档案

Dossier — 决策级实体研究

> 可移植性： 需要 WebSearch + WebFetch，安装了 docx 包的 Node.js，以及可选的 bash_tool + curl 以调用免费 API（SEC EDGAR, GitHub, ProPublica）。BYOK MCPs（LinkedIn, Crunchbase, Apollo, Pitchbook, SimilarWeb）为可选增强项。原生支持 Claude Code CLI。

非通用框架 —— 核心差异化

本技能提供的是带有假设验证的决策级实体研究。它拒绝执行类似“告诉我关于微软的信息”这种宽泛指令。每次调用都会强制用户预先披露其假设（Q4），以便档案能够*测试*该假设，而非仅仅确认它。

典型用例场景：

> “我周二要向微软提案。我的假设是他们正在将其 AI 支出整合到自己的 Foundry 平台中。请验证或证伪，并根据你的发现给我三个对话切入点。”

而非：

> “告诉我关于微软的信息。”

强制性的 Q4（假设问题）是非通用化的锚点。如果跳过此步骤，该技能将仅产生类似维基百科的摘要。

详见 references/hypothesis_testing_discipline.md 标准。

Agent 完整性规则（研究包约定）

根据 PR #657 审计原样锁定。

• 执行纪律。 顺序调用搜索。WebSearch + WebFetch 的速率限制比 Consensus 宽松，但仍需遵守每秒 1 次请求的礼仪。在下一次调用前确认已收到响应。

• 来源纪律。 仅引用本会话工具调用返回的来源。维基百科/训练知识需标记为 [背景信息 —— 引用前请验证]，且不计入主要发现数量。

• 三项计数追踪。 发送的查询数 / 接收的来源数 / 引用的来源数。此外，包含 dossier 特有的分级细分（一级 / 二级 / 三级）来源数。这些将呈现在审计日志中。

• 重试策略。 失败 $\rightarrow$ 等待 3 秒 $\rightarrow$ 重试一次 $\rightarrow$ 记录日志。连续失败 3 次后：停止并提醒用户。

• 来源可靠性分级。 每条引用需标记为一级（官方、SEC、法院记录）/ 二级（主流新闻、行业媒体）/ 三级（博客、论坛）。DOCX 文档在每个标记处均显示分级。

第一阶段：深度引导采集（6 个强制问题，逐一提出）

Q1 (根问题) — 主体身份

> 研究主体是谁？请提供准确名称，如果是公司，请提供...
网站或 LinkedIn URL。如果是个人，请提供其 LinkedIn URL 或唯一标识符（公司所属 + 职位）。**
>
> *询问原因：* 消除歧义。世界上有 47 个叫 John Smith 的人，有三家公司叫 "Atlas"。我需要一个具体的实体来进行研究。

如果用户仅提供姓名，请要求提供第二个标识符。对于模糊的姓名，拒绝继续执行。

Q2（取决于 Q1）— 主体类型

> 该主体是什么类型？请选择其一：个人 / 公司 / 非营利组织 / 政府机构 / 其他。
>
> *询问原因：* 适用不同的信息源矩阵。对于个人，我会检查 LinkedIn、GitHub、Scholar 和新闻；对于公司，我会检查 SEC EDGAR（如果是上市公司）、Crunchbase、新闻，以及技术组织的 GitHub；对于非营利组织，我会检查 ProPublica 上的 Form 990 表格。

强制选择。“其他”需要提供一行描述。

Q3（取决于 Q2）— 目的

> 您在为何做准备？请选择其一：
>
> 1. 销售会议 / 合作伙伴提案
> 2. 投资尽职调查
> 3. 收购尽职调查
> 4. 新闻报道 / 尽职调查
> 5. 求职面试准备
> 6. 竞争情报分析
> 7. 个人背景审查（约会、雇佣、商业伙伴）
> 8. 其他（请注明）
>
> *询问原因：* 目的决定了研究的角度、深度以及对“红旗”（风险信号）的敏感度。销售准备需要对话切入点；投资尽调需要增长信号；个人审查则需要谨慎的敏感度界限。

