https://github.com/geekjourneyx/industry-research
专业的行业调研Skill，用于把行业、赛道和公司问题转成可复核的研究工作区、证据台账、置信度报告和最终研究报告。
https://github.com/geekjourneyx/industry-research
agent-skills claude-code claude-skills cli codex codex-skills golang industry-research market-research openclaw research-automation
Last synced: 4 days ago
JSON representation
专业的行业调研Skill，用于把行业、赛道和公司问题转成可复核的研究工作区、证据台账、置信度报告和最终研究报告。
- Host: GitHub
- URL: https://github.com/geekjourneyx/industry-research
- Owner: geekjourneyx
- License: mit
- Created: 2026-05-17T10:40:49.000Z (about 2 months ago)
- Default Branch: main
- Last Pushed: 2026-07-05T06:57:09.000Z (11 days ago)
- Last Synced: 2026-07-05T08:14:18.084Z (11 days ago)
- Topics: agent-skills, claude-code, claude-skills, cli, codex, codex-skills, golang, industry-research, market-research, openclaw, research-automation
- Language: Go
- Homepage:
- Size: 1.71 MB
- Stars: 12
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- Changelog: CHANGELOG.md
- License: LICENSE
- Agents: AGENTS.md
Awesome Lists containing this project
README
# 行业研究引擎
**把行业、赛道和公司问题变成可复核研究报告**
[](./LICENSE)
[](./researcher/go.mod)
[](./SKILL.md)
[](./references/evidence-ledger-schema.md)
---
## 这是什么
行业研究引擎是一套 **Go CLI + 智能体技能**。它把模糊的行业研究、赛道分析、公司研究和商业机会判断，转成可复核的研究工作区和结构化报告。
底层 `researcher` 是 Go 写的研究引擎，负责生成命题图、痕迹计划、证据台账、反证记录、置信度报告和最终报告。上层 `SKILL.md` 是智能体技能，负责把研究流程编排给 Claude Code、OpenClaw、hermes-agent 等支持技能式工作流的 Agent 框架。
它的核心原则很简单：搜索结果只是线索，不是证据。高置信度结论必须经过来源核验、经营痕迹验证、交叉比对和反证尝试。
## 项目摘要
| 问题 | 回答 |
|:---|:---|
| 这是什么 | 面向 Agent 的行业研究技能和 Go 研究引擎 |
| 解决什么问题 | 避免行业研究只复述搜索结果，生成可复核、有证据边界的研究报告 |
| 适合谁 | 使用智能体做行业研究、投资研究、赛道分析、连锁品牌和供应链研究的人 |
| 产出什么 | 研究工作区、命题图、证据台账、反证记录、置信度报告和最终报告 |
| 为什么可信 | 每个关键结论都要求来源、经营痕迹、交叉验证和反证尝试 |
```text
输入：瑞幸咖啡 2026 年门店数目标是否可信？
输出：可复核工作区、证据台账、反证记录、置信度报告和最终调研报告
```
---
## 核心特性
| 能力 | 说明 |
|:---|:---|
| Go 研究引擎 | 用 `researcher` 生成可复核工作区，而不是只产出一段不可追溯的文本 |
| 智能体技能 | 用 `SKILL.md` 编排行业研究流程，可迁移到 Claude Code、OpenClaw、hermes-agent 等框架 |
| 证据台账 | 把搜索线索、来源材料、推理结果和最终结论分层记录 |
| 对抗式审查 | 通过经理、蓝队、红队和仲裁者角色挑战薄弱结论 |
| 经营痕迹验证 | 对连锁品牌、餐饮、零售、供应链问题优先查门店、仓、招聘、POI、SKU 和履约痕迹 |
| 报告校验 | 检查章节、引用、置信度、工作区产物和证据边界 |
---
## 工作流程
1. 输入行业、赛道、公司或商业机会问题。
2. 把问题拆成可验证命题，并规划现实世界应留下的痕迹。
3. 收集网页、公告、招聘、地图、经营系统和模型联网回答等线索。
4. 用证据台账、反证记录和多角色审查降低误判。
5. 输出带置信度边界的研究报告。
---
## 适合场景
| 场景 | 示例 |
|:---|:---|
| 行业研究 | 某赛道是否值得进入，市场增长是否真实 |
| 投资研究 | 某公司增长目标是否可信，估值假设是否站得住 |
| 连锁品牌研究 | 门店扩张、加盟质量、区域履约和供应链能力是否真实 |
| 餐饮零售供应链 | 单店模型、履约成本、SKU 动销、仓配能力和产能利用率 |
| Agent 工作流 | 给智能体提供可复用的研究步骤、证据规则和交付标准 |
---
## 安装
推荐用 `skills` 直接安装智能体技能：
```bash
npx skills add geekjourneyx/industry-research
```
仓库地址：[geekjourneyx/industry-research](https://github.com/geekjourneyx/industry-research)
如果你需要本地开发、调试或单独使用底层研究引擎，再克隆仓库并构建：
```bash
git clone git@github.com:geekjourneyx/industry-research.git
cd industry-research/researcher
make build
```
检查可执行文件：
```bash
./researcher version
./researcher capabilities --json
```
更多命令、配置和检索服务说明见 [researcher 使用说明](./researcher/README.md)。
可选的检索服务密钥：
```bash
export BOCHA_API_KEY="..."
export ARK_API_KEY="..."
