推测，要明确说明推测依据。
5. 避免空洞表达，用具体事件、数字、功能、用户反馈和技术细节支撑观点。

---

## 六、输出结构

请按以下结构输出：

1. 研究对象和研究边界说明
2. 纵向分析：发展脉络与关键转折
3. 横向分析：竞品、替代方案与生态位
4. 横纵交汇：当前位置与未来走向
5. 关键事实来源列表
6. 仍需人工确认的问题清单

篇幅根据研究对象复杂度自适应。复杂对象可以写长，但不要为了篇幅重复内容；简单对象可以收敛，但不能跳过关键证据。

研究对象 =「Harness：这里指某某语境下的具体对象，重点研究它与 AI Agent 工程实践的关系」
研究边界 =「重点关注 2023 年之后的发展、技术路线和与 Prompt Engineering / Context Engineering / Agent Engineering 的区别」

skills/
└── hv-analysis/
    ├── SKILL.md
    ├── templates/
    │   └── report-outline.md
    └── scripts/
        └── collect_sources.py

# hv-analysis

当用户要求研究某个产品、公司、技术概念、人物或行业事件时，使用横纵分析法。

## 工作流程

1. 识别研究对象
   - 如果对象有歧义，先向用户确认。
   - 如果用户给出了研究边界，必须遵守。

2. 收集资料
   - 搜索官网、文档、公告、论文、新闻、社区讨论、代码仓库。
   - 对技术概念优先查论文、标准、开源实现和工程案例。
   - 对公司优先查官网、财报、融资信息、访谈和客户案例。

3. 纵向分析
   - 梳理起源、初始形态、关键节点、转折原因、路径依赖。

4. 横向分析
   - 找出直接竞品、间接替代方案和潜在竞争者。
   - 比较技术路线、用户场景、商业模式、生态位和风险。

5. 横纵交汇
   - 用历史选择解释当下位置。
   - 用当下竞争格局推测未来变化。
   - 明确区分事实、判断和推测。

6. 输出报告
   - 使用清晰标题、表格和来源列表。
   - 对不确定信息标注“未确认”。
   - 在末尾列出仍需人工确认的问题。

from dataclasses import dataclass

@dataclass
class Source:
    title: str
    url: str
    published_at: str | None
    source_type: str
    summary: str

def build_queries(topic: str) -> list[str]:
    return [
        f"{topic} official announcement",
        f"{topic} history timeline",
        f"{topic} competitors comparison",
        f"{topic} technical architecture",
        f"{topic} user reviews community",
        f"{topic} arxiv paper OR whitepaper",
    ]

def normalize_source(raw: dict) -> Source:
    return Source(
        title=raw.get("title", ""),
        url=raw.get("url", ""),
        published_at=raw.get("published_at"),
        source_type=raw.get("source_type", "web"),
        summary=raw.get("summary", ""),
    )

纵向：它为什么会变成今天这样？
横向：它今天和别人有什么不同？
交汇：过去的选择如何塑造现在，现在的位置又会如何影响未来？