Q4（取决于 Q3）— 假设 — 强制要求

> 您目前的假设是什么？关于该主体您已经相信了什么，以及您想要验证或反驳什么？
>
> *询问原因：* 这是最关键的问题。一份仅仅证实你既有认知的档案是毫无价值的。通过预先陈述假设，我可以同时寻找*反驳*该假设的证据和支持该假设的证据，从而给你一个真正有用的结论。
>
> 示例：
> - “我认为微软正在将 AI 支出集中在第一方 Foundry 上。请验证或反驳。”
> - “我觉得这位 CEO 已经力不从心了——谈论过多 TAM（潜在市场总量），但没有实际进展。请测试这一点。”
> - “我认为这家非营利组织的管理费用率有问题。请检查 990 表格。”
> - “我认为此人的技术能力足以胜任 CTO 职位。请验证。”

强制要求。 如果用户说“我没有假设”，请一次性追问：“那么请尝试猜测。先确定一个立场，以后可以再更新。档案需要一个可测试的假设，否则它将变成一份泛泛而谈的简介，无法帮助您做出决策。”

如果用户仍然拒绝：则退而求其次，采用隐式假设“我能发现的最令人惊讶的事情是什么？”，并在审计日志中标记此回退操作。

这个问题是防止泛化（non-generic）的锚点。跳过它，这项技能就变成了维基百科摘要。

Q5（取决于 Q3）— 深度

> 时间跨度：5 分钟简报，还是 15 分钟决策级档案？
>
> *询问原因：* 简报模式上限约为 10 次搜索，并跳过人脉网络和声誉审查。决策级档案会对每个部分进行更深入的挖掘。请根据您在该决策中的利益相关程度进行选择。

强制选择。

Q6（仅在 Q3 为 {新闻报道, 个人背景审查} 时询问）— 敏感信息

> 是否有需要排除的敏感信息？例如：个人医疗、家庭细节、政治历史或特定的禁忌话题？
>
> *询问原因：* 某些研究场景存在伦理约束。我希望预先了解，而不是挖掘出一些您永远不会分享的信息。

销售/投资/收购/竞争情报（低敏感度）可跳过；新闻报道/个人审查（高敏感度）必须询问。

停止条件： 在 Q6 之后（或在 d... 之前提前停止）
（依赖项跳过），提交并启动第二阶段。第二阶段开始后，绝不能重新开启入口阶段。

第二阶段：主体消歧

在进入第三阶段之前，将主体解析为具体实体：

• 个人：确认 LinkedIn URL 或（雇主 + 职位 + 城市）

• 公司：确认域名或（法定名称 + 注册地）

• 非营利组织：确认 EIN 或（法定名称 + 州）

• 政府机构：确认官方 .gov URL

如果在 Q1 反馈后仍然模糊：停止并重新询问 Q1，并提供消歧标识符。拒绝继续执行。

第三阶段：来源矩阵选择

根据 Q2 的主体类型进行路由。完整规范请参阅 references/subject_type_source_matrix.md。

个人

• LinkedIn（手动获取或使用 BYOK 的 LinkedIn MCP）

• 个人网站

• Twitter/X（有频率限制；需优雅降级）

• GitHub（若为技术人员）

• Google Scholar（若为学术人员）

• 新闻（WebSearch + WebFetch）

• 会议演讲转录、播客（WebSearch）

公司

• 官方网站（关于、领导层、新闻、招聘）

• SEC EDGAR（免费 API；上市公司的 10-K, 10-Q, 8-K 报表）

• Crunchbase 免费版（或使用 BYOK 的 Crunchbase MCP）

• 新闻（WebSearch + WebFetch）

• GitHub（针对技术组织）

• Glassdoor + Comparably（情绪分析；若抓取被拦截则优雅降级）

• LinkedIn 公司主页

非营利组织

• ProPublica Nonprofit Explorer（免费；Form 990 表格）

• 官方网站

• 新闻

• GuideStar（若可访问）

政府机构

• 官方 .gov 网站

• 新闻

• ProPublica（针对联邦机构）

如果连接了付费 MCP（如 Apollo, Pitchbook, SimilarWeb），请使用并在审计日志中将结果标记为 BYOK-sourced。

第四阶段：假设驱动搜索

所有第四阶段的搜索必须被分类为：

• 支持性证据（证实假设），或

• 反驳性证据（可能推翻假设）

搜索预算的 $\ge 30\%$ 必须分配给反驳性查询。 通过 scripts/disconfirming_evidence_balance.py 强制执行。

针对假设“微软正在将 AI 支出整合至 Foundry”的示例：

• 支持性："Microsoft Foundry adoption 2026", "Microsoft AI infrastructure consolidation"