```
配置读取顺序如下：
```text
--config
RESEARCHER_CONFIG
~/.config/researcher/config.yaml
```
---
## 快速上手
安装 Skill 后，在支持技能式工作流的智能体框架里发起行业研究请求即可。
如果只想使用底层研究引擎，可以直接阅读 [researcher 使用说明](./researcher/README.md)。
生成一份连锁品牌研究工作区：
```bash
cd researcher
./researcher run "瑞幸咖啡 2026 年门店数目标是否可信？" \
--domain chain-brand \
--depth standard \
--workspace-root ../industry-research-workspace \
--json
```
校验生成的工作区：
```bash
./researcher validate ../industry-research-workspace/
python3 ../scripts/validate_report.py \
--researcher-workspace ../industry-research-workspace/
```
运行本地检查：
```bash
make fmt
make vet
make test
make build
```
---
## 产物结构
每次执行 `researcher run` 都会生成以下工作区文件：
| 文件 | 作用 |
|:---|:---|
| `question.json` | 原始问题、研究领域、报告深度和创建时间 |
| `research_plan.json` | 研究计划和执行范围 |
| `claim_graph.json` | 需要验证或反证的核心命题 |
| `trace_plan.json` | 每个命题应当留下的现实世界痕迹 |
| `retrieval_log.json` | 检索调用、参数、重试和来源使用情况 |
| `evidence_ledger.json` | 证据记录和支撑状态 |
| `disconfirmation_log.json` | 反证尝试和削弱结论的记录 |
| `confidence_report.json` | 置信度评级和理由 |
| `final_report.md` | 面向用户的最终研究报告 |
| `report_metadata.json` | 执行模式、降级标签和报告元数据 |
餐饮、零售、供应链和连锁品牌研究中，最关键的质量文件是 `trace_plan.json`、`evidence_ledger.json`、`disconfirmation_log.json` 和 `confidence_report.json`。
---
## 证据原则
系统会把弱研究报告里经常混在一起的四层内容拆开：
| 层级 | 使用方式 |
|:---|:---|
| 搜索结果 | 只能作为后续核验线索，不能直接当成证据 |
| 来源材料 | 可访问的文件、网页、公告、帖子或经营痕迹 |
| 推理结果 | 基于事实和约束得出的估算，必须明确标注 |
| 最终结论 | 结论置信度必须和证据质量匹配 |
对于毛利、单店模型、产能利用率、SKU 动销、履约成本、留存率等隐藏经营变量，报告必须区分公开披露事实和推理区间，并写明还缺哪些一手数据。
---
## 项目地图
| 路径 | 作用 |
|:---|:---|
| `SKILL.md` | 智能体技能编排契约 |
| [`researcher/`](./researcher/README.md) | 用于生成工作区、检索、规划和校验的研究引擎 |
| `agents/` | 经理、蓝队、红队和仲裁者等评审角色 |
| `references/` | 证据规则、报告模板、痕迹推理和分析框架 |
| `scripts/validate_report.py` | 报告和工作区校验脚本 |
| `evals/` | 评测问题和预期产物 |
| `CHANGELOG.md` | 版本发布记录 |
| `.github/workflows/release-researcher.yml` | `researcher` 二进制发布流程 |
---
## 发布 researcher
`researcher` 通过 GitHub Actions 从版本 tag 发布。每次发布前必须完成文档校准、`CHANGELOG.md` 更新、Go 检查、二进制编译和校验文件生成。
发布步骤：
```bash
cd researcher
make fmt
make vet
make test
make build
cd ..
RELEASE_TAG=v$(tr -d '[:space:]' < researcher/VERSION) researcher/scripts/check-release.sh
git tag v$(tr -d '[:space:]' < researcher/VERSION)
git push origin v$(tr -d '[:space:]' < researcher/VERSION)
```
推送 `v*.*.*` tag 后，GitHub Actions 会编译 macOS、Linux、Windows 的 amd64/arm64 版本，生成压缩包和 SHA256 校验文件，并创建 GitHub Release。
---
## 搜索与引用信息
一句话描述：
```text
行业研究引擎是一个 Go CLI + 智能体技能，用于把行业、赛道和公司问题转成可复核的研究工作区、证据台账、置信度报告和最终研究报告。
```
GitHub Description 建议：
```text
Go CLI + Agent Skill for evidence-based industry research, evidence ledgers, confidence reports, and agent research workflows
```
Topics 建议：
```text
agent-skill industry-research market-research go cli
evidence-ledger research-automation competitive-intelligence
chain-brand supply-chain
```
---
## 许可证
[MIT](./LICENSE) — 自由使用、修改、分发。
---
## 作者
| | |
|:---|:---|
| 个人主页 | [jieni.ai](https://jieni.ai) |
| GitHub | [geekjourneyx](https://github.com/geekjourneyx) |
| Twitter | [@seekjourney](https://x.com/seekjourney) |
| 公众号 | 微信搜「极客杰尼」 |