灵感孵化器 · 技能灵感产房

别人还在想做什么，你有一个 AI 产房每天下技能蛋----输入话题或自动补漏，联网取证，
输出带链接的灵感卡，四维打分，连局限都给你标好。

这是什么 / 解决什么

一句话：把"我该做什么技能"这个空想问题，变成一条有四步流水线、有真实证据、
有评分门槛、有诚实边界的生产工序。

它不做的事（先说清，免得期待错位）：

四步流水线（这就是过去 86 轮在做的事）

S1 画像补漏   ->  S2 话题定位   ->  S3 搜索取证   ->  S3b 下钻一手源  ->  S4 灵感卡评估
找盲区            宽泛词->长尾      真实链接兜底       二次验证          四维打分+红线+撞车
profile_gap.py    topic_narrow.py  evidence.py      evidence.py        card_score.py

> 三本书的方法已全部转成确定性函数（不是装饰引用）。
> 完整蒸馏（含原文对应、公式、诚实边界、脚本索引）见
> references/theory_anchors.md。

理论锚点（三本书给了什么）

三条最反常识、也最值钱的：

1. "情境不是 job"（Ulwick）----通勤、排队、无聊都不是 job，
   "你选择去做什么"才是。写错这一步，后面全白做。
2. 阻力比推力更重要（Christensen）----损失厌恶强度是获益的两倍，
   "习惯 + 焦虑"常压过"拉力"。技能不解决"怕用错、懒得换"，再好的点子也没人用。
3. 带数字的话最不该被放过（Bergstrom & West）----new-school bullshit
   靠的就是"你不敢质疑统计"。

何时触发

• 有方向："帮我孵化一个税务类的技能" -> 基于画像定向生成
• 没方向："不知道做什么技能了" -> 自动读画像补漏（这是关键补漏）
• 面试前："批量孵化一批，我挑最亮的讲给面试官"
• 日常："这周有什么新想法"、"我的技能盲区在哪"

运行方式

所有脚本零 LLM 成本（纯确定性计算）；联网搜索由你（Agent）执行，脚本不编造链接。

阶段一：出计划

# 有方向
python scripts/run_all.py plan --topic "税务" --outdir out

# 没方向（自动读画像补漏）
python scripts/run_all.py plan --auto --outdir out

产出：

• out/gap.json -- 画像补漏结果（覆盖图谱 + 盲区排序）
• out/cards.json -- 草稿灵感卡（草稿：function/scenario/principle 是形态模板）
• out/search_plan.md -- 人可读的搜索任务清单（这是给 Agent 的作业）
• out/search_plan.json -- 机器版

阶段二：Agent 联网取证

按 out/search_plan.md 逐条执行 WebSearch / WebFetch，把结果写成 out/evidence.json：

[{"card_id": "IC-20260918-B13F-01",
  "url": "https://...", "title": "...", "publisher": "...",
  "date": "2026-01-01", "claim": "这条来源支持了什么"}]

铁律：每条灵感至少 1 条真实 URL；禁止编造链接、日期、数据；搜不到写 none。

同时按搜索结果改写草稿卡的 function / scenario / principle----
草稿是形态模板，不是结论。改写后的卡直接存回 out/cards.json。

阶段三：收口

python scripts/run_all.py finalize \
  --cards out/cards.json --evidence out/evidence.json \
  --gap out/gap.json --outdir out --check-links

产出：

• out/cards_scored.json -- 四维分 + 红线 + 撞车风险 + 局限
• out/cards.html -- 浅色底灵感卡（自动跑浅色底硬卡口）
• out/light_theme_report.json -- 卡口报告

单独跑某一环

python scripts/profile_gap.py --top 8 --json out/gap.json   # 只看盲区（ODI 机会分）
python scripts/topic_narrow.py "税务" --json out/narrow.json # 只看长尾候选
python scripts/topic_narrow.py "AI" --check                   # 只判断话题够不够具体
python scripts/topic_narrow.py "税务" --sources               # 五个找 job 的矿脉 + 进度四力
python scripts/card_score.py --cards out/cards.json --out out/scored.json
python scripts/render_cards.py --cards out/cards_scored.json --gap out/gap.json --out out/cards.html
python scripts/check_light_theme.py out/cards.html            # 浅色底断言
python tests/test_pipeline.py                                 # 118 项自测（含 S3b）

灵感卡长什么样

四维（你点名的四个）+ 必备的兜底：

功能      输入什么 -> 输出什么（说不清输入输出的，不是技能，是话题）
使用场景  谁在什么时刻会用它（触发时刻 = Christensen 的"情境"）
原理      凭什么做得成（技术/方法依据）
局限      做不到什么（必含"灵感!=需求验证"）
证据链接  每条带层级徽章(L1-L4) + 日期 + 探活状态 + 置信度标签 + 证伪体检
四维打分  高复用 / 可交付 / 有标准 / 可迭代
理论体检  整段 job？四力均衡？有量级主张？证据过证伪纪律？
红线状态  pass / warn / block
撞车提示  与已有技能的相似度（粗筛）