• 反驳性："Microsoft OpenAI deal renegotiation", "Microsoft AI vendor diversification", "Microsoft third-party model partnerships 2026"

这是使档案达到决策级而非确认偏差的关键。

对于每次搜索：

• 通过 citation_tracker.py 记录并标注分类（支持/反驳）

• 使用 source_tier_classifier.py 为每个结果 URL 分配来源等级

第五阶段：12 个月活动时间线

活动时间线默认窗口为 12 个月；基础身份信息可追溯更久。

类别：

• 新闻（收购、入职、离职、产品发布）

• 融资轮次 / 财务事件

• 争议 / 法律事件

• 公开声明 / 战略转移

按时间反序排列。每条记录需包含超链接并标注等级。

第六阶段：网络 + 声誉信号

网络

• 公司：投资者（进入/退出）、客户（具名）、合作伙伴

• 个人：共同创始人、顾问、导师、雇主、董事会职务

• 非营利组织：资助者、董事会、领导层

列出 5-10 条记录，按与假设的相关性排序。

声誉

• 新闻情绪（近 12 个月）

• 公司的 Glassdoor 评价（综合评分 + 3 条代表性评论）

• 个人的同行提及

• 注意：声誉数据存在噪音；请相应标注等级

第七阶段：红旗审查（风险筛查）

挖掘但不夸大：

• 诉讼（法院记录 $\rightarrow$ 优先...

• 监管行动（SEC、司法部、机构行动 $\rightarrow$ 一级）

• 异常离职（关键人员在 90 天内离职）

• 财务信号（10-K 报告中的持续经营疑虑注释 $\rightarrow$ 一级）

• 声誉受损（持续的负面报道 $\rightarrow$ 二级）

每个标志均分级。 级别将显示在 DOCX 文档中每个标志的旁边。

第 8 阶段：对话切入点（Conversation Hook）生成

生成 3-5 个与实际发现挂钩的具体切入点，而非泛泛而谈的谈话要点。

参考 references/conversation_hook_quality.md 获取标准。

| ❌ 泛泛而谈 | ✅ 基于发现 |
|---|---|
| “询问他们的路线图” | “提到他们最近收购了 [X] —— 这表明他们正在投资垂直领域 Y。建议话术：‘看到关于 [X] 的公告了 —— 这如何改变你们在 Y 方面的路线图？’” |
| “询问招聘情况” | “他们的工程副总裁 3 周前离职了（来自 LinkedIn）。建议话术：‘我注意到 [姓名] 离职了 —— 你们的工程领导层计划是什么？’” |
| “谈谈他们的价值观” | “他们上周更新了定价页面（来自官网）。建议话术：‘看到定价更新了 —— 是什么驱动了这次调整？’” |

每个切入点包含：

• 切入点（一句话）

• 关联的发现（附超链接 + 级别）

• 建议话术（用户可直接采用或修改的原文）

第 9 阶段：DOCX 生成（9 个章节）

通过 Node.js + docx 库实现。

1. 执行摘要 (Executive Summary) —— 一个段落：对方是谁 + 为什么重要 + 假设结论（支持 / 部分支持 / 证伪 / 不确定） + 3 个“你应该知道”的要点。
2. 身份事实表 (Identity Facts Table) —— 成立/出生日期、地点、规模/阶段、当前职位、关键关联机构。所有单元格均需标注来源；悬停文本显示级别。
3. 假设验证 (Hypothesis Test) —— 原样陈述用户的假设。支持证据（3-5 个要点，附超链接引用）。反驳证据（3-5 个要点，附超链接引用）。结论段落（2-3 句话解释权重）。
4. 12 个月活动时间线 (12-Month Activity Timeline) —— 新闻、融资、招聘、离职、产品发布、争议。逆序排列。每项条目均附超链接。
5. 网络信号 (Network Signals) —— 合作者 / 投资者 / 关联人。5-10 个条目，按与假设的相关性排序。
6. 声誉信号 (Reputation Signals) —— 来自新闻的情绪分析、公司的 Glassdoor 评价、个人的同行评价。注：声誉数据存在噪声。
7. 红旗标志 + 隐藏模式 (Red Flags + Hidden Patterns) —— 诉讼、监管行动、异常离职、财务信号、声誉受损。分级显示。
8. 对话切入点 (Conversation Hooks) —— 3-5 个与发现挂钩的具体切入点。每项包含：切入点 + 发现 + 建议话术。
9. 来源出处 + 审计日志 (Source Provenance + Audit Log) —— 按来源列出清单并分级。搜索汇总表（序号、查询词、分类、返回来源数、引用来源数）。三个总数 + 各级别计数。失败的搜索。BYOK-MCP 使用标志。

