研究构思Skill：把一句模糊的研究念头，一键拆成可测试的研究问题与实证策略
- 一句话定位：输入一个主题、一个现象或一份数据集描述，输出 3-5 个从描述性到因果性的研究问题，每个问题都配有可测试假设、识别策略、数据需求、关键假设、潜在缺陷与相关文献。
- 核心差异：它不是"给你几个选题灵感"，而是像审稿人一样，对每个因果问题立刻指出识别挑战，并按可行性与贡献排出优先级。
- 输入极简：一个参数即可，例如"最低工资对就业的影响"，或"2000-2020 年美国县面板数据，包含污染和健康结果"。
- 产物可复用：结果以结构化 Markdown 报告形式保存到
quality_reports/research_ideation_[主题].md，可直接进入文献综述或开题讨论环节。 - 安全边界清晰：只申请了 Read / Grep / Glob / Write 四项权限，读资料、写报告，不碰执行类操作。
1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？
技能中文名：研究构思Skill 技能英文名：research-ideation 技能ID：13614
它解决的问题非常具体：研究工作中最耗时的不是跑模型，而是"从模糊兴趣到可执行研究设计"这一段。多数人卡在三个地方——问题不够聚焦、假设不可检验、识别策略经不起推敲。研究构思Skill 把这一段流程产品化：读取你的主题与相关材料，生成分层研究问题，并为每个问题补齐"假设—识别—数据—假设条件—缺陷—文献"六件套。
"一键安装"的思路与步骤
所谓"一键安装"，本质是把技能文件放进 AI 编程/智能体环境能够识别的位置，让它在会话中可被直接调用，而不是每次重新粘贴一大段提示词。通用流程如下（具体命令与入口以官方说明为准）：
- 确认前置环境：需要一个支持 Skill 机制、并可调用本地文件的 AI 智能体环境（例如支持
.claude/目录约定的编码助手）。环境需具备文件读写能力，否则技能无法产出报告。 - 获取技能包：通过官方技能市场、官方仓库或团队内部技能目录获取
research-ideation技能包，通常包含一份SKILL.md说明文件。 - 放置到技能目录：将技能包放入环境约定的技能存放路径（常见为项目级或用户级技能目录），完成后重启或刷新会话，使技能被重新索引。
- 验证是否生效：
- 在会话中输入技能名或指令（如
/research-ideation），观察是否出现[主题、现象或数据集描述]的参数提示——该技能的argument-hint正是这一提示语，出现即说明加载成功； - 传入一个简单主题试跑，检查是否在
quality_reports/下生成research_ideation_xxx.md文件； - 若没有任何反应，通常是技能目录层级放错或会话未刷新，以官方说明中的目录规范为准逐项核对。
- 在会话中输入技能名或指令（如
一个必须知道的设计细节：该技能设置了 disable-model-invocation: true，意味着它不会被模型"自作主张"自动触发，而需要你显式调用。好处是避免在闲聊中被误唤起、污染上下文；代价是你得记得主动喊它。
2. 该技能的主要功能和特点
- 五层研究问题阶梯：从描述性（模式是什么）→ 相关性（控制 Z 后 X 与 Y 相关吗）→ 因果性（X 对 Y 的因果效应）→ 机制（通过什么渠道）→ 政策（政策 X 会改善结果 Y 吗），保证问题不是平面罗列，而是层层递进。
- 每个问题自动补齐"六件套"：可测试假设（含预期符号/大小）、识别策略、数据需求、关键假设、潜在缺陷、2-3 篇同类方法文献。
- 内置因果推断工具箱：明确点到双重差分（DiD）、工具变量（IV）、断点回归（RDD）、合成控制等经典识别策略，并说明处理组、控制组与关键假设（如平行趋势）。
- 可行性排序表：输出末尾用表格按"可行性 × 贡献"给出优先级，直接告诉你先做哪个。
- 上下文感知：会先读取
$ARGUMENTS与引用文件，检索master_supporting_docs/中的相关论文，并检查.claude/rules/里的领域约定，让输出贴合你所在领域的写作规范。 - 明确的自我约束原则：创意但接地气、像审稿人一样思考、优先考虑数据可用性、尽量点名具体数据集（如 FRED、Census、PSID、行政数据等）。
与普通工具比强在哪：普通对话式 AI 给出的选题往往停留在"你可以研究 A、B、C"，缺少识别策略与威胁分析；而该技能对每一个因果性问题强制附带"识别挑战"，等于把审稿意见前置到了选题阶段。
3. 如何使用该技能？
步骤一：准备输入。 输入可以是三类之一：主题（如"最低工资对就业的影响"）、现象（如"为什么企业地理上聚集？“）、数据集描述（如"2000-2020 年美国县面板数据，包含污染和健康结果”）。描述越具体，输出越具体。
步骤二：显式调用技能。 在会话中输入技能指令并附上参数，例如：
/research-ideation 最低工资对就业的影响
或直接说明：“用研究构思技能帮我围绕’平台经济对本地服务业工资的影响’做研究构思。”
步骤三：等待技能执行五个内部步骤。 理解输入 → 生成 3-5 个研究问题 → 为每个问题开发六件套 → 按可行性与贡献排序 → 保存报告。
