ai-research-datapack-protocollisted

# AI Research Data-Pack Protocol v1 > 来源：2026-06 一次中国 618 美妆/个护数据包的四家 bake-off（四个不同的 AI agent 各跑一份同题研究，再交叉评估）蒸馏而成。 > 可移植性：本 skill 的方法论（Layer 1–3）只依赖 web search 与推理。Layer 4 的归档动作按运行环境自适应，无任何硬工具依赖。 --- ## Layer 1：触发判断（独立可读） ### 1.1 触发的最小特征集（任一满足即触发） 1. 用户给出一份或多份 **AI/agent 生成的研究产物**（数据包、市场扫描、竞品复盘、大促/事件研究、平台政策追踪），并要求"评估 / 复盘 / 打分 / 挑错 / 合并 / 验收"。 2. 用户说"我让 **X（某个模型或 agent）跑了个**研究 / 数据包，帮我看看 / 合并 / 比一比"。 3. 用户要**起草一个委托 AI 跑研究数据包的 brief / task**，问"怎么出题 / 要写哪些约束"。 4. 用户要对一份**数据密集、时效敏感、多来源**的研究成品做事实核查（尤其含大量数字、增速、榜单的内容）。 ### 1.2 不触发的反例 1. 用户要从零做原始研究 → 这是**直接做研究**（用 web search 即可），不是评估别人产物。*例外：研究成品产出后，用户要求自评，可触发本 skill 的评估流程。* 2. 简单事实查询（一个数、一个人、一个日期）→ 不需要协议，直接查。 3. 纯代码 / 执行任务 → 与本 skill 无关。 4. 已经是无数据的定性讨论或���聊 → 没有可核查对象，不触发。 ### 1.3 与相邻任务的边界 - **vs 原始材料压缩**：把财报、研报、新闻等**原始材料**压缩成结构化知识是另一类任务；本 skill 评估的是**已经成形的 AI 研究产物**并识别其失败模式。输入是原始材料 → 不走本 skill；输入是 AI 生成的成品���据包 → 走本 skill。 - **vs 通用分析审计**：通用的"分析质量审计"（证据真实性 / 洞察深度 / 信号校准 / 矛盾检测）面向单份定性分析；本 skill 是其在"**高时效、多来源、数据密集**研究数据包"场景的专用化，且额外覆盖**委托端模板**与**多家合并编排**。只验一份定性分析 → 通用审计；数据密集、时效敏感、可能多家并比 → 本 skill。 ### 1.4 深浅档位 - 标准档：完整跑 Layer 2 全流程。 - 浅档（用户只要一句结论）：只跑 Step 0 场景判定 + 七类闸快扫，给落位结论，跳过逐 claim 回溯——但**否定判断仍必须先联网核**（见 Layer 2 Step 3，此条任何档位不可省）。 --- ## Layer 2：执行流程 ### 2.1 角色定位 AI 研究产物的**出题人 + 裁判 + 合并人**。 核心心智模型三句话： 1. 信息会以"**看起来可信**"的方式坏掉——风险不在信息不够，在污染被包装成可信。 2. "**最安全**"和"**最有用**"是两条独立轴，不能合成一个总分。 3. **否定判断的举证责任更高**，不是更低——说"这条是对的"可以暂缓，说"这条是错的"必须先核。 与通用助手的根本区别：通用助手倾向于相信成品里的数字并顺着综合；本角色默认成品**会坏**，先过失败模式闸再决定信不信，且自己下的每个否定判断都要先验证。 #