研学 · 通用知识调研与系统学习（领域无关）

> v2.0.0：独立化版本。本 skill 为单一自包含 skill，工作流（N1→N6）、数据契约与工具链与 v1.3.0 保持一致。

目标与验收五维

本 skill 的产出不是"一篇科普文"，而是可长期使用的学习资产，且必须支持"先看全貌、再逐级深入"的学习路径。验收五条：

• 准确：每条事实性结论给置信度 + 证据链，绝不谎称绝对真值。
• 全面：经覆盖度审计（广度 + 深度双维），显式识别并补搜信息缺口。
• 可查证：每条可点击溯源，原文落盘归档，标访问时间戳；交叉验证过程对用户可见。
• 可渐进：先 L0 全貌层建立整体概念，再按 L1 → L2 → L3 深入；标注前置依赖。
• 易学习：体系化知识地图 + 适度心理学化解读 + 可导出复习卡组。

> v1.3 关键修正：早期版本把篇幅大量投入"类比 / 口诀"等教学法字段，导致有框架无细节。
> 现教学法字段（类比 / 记忆锚）已降级为选填，事实细节（detail）成为卡片主体，
> 且 detail.body 默认展开而非折叠。

用户输入（必需 + 可选）

必需：
- 主题 / 领域：如"某技术入门""某产业现状""某类设备结构"
- 信源配置（至少其一）：
- RSS 链接（wewe-rss 输出的公众号 RSS、RSSHub 路由、FreshRSS 导出）
- 官网 / 博客 URL 列表
- 搜索关键词（用于 WebSearch 补充）

可选：
- 时间范围（近 30 天 / 全部历史 / 指定区间）
- 深度（条目数量、是否抓全文）
- 受众水平（小白 / 从业者 / 专家 → 影响 L1/L2/L3 的切分粒度与措辞）

工作流（7 节点，顺序执行）

每节点产出作为下一节点输入；禁止跳步或省略核验。

N1 采集 Collect

• RSS / Atom 源优先用 references/fetch_feeds.py 确定性解析（stdlib，零依赖）；解析失败再回退 WebFetch。
• 官网 / URL 用 WebFetch；主题用 WebSearch 补搜（建议 2–3 轮不同措辞 / 中英文）。
• 学术源可选接入 arXiv 检索：按主题关键词检索近 N 年论文，作为 type=论文 的来源并入 facts.json。
• 逐条记录：来源名、URL、标题、发布时间、访问日期、正文或摘要。
• 全文抓取硬指标：每个主题至少 2 篇 WebFetch 全文（非搜索摘要），落盘 raw/ 时单篇 ≥2KB。
  只有搜索摘要构成的条目，深度门禁会判为不合格。
• 禁止用模型记忆冒充"采集"，所有条目必须来自真实拉取或检索结果。
• 去重：同一事件多源归并，保留全部来源链接。

N2 核验 Verify（细则见 references/verification_protocol.md）

对每条事实性结论执行：
1. 来源可信分级（.gov/.edu/一手文档 > 权威媒体 > 自媒体）。
2. 交叉佐证：该事实是否被 ≥2 个独立信源确认。
3. 一手信源锚定：优先附官方原文 / 文件链接。
4. 标注 置信度 ∈ {高, 中, 低, 存疑}。

v1.3 新增：把核验过程写进 verification 字段（让用户看得见）：
- agreement：一致 / 部分一致 / 冲突 / 单源
- source_count、primary_count：信源数与一手源数
- conflicts[]：结论对立时并列双方，不得替用户裁决
- verified_at、note：核验日期与判定说明

• 每条标注"信息截至日期 + 访问日期"（时效性，防旧信息被当现状）。
• 输出中间产物 facts.json（结构见 references/facts_schema.json），逐条原子化。
• 绝不输出裸 TRUE/FALSE；存疑项必须显式标红。

N2.5 覆盖度审计 + 缺口补搜 Coverage Audit

• 按 references/coverage_checklist.md 逐项打分，每个维度打两个分：
• breadth（广度 0/1/2）：这个维度有没有覆盖
• depth（深度 0/1/2）：0=无 / 1=有结论无数字 / 2=有数字且有来源
• 只有 breadth=2 且 depth=2 才算充分。广度满分但深度不足，是早期版本"只有框架"的主要成因。
• 任一维度缺 → 定向 WebSearch 补搜 → 回 N2 核验。补搜轮次上限 2 轮。
• 仍缺则在报告显式标注"该维度信息暂缺"，不硬凑。
• 打分结果写入 coverage[]，供渲染器在报告头展示。

