hv-analysis 技能 | PlugMCP跳到正文hv-analysis
Developer Tools
|
Install
The skill file stays in the publisher's repository.
Paste the copied command in a terminal. It installs this SKILL.md into that agent.
npx skills add KKKKhazix/khazix-skills --skill hv-analysis -a cursor -y
Questions
- How do I install hv-analysis?
- Download hv-analysis/SKILL.md from the publisher, or copy the path and open the repository. PlugMCP lists the skill and does not host the file.
- Where does hv-analysis live?
- The publisher keeps it at https://github.com/KKKKhazix/khazix-skills.
- Which agents can use hv-analysis?
- Claude, Cursor, and Codex can read a SKILL.md you add from the publisher's repository.
name: hv-analysis
description: |
横纵分析法（Horizontal-Vertical Analysis）深度研究Skill。由数字生命卡兹克提出，融合了索绪尔的历时-共时分析、社会科学的纵向-横截面研究设计、商学院案例研究法与竞争战略分析的核心思想。
当用户想要系统性研究一个产品、公司、概念、技术或人物时使用。核心是双轴分析：纵轴追踪从诞生到当下的完整生命历程（以叙事故事呈现），横轴在当下时间截面上与竞品/同类进行系统性横向对比，最后交叉两条轴产出独到洞察。最终产出一份排版精美的PDF研究报告。
触发词包括但不限于：横纵分析、研究一下、帮我分析、深度研究、做个研究、调研一下、竞品分析、帮我看看这个东西怎么样、这个产品/公司/概念是怎么回事、帮我摸清楚、帮我搞懂、帮我做个deep research。
即使用户只是说"帮我了解一下XX"或"XX是什么来头"，只要上下文暗示需要系统性的深度研究（而非简单的概念解释），都应该触发。也适用于用户丢来一个产品名、公司名、技术名词说"帮我研究一下这个"的场景。
不要用于简单的名词解释（用户只是问"XX是什么"）、不要用于公众号写作（那个用khazix-writer）、不要用于纯标题摘要生成（用wechat-title）。
横纵分析法深度研究
方法论溯源
横纵分析法由数字生命卡兹克（Khazix）提出，融合了语言学中的历时-共时分析（Saussure）、社会科学中的纵向-横截面研究设计、商学院案例研究法、以及竞争战略分析的核心思想，形成了一套适用于产品/公司/概念/人物的通用研究框架。核心原则不变：纵向追时间深度，横向追同期广度，最终交汇出判断。
你正在执行一次横纵分析法深度研究。最终产出一份排版精美的PDF研究报告。
前置准备
环境准备
确认PDF转换脚本可用：本Skill自带 scripts/md_to_pdf.py（基于WeasyPrint），用于将最终Markdown报告转为排版精美的PDF。确保依赖已安装：pip install weasyprint markdown --break-system-packages。写作风格：本Skill已内置完整的写作风格指南（见下文"写作风格"部分），无需额外加载其他skill。明确研究对象
拿到用户输入后，确认以下信息。如果用户已经给得足够明确（比如"帮我用横纵分析法研究Hermes Agent"），不需要追问，直接开始：
- 研究对象：具体的产品名/公司名/概念名/人名
- 类型：产品、公司、概念、人物、还是其他？
- 研究动机（可选）：为什么要研究它？最近发生了什么？
- 特别关注点（可选）：有没有特别想深入的方向？
第一步：联网信息收集
这个方法论的质量完全取决于信息的丰富度和准确性。必须联网搜索，不能仅靠已有知识。研究报告的价值在于深度和完整度，所以信息收集阶段宁可多搜，不要因为信息不够导致后面的分析浮于表面。
并行搜索策略
- 子Agent 1 — 纵向信息：研究对象的起源、创始人背景、发展历程、关键事件、版本迭代、融资、战略转向、危机
- 子Agent 2 — 横向信息：竞品识别、各竞品的特点和用户口碑、行业对比评测、市场份额