评分门槛：>=75 可立项，60-75 合格待改造，45-60 需重定位，<45 建议放弃或并入。

两层打分（2026-09-18 起）

四维分（base_total）   回答"这活像不像一件能交付的东西"
   v 叠加理论体检调整
总分（total）          回答"它是不是真的接住了那个 job"

理论体检的五项与是否进分数：

为什么只有两项进分数：进分数前提是"在卡与卡之间有区分度"。
「整段 job」（1 步 vs 3 步）和「证伪纪律」（证据质量因卡而异）能拉开差距；
「进度四力」和「量级主张」几乎每张草稿卡都一样（卡里天然不写"怕出错"），
做成扣分等于给所有卡加同一常数，只会整体压低分数、污染排序。

scores 里同时保留 base_total 与 theory_adj，便于复盘是四维不行、
还是四维行但理论不过关。

关键纪律（不要让 Agent 越过）

1. 顺序不能反：必须先 S3 再 S4。跳过取证直接打分会让所有卡在
   「有标准」上系统性偏低（该维度有一条是"权威源真的存在"），
   而且证伪纪律那一项会永远是低风险假象。
2. 数字必须打标：已验证 / 假设 / 待核验 三档不许省。
   S1 的机会分（重要度/满足度）和 S4 的分数都是 assumed 级启发式，
   与 Ulwick 原书靠数千人问卷得出的机会分不是一回事，报告里必须写明。
3. 盲区 != 需求。机会分只说明"重要且还没被满足"，不说明"有人付钱"。
4. 红线 block 的卡不许"改改就上"，只给合规化改造方向。
5. HTML 一律浅色底，跑 check_light_theme.py 断言，不靠自觉。
6. 产物只写自己的 out/，不写 ~/.workbuddy/ 下任何已有文件（画像只读）。
7. 情境不当 job。S2 会把纯情境（通勤/排队/等待）扣 25 分并拒绝----
   要写"这种情境下你去做什么"，这是 Ulwick 与 Christensen 共同强调的一点。

局限（必须诚实转述给用户）

• 灵感 != 需求验证：AI 能告诉你"这个话题没人做"，判断不了"有没有人付费"。
  选品方法论里最狠的一条是"没人搜索 = 没需求"----出完卡还要做真实验证。
• 机会分是启发式的：Ulwick 原书的 importance/satisfaction 来自上千人问卷；
  我们用"内置刚需度"和"关键词覆盖计数"代替，只能判断方向，不能当调研结论。
• 搜索质量决定灵感质量：链接会过时、数据会失效，建议每 90 天重跑 S3。
• 证伪体检只是特征提示：它标的是"这条值得人去看一眼"，不是真伪判决；
  risk=low 不等于"已验证"。
• 同质化风险：AI 生成的东西容易撞车。脚本只能做字符 n-gram 粗筛，
  最终差异化判断还得靠你的行业经验（正好是你有的）。
• 合规边界：排队抢号、打假这类要内置"红线自查"，违法的事灵感再亮也不能推。
• S1 覆盖度是关键词启发式，不是逐个人工确认；刚需权重是内置启发式，
  不来自真实用户调研。

文件组织

inspiration-incubator/
|--- SKILL.md
|--- scripts/
|   |--- ic_common.py        共享内核（路径/来源分层/置信度/红线/卡片 schema
|   |                       + 理论锚点：机会分、job map、四力、识破六条）
|   |--- profile_gap.py      S1 画像补漏（24 刚需域 + ODI 机会分 + job map 覆盖）
|   |--- topic_narrow.py     S2 话题定位（领域×角色×触发×形态 + --sources 矿脉）
|   |--- evidence.py         S3 搜索计划 / 挂证据 / 链接探活 / 证伪体检 / **S3b 下钻一手源**
|   |--- card_score.py       S4 四维打分 + 理论体检 + 红线 + 同质化 + 局限
|   |--- render_cards.py     浅色底 HTML 渲染
|   |--- check_light_theme.py 浅色底硬卡口
|   |_-- run_all.py          plan / finalize 两阶段编排
|--- references/
|   |--- theory_anchors.md   * 三本书的蒸馏（判据来源、公式、诚实边界、脚本索引）
|   |--- scoring_rubric.md   四维评分标准 + 理论体检 + 分档
|   |--- source_tiering.md   L1-L4 分层、时效衰减、置信度标签、识破六条
|   |--- redline_check.md    合规红线（硬/软）+ 误报防护
|   |--- gap_taxonomy.md     刚需域清单与机会分口径 + job map 八步
|   |_-- book_list.md        书单（已核验，含 ISBN；已标注哪三本已入库）
|--- tests/test_pipeline.py  118 项自测（含 S3b 下钻一手源测试）
|_-- out/                    产物目录