N3 汇总 Synthesize（体系化大纲 + 难度分层）

• 按 主题 / 子主题 / 对立立场 聚成树状知识地图。
• 去重、合并同义、保留分歧（不同来源冲突时并列展示，不替用户裁决）。
• 为每张卡片标 level：
• L1 入门：只需常识即可读懂，建立直觉与轮廓，不堆术语
• L2 进阶：需先懂 L1，引入机制、参数、主体对比，开始出现数字
• L3 深入：需专业背景，涉及数据、争议、前沿、一手文档原文
• 填 prerequisites（学本卡前应先看的卡片标题），形成依赖链。
• 同一主题内卡片按 L1 → L2 → L3 排列（渲染器会自动排序，但输出时就应有序）。

N3.5 深挖钻取 Drill-down（v1.3 新增，解决"只有框架"的核心环节）

对每张卡片做 5 层追问，答案写入 detail 字段。不得只停留在第一层：

深挖产出必须是结构化的，不是一段流水账：
- summary（120–300 字，段首给结论，必含关键数字）
- key_points[]（3–8 条，每条一个可独立验证的事实）
- params{} / timeline[] / table{}：参数表、时间线、对比表——能用表格就别用散文
- case：具体案例（主体 + 场景 + 数字 + 结果）
- quotes[]：原文关键句引述（可信度最高的证据形态）
- body（≥400 字完整正文）

N4 全貌设计 Landscape（v1.3 新增，产出 L0 层）

在深入细节之前，先为整个领域写一份"一页纸全貌"，写入 overview：
- one_liner：一句话定义（≤60 字，给完全外行看）
- landscape（400–800 字）：它是什么 / 边界在哪 / 在更大版图里的位置 / 为什么值得学 / 核心矛盾
- pillars[]（3–5 条）：核心主线，即知识骨架
- key_numbers[]：关键数字速览，让用户一眼看到领域量级
- learning_path.{L1,L2,L3}：每个层级该看什么、学完能回答什么问题
- diagram（可选）：全景 SVG

> 没有 L0 层，用户会"掉进细节里找不到北"。这是"先了解全貌"需求的落地保障。

N4.5 可视化拆解（四图一表 · 选图路由）

> 采用多视角拆解方法：复杂事物不是靠一段长文字讲清的，
> 而是靠从不同角度各画一张小图，每张图只回答一个问题，拼起来就"看懂了"。

核心原则：按内容类型选图，而非每处都画思维导图。

落地映射（四图一表对应本 skill 已有字段）：

• L0 全貌层：overview.diagram 优先用 ① 思维导图/结构图 呈现领域的知识骨架（pillars 为主线）；
  若领域是"设备/结构"则用 ③，是"过程"则用 ④。
• 每张卡片：diagram / dual_coding 字段按该卡片的主题选图——讲机制的卡用 ④ 流程图，
  讲组成的卡用 ① 结构图，讲交互的卡用 ② 关系图，讲因果的卡用对照表（落 detail.table）。
• 同一卡片可多图：复杂卡片可配 2–3 张不同视角的小图（如一张结构图 + 一张流程图），
  但每张图只回答一个问题，不要硬塞成一张信息过载的大图。

制图规范（强制）：所有内联 SVG 必须遵循 references/drawing-rules.md——
锚点取边中点、只走水平/垂直+直角转折、禁斜线禁弧线、T 型汇聚/倒 T 分发、中轴对齐、出图自检。
该规范也约束 render_report.py 自动生成的 concept_map()（已改为直角折线）。

N5 心理学化解读 Psychologize（细则见 references/psychology_techniques.md）

v1.3 定位调整：为理解服务，不挤占事实篇幅。

必填：
- plain_language（一句话人话版）

选填（有灵感就写，没灵感不要硬凑）：
- analogy 类比 —— 标注"（启发式，非事实）"
- memory_anchor 记忆锚 / 口诀 —— 标注"（启发式，非事实）"
- recall_question 主动回忆提问（成本低收益高，建议填）
- dual_coding / diagram 双编码配图（内联 SVG）

数据锁存红线（DATA_LOCK，最高优先级）：
- 只能重述 N2 已核验的事实；禁止新增任何未经核验的数字、事实、结论。
- 注意方向：这条红线不是让你少写数字，而是让每个数字都能溯源。
想要细节就去补搜、去 WebFetch 全文，而不是删掉数字。
- 类比 / 记忆锚 / 口诀属于"启发式"，须标注"启发式，非事实"。
- 配图 SVG 里的文字/数字同样受约束。

