industry-best-practices
Skill14 starsChanged 5 months agoMITView on GitHub
行业、概念与技术最佳实践调研及转译。当用户想调研某个行业、产品方向、功能能力、技术概念/方案、业务流程或竞品的成熟做法、适用边界、最新范式、趋势或竞品动作,或想把外部证据转成优化建议、MVP、机会池、路线图、调研简报、深度报告、主题日报周报时使用。「XX 概念怎么落地」「XX 技术的最佳实践是什么」「XX 方案业界怎么做」「把这些趋势整理成可执行建议」都应触发。仅在用户只要一句概念定义或单个 API 参数时不使用;不用于已明确方案的实现任务,或不限定主题的 AI 前沿泛日报。
In this repository39 other files it gives its agents.
- AGENTS.mdAGENTS.md
- CLAUDE.mdCLAUDE.md
- logo-generatorSkill
- source-command-kj-helpSkill
- ai-coding-weekly-reportSkill
- ai-conversation-to-wikiSkill
- ai-daily-from-xSkill
- ai-daily-websearchSkill
- ai-learning-loopSkill
- ai-programming-topic-plannerSkill
- ai-reading-coachSkill
- coding-session-to-tutorialSkill
- content-creatorSkill
- content-growth-reviewSkill
- content-illustratorSkill
- course-campaignSkill
- course-generatorSkill
- course-scraperSkill
- english-reading-studioSkill
- extract-conversation-insightsSkill
- git-pushSkill
- humanizer-zhSkill
- kangjian-douyin-mediaSkill
- kangjian-skillSkill
- knowledge-mapSkill
- markdown-formatSkill
- paid-content-reviewSkill
- phenomenon-insightSkill
- research-backed-content-loopSkill
- skills-repo-health-checkSkill
- story-pptSkill
- transcript-critical-analysisSkill
- tutorial-guideSkill
- web-slideSkill
- wechat-companionSkill
- wechat-publish-kitSkill
- weekly-digestSkill
- wiki-doc-sinkSkill
- wiki-intelligenceSkill
The file
Files
行业最佳实践 Skill
使命
把外部行业信号转成可执行决策。用户给出一个方向、概念、产品、能力、流程、技术方案、竞品或业务问题后,系统性识别“业界已经验证过什么”,判断哪些是真趋势、哪些是噪音,并落到可复用的做法、适用边界、优化建议、MVP、指标和风险。
核心链路:
问题/目标
-> 外部信号
-> 证据判断
-> 范式/能力/用户变化
-> 对目标对象的影响
-> 优化建议
-> MVP 实验
-> 指标和风险
-> 行动计划适用场景
使用本 skill 处理这些请求:
- 调研某个行业、产品方向、功能能力、技术方案或业务流程的最佳实践。
- 调研一个概念或技术的定义之外的内容:解决什么问题、成熟做法、常见架构、实施步骤、反模式、适用边界和验证指标。
- 了解最近有什么新范式、新理念、新架构、新论文、新开源项目或竞品动作。
- 把外部趋势转成产品优化建议、架构建议、流程建议、机会池或路线图。
- 为 PRD、方案评审、战略讨论、日报/周报、深度报告提供来源可靠的输入。
- 持续跟踪某个主题,并按天、周或月沉淀成可执行建议。
不要把本 skill 用成单纯资料列表。每个重要信号都必须转译成“对目标对象有什么影响,下一步怎么验证”。
不适用场景
以下情况不要使用本 skill,直接回答或改用更合适的方式:
- 只需要一句事实答案:某 API 参数、某工具用法、某概念定义;若用户问“这个概念/技术怎么正确落地、有哪些最佳实践或踩坑”,则使用本 skill。
- 方案已明确的实现任务:用户要的是写代码,不是调研。
- 用户只要链接或资料列表,且明确拒绝分析建议。
- 不限定主题的 AI 前沿泛日报(如本仓库场景应使用
ai-daily-websearch/ai-daily-from-x);本 skill 的日报/周报必须绑定一个明确主题和优化对象。
选择调研深度
先根据用户意图选档,不要默认跑满完整流程:
| 档位 | 触发信号 | 来源族 | 输出 |
| 快速扫描 | “看一眼”“大概了解”“有什么新东西” | 2-3 个最相关来源族 | 结论先行 + 精简信号地图 + Top 3 建议 |
| 标准调研(默认) | “调研一下”“帮我看看最佳实践” | 4-6 个来源族 | 完整简报(assets/templates/research-brief.md) |
| 深度报告 | “系统性调研”“写一份报告”“做方案评审输入” | 全部 8 个来源族 | 深度报告(assets/templates/deep-research-report.md) |
不确定时选标准档,并在报告「范围和假设」中写明所选档位,方便用户要求加深。
概念/技术最佳实践模式
当主题是概念、方法、框架或技术(如 RAG、DDD、可观测性、事件驱动、零信任)时,默认仍选标准调研,但报告必须回答以下问题,不能退化成概念解释或热点罗列:
- 它解决的具体问题,以及不适用的问题。
- 至少 3 条可操作实践,每条包含“何时做、如何做、为什么、验证指标、失败边界”。
- 至少 2 个可核验的真实采用/工程案例(或官方/标准/高质量开源实现);没有案例时明确写“证据不足”,不可把观点包装成最佳实践。
- 至少 2 个反模式或常见失败模式,以及替代做法。
- 一个按 1 周、1 个月、1 季度拆分的渐进式落地路径。
涉及技术方案时,优先覆盖官方文档/标准、生产工程实践、开源实现与评估资料;论文只用于解释方法或证明边界,不能单独替代生产实践。
工作流
1. 归一化任务
先从用户输入中提取:
research_target:要研究的主题。optimization_object:要优化的产品、能力、流程、系统或决策。domain:所属行业或技术域。user_context:目标用户、业务场景、已有约束。research_goal:找机会、写方案、做竞品、做路线图、做日报/周报等。time_window:默认最近 30 天;信息不足时扩展到 90 天;经典理论和标准可引用更早来源,但必须说明当前有效性。expected_output:默认输出“结论 + 信号地图 + 优化建议池 + MVP + 指标 + 风险 + 下一步”。constraints:成本、安全、合规、技术栈、组织条件、上线周期等。research_mode:industry_signal(默认)或concept_technical_practice。主题为概念、架构或技术方法时选择后者。
信息不全时少追问,先给出明确假设。
2. 建立查询矩阵
围绕主题生成中文和英文查询词,覆盖这些来源族:
- 官方发布:官网、博客、文档、release notes、changelog、标准组织、监管机构。
- 论文和研究:arXiv、OpenReview、学会论文库、研究机构报告、benchmark。
- 开源项目:GitHub、模型/包仓库、demo、starter kit、issue、release。
- 工程社区:技术博客、工程复盘、Hacker News、Reddit、Stack Overflow、社区讨论。
- 行业专家:专家博客、newsletter、播客、演讲、白皮书、投资机构研究。
- 高校和研究机构:实验室、课程、seminar、公开课、研究中心、课件。
- 竞品和市场:竞品官网、help docs、pricing、case study、Product Hunt、G2、应用商店评论、招聘 JD。
- 内部资料:用户访谈、客服工单、销售反馈、埋点、历史 PRD、会议纪要、事故复盘。
如果需要更详细的查询设计,读取 references/search-query-playbook.md 和 references/source-map.md。
3. 收集并结构化信号
每条候选信号都按统一字段记录:
signal_id: S001
title:
source_type: official | paper | open_source | engineering_community | expert | academic | competitor | market | internal
source_name:
url_or_pointer:
published_or_updated_at:
material_type: product_practice | engineering_practice | benchmark_or_eval | academic_method | standard_or_framework | expert_view | market_feedback
domain_velocity: fast | medium | slow
freshness_status: fresh | recent | aging | stale | classic
claim:
evidence:
what_changed:
why_it_matters:
related_to_target:
initial_relevance: high | medium | low
notes:4. 做证据分级和评分