- 子Agent 3（复杂对象才需要）：补充信息，如创始人深度背景、行业环境变化、用户社区讨论（GitHub issues、Reddit、Twitter/X、知乎等）
子Agent联网工具使用指南（直接写入每个子Agent的prompt中）：
每个子Agent的prompt中必须包含以下联网指引：
你需要联网获取信息。使用以下工具：
- WebSearch：用于搜索发现信息来源，获取摘要和关键词结果
- WebFetch：当已知具体URL时，用于从页面定向提取内容
- 如果用户环境中安装了 web-access skill（检查路径
/mnt/.claude/skills/web-access/SKILL.md 是否存在），优先加载它并遵循其指引，它提供更强的浏览器CDP能力
- 搜索策略：先用WebSearch发现信息来源和线索，找到具体URL后用WebFetch深入提取
- 多次搜索、多个关键词组合，不要只搜一次就放弃
- 一手来源优于二手来源：官方博客 > 权威媒体原创报道 > 转载/聚合
- 学术类研究对象必查arxiv：如果研究对象涉及学术概念、算法、AI模型、技术范式等，必须通过arxiv API获取相关论文。调用方式：
curl -s "https://export.arxiv.org/api/query?search_query=all:关键词1+AND+all:关键词2&max_results=10"，或用WebFetch访问同一URL。返回XML格式，包含标题、作者、摘要、发布日期、PDF链接。可按需调整关键词组合和结果数量。找到关键论文后，用WebFetch读取论文页面（https://arxiv.org/abs/论文ID）获取更多细节。
prompt要描述目标（"获取""调研""了解"），不要用暗示具体手段的动词（"搜索""爬取"），让子Agent自主判断最佳获取方式。
信息来源优先级
一手来源优于二手来源，多个媒体引用同一个错误会造成循环印证假象：
| 信息类型 | 一手来源 |
|---|
| 产品更新/技术决策 | 官方博客、GitHub Release Notes、创始人推文 |
| 融资/商业数据 | 公司官方公告、SEC/工商文件 |
| 用户口碑 | GitHub Issues、Reddit讨论、Twitter/X、知乎帖子 |
| 行业分析 | 权威媒体原创报道（非转载） |
| 学术/技术原理 | arXiv论文（export.arxiv.org/api/query）、Google Scholar、学术会议论文集 |
信息充分性自检
- 纵向：能讲出一个完整的故事吗？有没有明显的信息断层？
- 横向：竞品列表完整吗？有没有遗漏主要玩家？每个竞品的信息够做对比吗？
- 来源：关键事实有可靠来源支撑吗？有没有只靠单一来源就下判断的？
第二步：纵向分析（Diachronic / Longitudinal）
沿时间轴，完整还原研究对象从诞生到现在的发展全貌。这是报告的主体部分，篇幅应该最重。
内容要求
起源追溯：它诞生的背景是什么？基于什么技术/理念/需求而来？创始团队或核心推动者是谁？这些人之前做过什么，为什么是他们来做这件事？当时的行业环境是什么样的？有没有某个关键事件或灵感直接促成了它的诞生？
诞生节点：明确的首次发布/成立/提出时间，最初的形态和定位，跟现在有什么不同。
演进历程：从诞生到现在，按时间顺序梳理所有关键节点。包括但不限于：重大版本更新、融资事件、团队变动、战略转型、技术架构变化、用户规模里程碑、重大合作或收购、公关危机或争议事件。
决策逻辑：在每个关键节点上，尽可能还原决策背后的原因。为什么选了A而不是B？当时面对的约束条件是什么？哪些早期决策"锁定"了后来的发展方向、难以逆转？什么机制让它越走越深（网络效应、生态绑定、技术栈选择等）？
阶段划分：把整个历程自然分为几个阶段（萌芽期、快速增长期、转型期等），每个阶段有核心特征和核心矛盾。
篇幅
6000-15000字。历史越长、节点越多的对象靠近上限，新生事物靠近下限。核心原则是把故事讲完整、讲透，每个关键节点都值得展开，不要为了压缩而跳过重要细节。宁可写长写细，也不要蜻蜓点水。
第三步：横向分析（Synchronic / Cross-sectional）
以当前时间点为切面，将研究对象与同赛道的竞品/同类进行全面对比。
首先判断竞品情况
场景A：无直接竞品。 如果研究对象是全新品类或独占性极强的领域，跳过逐一对比，改为分析：它为什么没有竞品？是品类太新、壁垒太高、还是市场太小？未来最可能从哪个方向冒出竞争者？有没有间接替代方案或上一代解决方式可以参照？
场景B：少量竞品（1-2个）。 逐一深入对比，每个竞品展开详细分析。
场景C：竞品充分（3个及以上）。 选取最具代表性的3-5个进行对比，其余简要提及。
对比维度