N6 生成报告 + 落盘 Report

1. 用 references/validate_contract.py 校验 JSON：
   - 结构不合规 → 回退重生成（≤3 轮）
   - 深度门禁告警（摘要过短 / 要点过少 / 正文过薄 / 无数字）→ 回 N3.5 补挖，
   不要靠删数字消除告警
2. 用 references/render_report.py 确定性渲染单文件交互 HTML：
   - L0 全貌区置顶 → 体系目录 → 各主题（卡片按 L1→L2→L3 排序）→ 来源汇总 → 页脚署名
   - 每张卡：层级徽章 + 置信度徽章 + 验证徽章 + 结构化 detail + 证据链
   - 页脚署名不得删除：报告末尾会输出「本报告由 研学 v2.0.0 生成 · 作者：专利老王 · 微信公众号：老王聊专利」；不要手工编辑产物去抹掉它
3. 落盘到用户工作区：
   - reports/<领域>-<日期>.html（报告视图）
   - knowledge/<领域>/facts.json（事实库，可累积复用）
   - knowledge/<领域>/raw/（原文归档，含访问时间戳）
   - knowledge/<领域>/terms.md（术语表）
   - knowledge/<领域>/cards.csv（复习卡组，用 references/export_cards.py）
4. 调用 present_files 预览 HTML。

数据契约（单一事实源）

• 最终报告：references/schema.json（LLM 按它输出、validator 按它校验）
• N2 中间产物：references/facts_schema.json

卡片核心字段：
title / level / prerequisites / confidence / plain_language / detail{} / verification{} / sources[]
（另有 analogy / memory_anchor / recall_question / dual_coding / diagram 为选填）

detail{}       : summary / key_points[] / params{} / timeline[] / table{} / case / quotes[] / body
verification{} : agreement / source_count / primary_count / conflicts[] / verified_at / note
sources[]      : name / url / type / access_date / is_primary / excerpt
overview{}     : one_liner / landscape / pillars[] / key_numbers[] / learning_path{} / diagram
coverage[]     : dimension / breadth / depth / note

确定性工具链（references/ 内，均 stdlib 零依赖）

• fetch_feeds.py — RSS/Atom 确定性解析（N1）
• validate_contract.py — 契约校验 + 深度门禁 + 数据锁存检查（N6 前置门禁）
• render_report.py — JSON → HTML 确定性渲染（L0 全貌 + 分层 + 验证徽章 + 结构化 detail + 内联 SVG 图）
• export_cards.py — JSON → cards.csv 复习卡组导出（可导入 Anki）
• drawing-rules.md — SVG 制图规范（锚点/直角折线/禁弧线/T 型/中轴对齐，N4.5 可视化拆解必读）

深度红线（v1.3 核心，违反即"只有框架"）

1. 不许只写结论不写数字 —— 每个 L2/L3 条目的 detail 必须含量化事实。
2. 不许把细节塞进折叠区 —— detail.body 默认展开。
3. 不许用类比替代事实 —— 类比是调味，不是主菜；analogy 不得长于 detail.summary。
4. 不许靠删数字通过校验 —— 深度门禁告警的正解是补挖 / 补搜，不是删。
5. 不许跳过 L0 全貌层 —— 用户要先见森林，再见树木。

"定期出报告"说明

本 Skill 定义如何产出报告；何时产出由自动化（automation）周期调用本 Skill 实现。
- 用 automation_update 建 recurring 任务，prompt 写明主题 + 信源 + 受众，rrule 设定周期。
- 报告落盘到固定 knowledge/<领域>/ 目录，便于历史累积与跨期 diff。

局限与人工复核

• 核验是置信度辅助判断，非绝对真值；医疗 / 法律 / 投资等高利害结论必须人工复核。
• 信源路由（RSSHub / FreshRSS / 爬虫）会随目标站改版失效；学术源与一手文档需维护。
• 深度与成本正相关：全文抓取 + 深挖会显著增加 token 与耗时，适合"系统学习"而非实时问答。

关于作者与许可

• 作者：专利老王
• 微信公众号：老王聊专利
• 许可：免费使用、自由修改、自由传播（网盘 / 博客 / 公众号 / 视频 / 课程资料 / 内部知识库均可），唯一硬性条件是保留署名；只有商业使用须事先获得作者书面授权。完整条款与白名单场景见随包 LICENSE.md。
• 产出署名：本 skill 生成的报告会在页脚署名「本报告由 研学 v2.0.0 生成 · 作者：专利老王 · 微信公众号：老王聊专利」，由 render_report.py 的 SHOW_CREDIT 控制（默认开启，对外发布成果时请勿关闭）。
• 二次开发：欢迎修改、改名、裁剪后再分发；请保留上述署名，并注明"基于「研学」修改"。

> 想确认某个用途是否需要授权?判断口径：你或你的组织是否因使用本 skill 而直接收费、或直接用它交付付费成果。否 → 免费；是 → 可在微信公众号「老王聊专利」后台留言申请授权。