步骤四：读取产物。 报告会落在 quality_reports/research_ideation_[主题].md，结构固定为：概述 → 研究问题（RQ1-RQ5，各带可行性与类型标签）→ 排序表 → 建议下一步。节选示例如下：
### RQ1: 最低工资上调是否降低了低技能就业人数？(可行性: 高)
**类型:** 因果性
**假设:** 最低工资上调 10%，低技能就业人数下降 1%-3%
**识别策略:**
- **方法:** 双重差分
- **处理:** 州级最低工资上调的时间点差异
- **控制组:** 未调整最低工资的相邻州
- **关键假设:** 平行趋势
**潜在缺陷:**
1. 州级政策内生性 —— 可用邻近州配对与事件研究图缓解
步骤五：迭代。 若某个方向不合口味，把新的约束（如"只用公开数据"“必须能在一个月内完成”)追加进参数再跑一次，输出会被重新排序。
4. 同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 研究构思Skill（research-ideation） | 结构化的研究设计生成器 | 五层问题阶梯、六件套、识别策略、可行性排序、落盘报告 | 需支持 Skill 的环境并放入技能目录（以官方说明为准）；输入仅一个参数 | 开题选题、政策评估设计、数据资产盘点后的课题拆解 | 优势：输出稳定、结构统一、强制考虑识别与数据；不足：不自带真实数据，文献需人工核实 |
| 通用大模型对话 | 万能问答助手 | 自由对话生成选题灵感 | 零门槛，注册即用 | 头脑风暴初期 | 优势：灵活、可追问；不足：结构不稳定，常缺识别策略与缺陷分析，每次都要重写提示词 |
| 学术文献检索/综述类工具 | 文献发现与证据汇总 | 检索论文、抽取结论、生成文献综述 | 订阅或免费额度，以官方说明为准 | 已有明确方向后找文献 | 优势：文献覆盖广、可溯源；不足：不负责生成研究假设与识别策略，仍需自己设计研究 |
| 人工开题与导师讨论 | 人类专家判断 | 经验性评估、资源与人脉建议 | 时间成本高、依赖导师可得性 | 关键节点定稿 | 优势：判断力与领域直觉最强；不足：周期长、难以高频试错，且难以一次给出多个备选设计 |
5. 该技能的典型应用场景与实际体验情况
场景一：经济学研究生开题。 痛点是"有个模糊兴趣但说不清问题"。把主题丢进去，一次拿到 5 个分层问题，其中因果性问题自带 DiD/IV 候选策略与平行趋势这类关键假设，等于提前拿到一份审稿意见清单。实际体验：上手几乎无门槛，一次调用即有完整报告；注意文献条目需自己核实原文。
场景二：政策研究机构做评估设计。 面对"某项补贴是否提升了企业研发投入"这类任务，技能会把问题拆成描述性（补贴覆盖率如何演变）、因果性（补贴的因果效应）、机制（通过融资约束还是人才渠道）、政策（扩大覆盖是否划算），并列出数据需求。实际体验：最有价值的是"潜在缺陷"一段，能提前暴露自选择、政策内生性等风险。
场景三：拥有数据集但不知研究什么。 输入"2000-2020 年美国县面板数据，包含污染和健康结果"，技能会反向推导数据能支撑哪些识别策略。实际体验：这类"数据驱动"用法产出最实用；注意事项是它可能建议你补充外部数据，需自行确认可得性。
场景四：跨领域转向的研究者。 进入新领域时，master_supporting_docs/ 中的论文与 .claude/rules/ 中的领域约定会被读取，输出更贴合该领域惯例。实际体验：对领域约定的贴合度取决于你喂了多少材料，材料越全效果越好。
6. 该技能能为用户带来的价值
- 效率：把"选题—假设—识别—数据"这条链上原本需要反复开会、来回改稿的讨论，压缩成一次结构化生成，第一版研究设计几乎即时可得。
- 门槛：不熟悉因果推断术语的使用者，也能通过模板化输出理解"什么是识别策略、什么是关键假设"，相当于一份随叫随到的研究设计教练。
- 质量：强制为每个因果问题列出识别挑战与缓解方案，把常见的方法论漏洞在选题阶段就暴露出来，减少后期返工。
- 可复用：报告以 Markdown 落盘到
quality_reports/，可进版本管理、可团队共享，逐步沉淀为课题库。 - 长期价值：统一的问题分层与排序标准，让团队在多个备选课题之间做取舍时有共同语言，而不是各说各话。
7. 常见问题 FAQ
Q1：怎么安装？会不会很复杂？
答：把技能包放入 AI 智能体环境约定的技能目录，刷新会话即可。具体目录层级与命令以官方说明为准。验证方式很简单：调用后若出现 [主题、现象或数据集描述] 的参数提示，说明已加载成功。
Q2：收费吗？ 答：技能本身是否收费取决于获取渠道，以官方说明为准。需要留意的是，它运行在你的 AI 环境内，会消耗该环境的调用额度。
Q3：为什么我直接提问没有自动触发它？
答：因为该技能配置了 disable-model-invocation: true，设计上就是"只在你显式要求时运行"。请用技能名或指令主动调用，不要指望模型自动判断。
Q4：适合谁用？非学术岗位有用吗？ 答：最适合需要做因果性判断的人——经济学/社会科学研究者、政策分析师、数据科学与用户研究团队。需要写文案、做设计的场景不适合。
Q5：它给出的文献和数据建议能直接用吗？ 答：不能直接引用。技能会建议具体数据集（如 FRED、Census、PSID、行政数据）和 2-3 篇同类方法论文，但这些都需要你自行核实可得性与准确性；技能本身不具备联网检索真实数据的能力。