复用的已有资产（不要重造）

使用说明

快速上手

# 1. 有方向：指定话题生成灵感
python scripts/run_all.py plan --topic "税务" --outdir out

# 2. 没方向：自动分析画像补漏
python scripts/run_all.py plan --auto --outdir out

# 3. Agent 按 search_plan.md 联网搜索，结果写为 evidence.json

# 4. 收口：挂证据、打分、渲染 HTML
python scripts/run_all.py finalize \
  --cards out/cards.json --evidence out/evidence.json \
  --gap out/gap.json --outdir out --check-links

# 5. 查看结果
open out/cards.html  # 浅色底灵感卡

CLI 单独使用

# 只看画像盲区（ODI 机会分排序）
python scripts/profile_gap.py --top 8 --json out/gap.json

# 只看话题窄化结果
python scripts/topic_narrow.py "税务" --json out/narrow.json

# 五个找 job 的矿脉分析
python scripts/topic_narrow.py "税务" --sources

# 单独打分
python scripts/card_score.py --cards out/cards.json --out out/scored.json

# 渲染 HTML
python scripts/render_cards.py --cards out/cards_scored.json --gap out/gap.json --out out/cards.html

# 自测
python tests/test_pipeline.py  # 118 项

输出说明

S3b 下钻一手源

在 finalize 阶段，对 dig_to_source=true 的证据自动触发二次 WebFetch：
- 提取页面标题/日期/作者/关键陈述
- 回填到 evidence[].primary_* 字段
- 失败不降 tier，标记 primary_source_fallback=true

版权与授权

本技能为原创开发，基于公开方法论（Ulwick《Jobs to Be Done》、Christensen《Competing Against Luck》、Bergstrom & West《Calling Bullshit》）进行工程化实现，未包含任何受版权保护的原文摘录。

• 授权方式：MIT License
• 允许：免费使用、二次分享、修改改编
• 要求：保留本署名声明

理论方法论版权归原著作者所有，本技能仅对其进行了工程化落地和判据公式化。

使用说明

快速上手

# 1. 有方向：指定话题生成灵感
python scripts/run_all.py plan --topic "税务" --outdir out

# 2. 没方向：自动分析画像补漏
python scripts/run_all.py plan --auto --outdir out

# 3. Agent 按 search_plan.md 联网搜索，结果写为 evidence.json

# 4. 收口：挂证据、打分、渲染 HTML
python scripts/run_all.py finalize \
  --cards out/cards.json --evidence out/evidence.json \
  --gap out/gap.json --outdir out --check-links

# 5. 查看结果
open out/cards.html  # 浅色底灵感卡

CLI 单独使用

# 只看画像盲区（ODI 机会分排序）
python scripts/profile_gap.py --top 8 --json out/gap.json

# 只看话题窄化结果
python scripts/topic_narrow.py "税务" --json out/narrow.json

# 五个找 job 的矿脉分析
python scripts/topic_narrow.py "税务" --sources

# 单独打分
python scripts/card_score.py --cards out/cards.json --out out/scored.json

# 渲染 HTML
python scripts/render_cards.py --cards out/cards_scored.json --gap out/gap.json --out out/cards.html

# 自测
python tests/test_pipeline.py  # 118 项

输出说明

S3b 下钻一手源

在 finalize 阶段，对 dig_to_source=true 的证据自动触发二次 WebFetch：
- 提取页面标题/日期/作者/关键陈述
- 回填到 evidence[].primary_* 字段
- 失败不降 tier，标记 primary_source_fallback=true

版权与授权

本技能为原创开发，基于公开方法论（Ulwick《Jobs to Be Done》、Christensen《Competing Against Luck》、Bergstrom & West《Calling Bullshit》）进行工程化实现，未包含任何受版权保护的原文摘录。

• 授权方式：MIT License
• 允许：免费使用、二次分享、修改改编
• 要求：保留本署名声明

理论方法论版权归原著作者所有，本技能仅对其进行了工程化落地和判据公式化。

作者与联系方式

本 skill 由「七仔的AI工具箱」维护。欢迎就技能使用、问题反馈与二次分享交流：

• 微信公众号：七仔的AI工具箱
• 抖音号：七仔的AI工具箱
• CSDN 博客：七仔的AI工具箱

本 skill 可免费使用与二次分享；转载请注明出处「七仔的AI工具箱」。