核心差异对比：技术路线/核心方法论/底层逻辑、产品形态/商业模式/组织结构、目标用户/受众/适用场景、核心优势与明显短板、定价策略/资源投入/规模体量。
用户视角：每个竞品的真实用户口碑如何？社区评价、使用体验中被提及最多的优点和槽点分别是什么？用户实际的使用方式和官方定位有没有偏差？对比不要写成参数对照表的文字版，要讲清楚每个竞品「活成了什么样」，用户选它的真实理由是什么。
生态位分析：在整个赛道的版图中，研究对象占据什么位置？填补了什么空白，还是在跟谁正面竞争？当前格局是百花齐放、两强争霸、还是一家独大？
趋势判断：基于横向对比，研究对象在竞争格局中的走向是什么？机会和风险各是什么？
篇幅
3000-10000字。场景A控制在3000字左右，场景C每个主要竞品至少展开1500字以上的独立分析，不要一笔带过。
第四步：横纵交汇洞察
这是整篇报告的精华段。把纵向发展脉络和横向竞争格局结合起来，给出综合性的、新的判断。不要写成前面内容的缩写版。
- 历史如何塑造了当下的竞争位置：纵向历程中的哪些决策和事件，决定了它今天在横向对比中的位置？
- 竞品的纵向对比：如果把主要竞品也放到时间线上看，它们的起源和演变路径有什么不同？这些不同如何导致了今天各自的特点？
- 优势的历史根源：今天的每个核心优势，能追溯到历史上的哪个节点或决策？
- 劣势的历史根源：今天的每个核心劣势，能追溯到哪个历史决策？当初的「好决策」有没有变成今天的包袱？
- 未来推演：基于纵向趋势和横向竞争格局，给出三个剧本——最可能的、最危险的、最乐观的，每个剧本要有逻辑支撑。
篇幅
写作风格
这不是一份冷冰冰的咨询报告，而是一篇让人能从头读到尾的深度研究。写作风格需要在「研究报告的严谨」和「卡兹克的可读性」之间找到平衡点。
从卡兹克文风中借鉴的核心元素
以下风格元素直接应用到报告写作中（详细定义请参考 khazix-writer skill）：
节奏感：句子时长时短，段落之间跳跃自然。不要每段都一样长，一句话自成一段制造重量感的技巧可以用。好的节奏像波动，每次围绕主线偏出去一点，再用一句「扣主线句」拉回来。
叙事驱动，不是罗列驱动：纵向部分要有故事弧线，有起承转合。比如一个产品为什么在某个时间点突然爆发，背后的铺垫是什么，转折是什么。不要写成"2023年1月发布了A，2023年3月发布了B"这种流水账。
知识是「聊着聊着顺手掏出来」的：在讲述过程中自然地带出背景知识，不要「下面我来给大家科普一下」。
敢下判断：鼓励给出观点和洞察，但每个观点必须有事实支撑。先摆事实，再给判断。是推测的明确标注。表达判断时用「我觉得」「我的判断是」这种承认主观性的姿态，而不是居高临下的定论。
层层剥开的修辞：不直接讲结论，用"现象→表面解释→更深的追问→核心洞察"的方式展开。让读者参与到思考过程中。
文化升维：在交汇洞察部分，连接到更大的文化/哲学/历史参照物。不是硬凑的升华，是「聊着聊着自然想到了」的感觉。
回环呼应：开头或纵向部分埋的细节和钩子，在交汇洞察或结尾callback回来。前后因果的闭合感，是让报告从「信息流」变成「作品」的关键。
不从卡兹克文风中借鉴的元素
以下元素适合公众号文章但不适合研究报告，需要克制：
- 过强的口语化：报告可以有聊天感，但不要满篇「这玩意」「不是哥们」「太牛逼了」。偶尔点缀可以，但密度要比公众号文章低很多。
- 去小标题化：公众号文章追求一口气顺下来不加小标题。研究报告不一样，1-3万字的内容如果没有清晰的结构和导航，读者会迷路。报告需要清晰的章节结构。
- 标点禁令可以放松：公众号文章禁用冒号和破折号。研究报告中可以正常使用，因为报告需要的是信息传达效率。但「」的使用习惯可以保留。
- 固定尾部：不要加公众号的三连/星标尾部。
绝对禁区（依然适用）
- 套话："首先...其次...最后"、"综上所述"、"值得注意的是"、"不难发现"
- 空洞形容词："赋能"、"抓手"、"打造闭环"
- 教科书开头："在当今AI快速发展的时代"、"随着技术的不断进步"
- 高频踩雷词："说白了"、"意味着什么？"、"这意味着"、"本质上"、"换句话说"、"不可否认"
- 空泛工具名：不说"AI工具"、"某个模型"，要说具体名字
- 编造场景：如果某个信息搜不到，诚实标注「该信息暂缺」，绝不编造
用人话写
避免咨询公司式的套话和空洞概括。用具体的细节和例子代替概括性陈述。比如不要写「该公司在这一阶段实现了快速增长」，而要写「从2024年中期的1000万美元ARR到2025年底的10亿美元，增长曲线几乎是垂直的」。
第五步：生成PDF报告
报告写完后，使用本Skill自带的 scripts/md_to_pdf.py 脚本将Markdown转为排版精美的PDF。
转换流程
- 先完成Markdown稿件：将完整报告写为标准Markdown格式，保存为
[研究对象]_横纵分析报告.md
- 安装依赖（如未安装）：
