3D Deep Research
SkillDev toolsResearch products, companies, technologies, concepts, people, industries, markets, or complex events using evidence chains and X/Y/Z three-dimensional analysis, delivering traceable in-depth research reports. Use when the user requests deep research, systematic investigation, competitor or market re
Available today. Use it from your connected AI after setup.
No other account needed.
Connect ahel once, and every AI you use reads what you have installed.
Then ask your AI: use the 3D Deep Research skill
What this skill tells your AI
The instructions your AI receives, as published by jeffy-peng/jeffy-skills in 3d-deep-research/SKILL.md and read by ahel’s review.
把研究对象放进“时间—力量—机制”三维坐标:X 轴解释它如何走到今天,Y 轴解释关键时刻哪些力量同时作用,Z 轴解释关键力量为何这样行动。三轴交汇必须形成新的机制判断,而不是重述材料。
默认交付完整的 Markdown、HTML 和 PDF 三份报告;用户明确缩小交付范围时按其要求减少。不要把普通问答扩写成长报告。
必读资源
执行完整研究时:
- 读取 references/evidence-protocol.md,建立来源与 Claim 账本并执行事实审计。
- 读取 references/xyz-method.md,执行 X/Y/Z 和交汇分析。
- 根据研究对象读取 references/object-adapters.md 的对应部分。
- 读取 references/visual-guidelines.md,用于分析阶段的视觉规划、HTML/PDF 渲染和图表检查。
- 写作时复制 assets/report-template.md,保留模板要求的章节和附录。
报告措辞
- 先直接回答研究问题,再解释事实、原因、限制和行动含义。
- 使用自然、具体的语言。尽量说明“谁做了什么、为什么、造成什么结果”,避免名词堆叠和抽象套话。
- 每段只推进一个判断。删除不提供事实、解释或决策价值的句子。
- 明确区分事实、解释和预测。证据只能支持“可能”时,不写成“证明”或“必然”。
- 不把 Claim 类型、证据门槛、X/Y/Z 等内部方法术语写进正文;它们只用于组织研究和附录说明。
- 数字首次出现时说明时间、单位、统计口径和比较对象。
- 不使用宣传式形容词、无依据的最高级,以及“值得注意的是”“不容忽视”等空洞过渡语。
- 只在不确定性会影响结论时说明限制,并紧邻相关判断书写。
执行流程
0. 明确研究设定
记录研究对象、对象类型、用户要做的决策、特别关注点、时间基准、范围边界和交付要求。对象或决策问题会显著改变结论时最多追问一次;其余情况直接开始。
复杂或持续时间较长的任务可以把上述设定记录为工作笔记;不要为简单任务强制创建独立过程文件。
研究范围由问题和证据决定,不追求来源数、Claim 数、字数或图表数量。每个进入 A2 的关键判断和数字都必须通过证据门槛并完成审计;资料不足时缩小范围,不降低标准。
涉及“最新、现在、最近”时联网核实,并记录发布日期和访问日期。输出到用户指定位置;未指定时使用当前项目的 output/。
1. 规划检索
先列出:
- 必须确认的事实;
- 需要验证的因果或机制;
- 需要主动寻找的反向证据、替代解释和失败案例。
检索过程中根据证据调整问题。每个影响结论的问题最终都要有来源支持,或在 A2/A3 明确标为未解决。复杂任务可以维护检索笔记,但不强制生成独立表格。来源选择遵循 evidence protocol,优先使用适合该对象的原始材料、官方记录和独立来源。
2. 维护证据账本
在 report.md 附录 A1 和 A2 分别维护来源与 Claim 账本。来源使用稳定 ID(S01、S02),关键判断使用 Claim ID(C01、C02)。把“来源出处”和“证据作用”分开记录。