使用 references/evidence-and-scoring-rubric.md。默认分级:
S:官方发布、官方文档、权威标准、监管文件、可核验 benchmark。A:高质量论文 + 代码/实验/benchmark,或同行评议研究。B:高活跃开源项目、多方工程复现、严肃工程复盘、高校/研究机构材料与其他来源互证。C:专家观点、newsletter、播客、行业分析、公开演讲,逻辑强但仍需验证。D:社媒、传闻、单点 demo、未经验证截图或孤立观点。
不要把 C/D 级内容当事实。对过期资料先判断材料类型、领域变化速度和近期复核证据,不要只按年份机械淘汰。
5. 转译成建议
每个重点信号都按这条链路输出:
外部信号:发生了什么
证据判断:来源、时间、等级、可信度
变化判断:旧范式 -> 新范式,或旧做法 -> 新做法
影响判断:为什么和目标对象有关
优化建议:具体应该怎么改
MVP 实验:最小验证方案
指标:如何判断有效
架构/流程影响:影响哪些模块、流程或数据结构
风险:技术、成本、安全、合规、体验、组织风险
下一步:马上做什么6. 输出
标准调研的最低信息密度(快速扫描可减半;深度报告应增加):
- 6 条以上去重后的候选信号,其中至少 4 条达到 S/A/B 证据等级。
- 3 个以上重点信号解析、3 条以上建议、每条建议至少 2 个指标。
- 至少 4 个独立可点击来源;重点事实均附来源名称、日期和链接。来源不足时必须解释原因,并把结论降级为“待验证”。
- 概念/技术模式还必须满足上一节的案例、反模式和落地路径要求。
不要为了凑数量拆分同一来源的重复结论;证据不足时宁可明确结论边界,也不要用空泛建议填充。
默认输出结构:
# 行业最佳实践报告:[主题]
## 0. 范围和假设
- 主题:
- 优化对象:
- 时间范围:
- 时效性策略:
- 关键假设:
- 实时验证状态:
## 1. 结论先行
- 最值得做的 3 个优化建议
- 最值得观察的 3 个趋势
- 最可能是噪音的 3 个点
## 2. 信号地图
| 信号 | 来源类型 | 时间 | 证据等级 | 相关性 | 启发 |
## 3. 重点信号解析
按“信号 -> 证据 -> 启发 -> 建议 -> MVP -> 指标 -> 风险”输出。
## 4. 优化建议池
| 建议 | 场景 | 用户/对象 | 证据 | MVP | 指标 | 复杂度 | 优先级 |
## 5. 架构或流程影响
| 改造点 | 影响模块/流程 | 原因 | 成本 | 风险 | 建议时机 |
## 6. 风险和不确定性
- 技术风险:
- 数据风险:
- 安全/合规风险:
- 用户体验风险:
- 组织落地风险:
- 尚待验证:
## 7. 下一步
- 1 周内:
- 1 个月内:
- 1 个季度内:按用户需要使用模板:
- 调研简报:
assets/templates/research-brief.md - 日报/周报:
assets/templates/daily-digest.md - 深度报告:
assets/templates/deep-research-report.md - 机会池:
assets/templates/opportunity-backlog.md
写报告前先看一遍合格样例 assets/examples/sample-report.md,对齐每个章节应有的信息密度和落地程度,特别是「优化建议池」和「重点信号解析」两节。
辅助脚本
- 信号打分:
python3 scripts/score_signal.py <signal.json>,输入各维度分值和材料时效信息,输出加权总分、时效惩罚和分桶(优先机会 / 观察原型 / 仅记录 / 默认忽略)。信号超过 5 条时建议用脚本统一打分,避免手算不一致。 - 报告校验:
python3 scripts/validate_report.py <report.md> --contract brief|deep|digest --strict,检查报告是否缺章节及最低信息密度。交付标准调研时必须使用--strict;快速扫描可不加该参数,但必须显式标注为快速扫描。
实时性要求
调研类任务默认需要最新信息:
- 优先使用可用的搜索、浏览、数据库、文档或连接器工具。
- 对可能过期的事实,不依赖记忆。
- 事实性结论尽量附来源、发布日期/更新时间和链接。
- 没有实时检索能力时,不编造最新结果;输出查询矩阵、推荐来源、待验证问题和基于已有知识的假设性建议。
输出中必须标注:实时验证状态:已验证 / 部分验证 / 未验证。
禁止事项
- 禁止只给文章列表,不给建议。
- 禁止只说“建议持续关注”,不给具体动作。
- 禁止把新名词直接当趋势。
- 禁止忽略时间范围和证据等级。
- 禁止把未经验证的社媒内容当事实。
- 禁止给没有指标的 MVP 建议。
- 禁止在没有浏览能力时编造“最新发布”。
- 禁止把概念释义、单一论文或单一厂商营销页直接称为“最佳实践”。
- 禁止交付只有标题、占位表格、少于最低信息密度且未声明为快速扫描的报告。
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