pip install weasyprint markdown --break-system-packages
- 运行转换脚本：
python [skill目录]/scripts/md_to_pdf.py input.md output.pdf --title "研究对象名称" --author "数字生命卡兹克"
- 脚本会自动生成中间HTML文件（便于调试）和最终PDF
脚本内置的排版规范
md_to_pdf.py 已内置完整的CSS排版方案，无需手动调整：
- 页面：A4，页边距上25mm/左右20mm/下20mm
- 封面页：自动生成，包含标题（28pt深蓝色）、副标题「横纵分析法深度研究报告」、作者信息、装饰分隔线
- 配色：H1标题=#1a5276深蓝、H2=#1e8449绿色、H3=#2e86c1浅蓝、H4=#5b2c6f紫色，正文=#2c3e50深灰
- 字体：CSS fallback链
"Droid Sans Fallback", Helvetica, Arial, sans-serif，自动处理中英文混排
- 正文：10.5pt，行距1.75，两端对齐，孤行/寡行控制
- 引用块：左侧3pt深蓝竖线 + 浅灰背景
- 表格：全宽、深蓝表头白字、斑马纹行
- 页眉：「报告标题 | 横纵分析法深度研究报告」（首页不显示）
- 页脚：「第 X 页」（首页不显示）
- Markdown的第一个H1会被自动提取为封面标题，正文中不会重复出现
Markdown写作注意事项
- 第一行用
# 标题 作为报告标题（会自动用于封面）
- 紧接标题后可用
> 研究时间：... | 所属领域：... | 研究对象类型：... 格式写元信息行，会被提取到封面
- 用
## 作为主要章节标题（纵向分析、横向分析、横纵交汇等）
- 用
### 和 #### 作为子章节
- 表格使用标准Markdown表格语法
- 引用使用
> 语法
- 加粗使用
**文本**
末尾内容
- 信息来源：所有引用的来源清单，标注URL和访问时间
- 方法论说明：简要说明横纵分析法的来源（1-2句话即可）
报告结构模板
封面页
目录
一、一句话定义
[用一句话说清楚这个东西是什么]
二、纵向分析：从诞生到当下
[完整的纵向叙事，6000-15000字]
三、横向分析：竞争图谱
[横向对比分析，3000-10000字]
四、横纵交汇洞察
[交叉分析和未来推演，1500-3000字]
五、信息来源
[所有引用的来源列表]
文件命名和交付
PDF文件命名为 [研究对象名称]_横纵分析报告.pdf，保存到用户的工作目录中。
不同研究对象类型的适配
核心原则不变（纵向追时间深度，横向追同期广度），但侧重点不同：
研究产品时：纵轴重点关注版本迭代、技术路线演变、用户增长曲线、关键产品决策；横轴重点关注功能对比、性能对比、用户体验、定价。
研究公司时：纵轴重点关注创始团队、融资历程、战略转向、组织变革、关键人事变动；横轴重点关注商业模式差异、市场份额、营收对比、组织架构差异。
研究概念时（技术范式、商业模式、文化现象）：纵轴重点关注概念的起源（谁提出的、基于什么理论/需求）、如何流行起来、经历了哪些争论和演变；横轴重点关注与相近概念的区别、各自适用场景、不同阵营的论证。
研究人物时：纵轴重点关注个人经历、职业轨迹、关键决策、成长曲线、公开言论变化；横轴重点关注与同领域其他人物的对比（做事方式、风格、成就、影响力、路线选择差异）。
篇幅总览
| 部分 | 字数范围 | 说明 |
|---|
| 纵向分析 | 6,000 - 15,000字 | 报告主体，不要蜻蜓点水 |
| 横向分析 | 3,000 - 10,000字 | 视竞品数量调整 |
| 横纵交汇 | 1,500 - 3,000字 | 精华段，给出新判断 |
| 全文总计 | 10,000 - 30,000字 | 不要怕长，深度和完整度是价值所在 |
质检清单
- How do I install hv-analysis?
- Download hv-analysis/SKILL.md from the publisher, or copy the path and open the repository. PlugMCP lists the skill and does not host the file.
- Where does hv-analysis live?
- The publisher keeps it at https://github.com/KKKKhazix/khazix-skills.
- Which agents can use hv-analysis?
- Claude, Cursor, and Codex can read a SKILL.md you add from the publisher's repository.