样式

正文 Arial 12pt，标题深蓝色 (#1a3a5c)，表格表头浅蓝色 (#e8f0f8)，红旗标志使用红色标注，对话切入点使用绿色标注。

超链接模式

new ExternalHyperlink({
  link: "https://...",
  children: [new TextRun({ text: title, style: "Hyperlink" })],
});

第 10 阶段：交付

• 保存路径：<output-dir>/dossier_<entity-slug>_<YYYY-MM-DD>.docx

• 聊天摘要：文件路径 + 假设结论 + 审计计数 + 级别分布 + 使用的 BYOK MCPs（如有）

• 验证：使用 python3 -c "import zipfile,sys; zipfile.ZipFile(sys.argv[1]).testzip()" <docx> 检查 zip 完整性（无输出即为完整），然后确认所有必要章节均已存在。

工具链

| 脚本 | 角色 |
|---|---|
| scripts/citation_tracker.py | 三次计数审计 + 支持/反驳分类 + 来源分级标记，存储于 ~/.dossier_sessions/<session>.json |
| scripts/disconfirming_evidence_balance.py | 验证 ≥30% 的搜索预算分配给反驳性查询；若存在偏差则发出警告 |
| scripts/source_tier_classifier.py | 通过域名启发式算法将 URL 分类为：一级 / 二级 / 三级来源 |

参考资料

• references/hypothesis_testing_discipline.md — ≥30% 规则 + 决策级 vs 百科级（7+ 来源）

• references/subject_type_source_matrix.md — 个人/公司/非营利组织/政府来源矩阵（7+ 来源）

• references/conversation_hook_quality.md — 基于发现的对话切入点规范（7+ 来源）

错误处理

| 故障场景 | 处理行为 |
|---|---|
| 主体名称模糊 | 拒绝继续。重新提出 Q1 并要求提供消除歧义的标识符。 |
| 用户拒绝提供假设 | 尝试一次引导。若仍拒绝，则回退至“我能发现的最令人惊讶的事是什么？”这一隐式假设。在审计中标记。 |
| 主体无公开足迹 | 明确指出。建议更换名称或标注为早期阶段。严禁捏造。 |
| LinkedIn 抓取被拦截 | 在审计中记录；回退至 WebSearch；建议用户手动验证。 |
| SEC EDGAR 失败 | 重试一次。若仍失败，记录“未获取公开申报文件”并继续。 |
| 情感数据稀疏 | 将声誉部分标记为“公开信号有限”；不要基于训练数据进行推断。 |
| 出现敏感话题（Q6 排除项） | 从 DOCX 中剔除。在聊天中（而非 DOCX 中）告知用户已执行排除。 |
| 连续 3 次工具调用失败 | 停止运行，提醒用户，分享目前已收集的信息。 |
| DOCX 生成失败 | 将原始数据保存为 JSON 作为备选方案。 |

应拒绝的反模式

• 在未强制执行 Q4 假设的情况下生成档案

• 分配给反驳性证据的搜索预算 <30%

• 批量提出引导问题

• 接受模糊的主体名称

• 通用的对话切入点（如“询问他们的路线图”）

• 夸大红旗（Red Flags）风险（应进行分级，而非主观评论）

• 在标记红旗时跳过来源可靠性分级

• 在 LinkedIn 或抓取被拦截时捏造覆盖范围

• 使用 BYOK-MCP 数据且未在审计日志中标记

• 包含用户在 Q6 中排除的敏感话题

• 确认偏差的结论（在未分析反驳证据的情况下直接判定为“支持”）

---

版本： 1.0.0
来源规范： megaprompts/12-dossier-megaprompt.md
构建模式： 路径 B（直接转换）。研究包同级，假设检验变体。