主题深潜学习法

一句话目标：不留"正确的废话"。每一条结论要么能落地执行，要么能被证伪。

适用对象

• 需要在短时间内摸清一个陌生行业 / 技术方向的人
• 想从零规划学习路径，且要求产出可验收的人
• 做 AI 应用选题，需要先判断合规边界与可行性的开发者
• 不适合：只要一个定义或一句话答案的纯查词型问题

触发条件与路由

命中以下表达即启用，无需用户点名：

• 学某某 / 研究某某 / 搞懂某某 / 弄明白某某 / X 是怎么回事
• 快速了解某个行业 / 深挖某个赛道 / X 怎么入门
• 学习路径 / 学习顺序 / 前置知识 / 实践任务 / 系统学习
• 推荐资料清单 / 课程文档书开源项目 / 入门到进阶

按请求类型走对应分支，不要混用：

若用户用了占位符（如"请填入具体行业名称"），先用 AskUserQuestion 给 3-4 个候选让其选择，绝不猜着开工。

通用执行流程（三个分支都要先做）

1. 核查：至少两轮并行联网检索，必须覆盖该领域近 12 个月的规则、处罚、判决、准入、版本变化。任何带时间属性的结论（价格、条款、版本号）必须当场查，禁止凭训练数据印象作答。
2. 分级：给每条事实标注 [一手]（判决/监管文书/政府公告/官方原文）、[二手]（媒体报道、服务商稿、评测文）、[推演]（结构与趋势推导）。详见 references/04-sourcing-and-grading.md。
3. 收敛：把散落事实压成一个可执行的单点检查动作（如"合规三问"决策树）。这是整份成果里最值钱的部分，不做这一步就是资料堆砌。
4. 产出：按分支要求的目录结构与文件命名落盘，末尾用 present_files 交付。

动手前的三问（技术类请求必做）

1. 先问清产品形态，再选技术栈。形态一变技术主线全变（例：同为"课本内容 AI 化"，做备课 App 时主线是 RAG，改做 AI 视频后主线变成视频流水线，RAG 降级为可跳过项）。必须确认：内容方向 / 产品形态 / 用途目标（自用矩阵 / 对外接单 / 产品化）。
2. 先确认本机硬件再推荐本地方案。推荐本地部署前先问显存。4GB 显存下，本地数字人（≥6GB）、本地绘图、本地大模型均不可行，直接改推云端 API。
3. 区分"内部演示"与"公开传播"。内部原型可用受限素材；对外公开发布会触发著作权公开传播问题，边界完全不同。

硬约束

• 法律 / 医疗 / 金融类：只引用公开的判决与法条原文，不做个案意见，并明确提示用户核实官方原文。
• 绝不提供绕过平台风控、破解签名、批量操控账号的实现指引。若主题涉及此类灰产路径，用检索到的判例写明"该路线期望收益为负"，并把方案改造为授权数据下的合规实现。
• 政策口径取严：正文与媒体转述不一致时以正文为准，并在文中点出差异。
• 不编造统计数字。无权威出处的数字（如"教材收录古诗文共 N 篇"）改写成"以实际编排为准"。
• 不用 emoji，不写客套寒暄，不写"希望对您有帮助"。
• 产出一律用新文件名，不覆盖已有文件。

引用分级速查

常见误区

1. 上来就写，不核查 —— 拿旧认知当现状，是这类任务最大的失败模式。
2. 矛盾清单和稀泥 —— "双方都有道理"是无效输出，证据倾向必须落到具体判例或条文。
3. 验证方案写"需要更多数据" —— 必须写成可动手的实验：样本量、对照方法、向谁索取什么、能否写进合同条款。
4. 按重要性单排简报 —— 应按 可信度 × 重要性 综合排序，来源软的高价值结论要往后压。
5. 把技术栈当答案 —— 用户问的是方向，先确认产品形态与用途再谈技术选型。
6. 交付中文长文本不复检 —— 生成过程偶发插入中英乱码片段，写完必须 Grep 复核再交付。
7. 轻信测评数字 —— 服务商稿里的"准确率提升 23%"之类数据互相矛盾且不可复现，不能作为选型依据。

输入输出示例

见 examples/example-input-output.md（含一次完整的输入、路由判断、产出文件骨架与关键片段）。

参考文件