研究过程中持续更新账本。每条关键判断的支持证据、反向材料、独立性、置信度、资料缺口和反证条件,按 references/evidence-protocol.md 记录和判断;不要凭感觉设定置信度。
证据不足时交付“已确认部分 + 资料缺口 + 下一步验证路径”。因果或机制证据不完整时降级表述,不补写猜测,也不因局部缺口停止整份交付。
3. 执行 X/Y/Z 分析
先用 X 轴建立因果路径,再选择缺失后会显著削弱解释的关键截面分析 Y 轴,并只拆解具有解释增量的 Z 轴机制。数量由问题复杂度和证据决定,不为凑结构而添加。详细方法和未来表达方式见 references/xyz-method.md。
正文中的重要判断使用 [S01] 形式引用来源。三轴交汇需要说明历史选择、力场变化和内部机制如何共同造成结果,以及判断最可能错在哪个前提。
在分析阶段识别支撑核心结论的关键比较、演化路径、主体关系和机制,并规划相应的视觉表达,随证据更新调整。不要等正文完成后才考虑配图;可在已有研究笔记中简记,无需新增独立账本。
4. 写作与视觉表达
使用 assets/report-template.md 的四个必选章节、按需保留的第五章和必要附录。章节标题使用自然语言,篇幅服从问题和证据。
关键关系用图能显著减少读者对照、记忆或推演负担时,应制作相应分析图;数量由需要解释的关系决定。不能以正文已有描述或缺少量化数据为由省略有价值的图。图、表与文字各取所长,避免重复和装饰。量化图必须有可靠且可比较的数据;具体触发条件、证据要求和图表契约见 references/visual-guidelines.md。
5. 执行事实审计
结构校验不能证明事实。验证前按 evidence protocol 执行归属审计和数字复核:
- 回到来源原文,确认每个关键判断能够由所引材料推出;
- 复算正文数字,检查单位、币种、时间和统计口径;
- 确认反向材料与正文中的限制一致,没有被删除或弱化;
- 把审计结果反映到正文、A2 和 A3。
审计失败时改写正文,或降级、删除 Claim;不修改账本去迁就结论。
6. 验证与交付
运行唯一的报告校验入口:
python [skill目录]/scripts/validate_report.py report.md
validate_report.py 只检查机器可验证的结构和证据一致性,不证明外部事实真实,也不判断是否遗漏了有价值的图。交付前按 visual guidelines 复核核心关系的视觉表达;全文无图时必须执行零图复核。
校验通过后默认生成 HTML 和 PDF,并校验 PDF:
python [skill目录]/scripts/render_report.py report.md output.html
python [skill目录]/scripts/render_report.py report.md output.pdf
python [skill目录]/scripts/validate_report.py report.md --pdf output.pdf
渲染前在 report.md 同级的 fonts/ 放置 NotoSansCJKsc-Regular.otf 和 NotoSansCJKsc-Bold.otf,并安装 WeasyPrint 69.0。渲染器会检查并嵌入这两种字体。
PDF 只通过本 Skill 的 render_report.py 生成,不另写 ReportLab 或其他 Markdown-to-PDF 实现,也不绕过 assets/report.css。渲染依赖或字体不可用时说明阻塞,不切换到其他引擎或排版实现降级交付。
标题取报告第一行 H1。渲染器会把 [Sxx] 引用转为可点击锚点。交付前按 visual guidelines 检查输出,并通读正文。最终交付 report.md、output.html 和 output.pdf;用户明确只要其中部分时才省略。
质量红线
- 不把新闻排序当作因果链,也不把力量分类表当作 Y 轴。
- 不用心理揣测代替机制,不把三轴交汇写成前文摘要。
- 不用同一原始材料的转载数量冒充独立证据。
- 不隐藏冲突、样本偏差、访问失败、资料缺口或反向材料。
- 不生成没有数据口径的数字图,不交付未经复核的数字。
- 不留下模板占位符、未渲染图表或无法追溯的来源。
- 不把过期证据当作当前状态。
Signals
- GitHub stars
- 20
- Last commit
- Sep 2026
Advanced
- Catalog kind
- skill
- Gateway key
x-3d-deep-research- Source
- github.com/jeffy-peng/jeffy-skills