问津者，先问路，再上路。
一个装在 Claude Code / Hermes / Codex 里的调研方法论：先帮你把问题想清楚，再去把它研究透， 最后交付一份带引用、有反证、结论强度不超过证据的报告。
大多数 AI 调研的问题，不是查得不够多，而是完美地回答了错误的问题。
网页版的调研产品已经很好了——秘塔、Kimi、Perplexity，报告像样、引用齐全。 但它们有三个绕不过去的问题：
- 贵，而且额度烧得快。 接专业数据库、跑几十次检索调用，贵有贵的道理； 但拿深度研究的额度跟 coding plan 的额度一比，结构就失衡了—— 正常做调研，一个月跑不了几次就见底。
- 中间卡着人工阻塞点。 网页版出了报告，你得手动下载、再导入自己的 Agent 和知识库——正是这一步人工搬运，让"需求发出→报告产出→沉淀进个人 知识库"永远无法成为一整条自动化工作流。
- 它不了解你。 每次调研都是一次冷启动——你的背景、偏好、正在做的事， 全部要重新交代一遍。
这个 Skill 走另一条路：装进你自己的本地 Agent，让研究成果真正留下来。
先想清楚一个问题：一次调研结束之后，留下了什么？ 简单的 AI 问答里， 好奇心被满足，每个问题都有回应，感觉知道了很多——可结束后，在你的脑子里、 在你的电脑里、在你的知识库里，好像都没有。几十页的调研报告也一样： 读完就忘，躺在收藏夹吃灰，下次遇到相关的问题，你重新搜，AI 重新查， 上次花一小时换来的认知，等于没发生过。
这个 Skill 的产出从设计上就能直接存进你的个人知识库：结构化 Markdown 报告 +
research-notes.md（问题—证据映射）+ 来源清单，调研完顺手归档。
从这一刻起，这份研究不再只活在你脑子里——它变成了你 AI 的记忆。
下次调研相关主题，它会带着上次的积累开工；以后聊起这个领域，
当时的结论、来源、反证都随取随用。你研究过的每一样东西，都在让你的 AI 更懂你。
整个过程中你不需要离开对话窗口：你在这里提出需求，报告写进本地文件， 结论归档进知识库，没有"下载再导入"这一步，链路不会断。因为它本来就带着 你的背景开工，所以你不用反复交代，它对需求的把握会越来越准。
而在研究质量本身，它解决的是另一个老问题：AI 常常完美地回答了错误的问题。 "调研一下 XX"不是可执行的任务——对象是谁？和谁比？你要拿报告改变什么决定？ 这些不问清楚，查得再多也只是在错误的主题上堆积正确的废话。
所以这个 Skill 把"调研"拆回它本来的样子：
开始检索前，它会先搞清楚一件事：这份报告要改变你的哪个判断、决定或行动。 存在实质歧义时，用问答帮你把需求想清楚——每轮只问一两个最高信息增益的问题， 不刷固定轮数；你说清楚了，它一个字都不多问。
"研究一下""跑一下"不会被当成"跳过澄清"。因为跳过澄清省下的三十秒， 会变成一份答非所问的报告浪费你的三十分钟。
很多调研工具用外置状态机、固定问题树、查询数量门来"保证深度"—— 这个项目的早期版本也这么干过：三层控制器、租约协议、哈希链审计。 后来发现，这些复杂度全花在了约束模型上，而不是改善判断上。
概念名词也一直在变：prompt engineering、context engineering、harness engineering…… 穿透下去内核只有一个：再聪明的模型，没有足够的信息也做不出好决策—— 巧妇难为无米之炊。所以现在它没有任何外置机器：研究路径由模型根据证据动态决定。 深度靠研究纪律保证，不靠"我跑了 80 次查询"证明。
搜索结果只用于发现候选。关键事实、数字、定义、争议，全部打开原始页面核验。 转载、镜像、同稿不算独立来源。你事后抽查任何一个引用，都能回到原页。
收尾前必须认真尝试推翻核心结论——找不到反证要写明"找过、没有"，而不是略过。 你带着预设立场来，它会把反方证据摆在你面前，而不是顺着你写。
"当前未知"不会被写成无条件结论；代理数据和推论会明确标注。 宁可告诉你"这个问题公开证据不足"，也不用相邻领域的数据冒充答案。
每次调研留下两份账本：research-notes.md（问题—证据映射）和 run-log.md（成本记录）。
开工前告诉你预计搜索量级和时长（standard 约 15–40 次搜索 / 30–60 分钟；
deep 需你明确要求），要加档先报成本、等你确认，不会失控。
| 网页版调研产品 | 直接让 AI 调研 | 问津 Wenjin | |
|---|---|---|---|
| 成本 | 订阅贵，额度烧得快 | 看宿主订阅 | 用你已订阅的 Agent，零增量 |
| 工作流 | 报告要手动下载再导入 agent，卡在人工阻塞点 | 对话里出结果，散落各处 | 需求→报告→知识库，本地一键闭环 |
| 上下文 | 每次都冷启动 | 限于当前对话 | 带着你的知识库开工，越用越懂你 |
| 需求澄清 | 不问，直接开写 | 不问，直接开写 | 先锚定"要改变什么判断"，有歧义先问 |
| 事实来源 | 部分核验 | 搜索摘要 + 模型记忆 | 关键事实必须打开原页核验 |
| 反证 | 默认顺着问题写 | 默认顺着问题写 | 必须主动尝试推翻核心结论 |
| 过程 | 黑盒 | 黑盒 | notes + run-log 全程可回溯 |
- 澄清：一两轮高信息密度问答，锁定研究对象、比较基准、决策用途；
- 研究：迭代检索 → 打开原页 → 维护问题—证据映射，缺口优先补；
- 写作前门：核心问题没收敛、结论没跟你对齐过，不许动笔；
- 成稿：默认 Markdown；要设计型 HTML/PDF 报告也有一条按需出版链；
- 交付前审查：标题、摘要、每条主要建议回头对照你的原始目标。
验收标准只有一条：报告里至少有一处，改变了你进门前的判断。 那是"理解真的发生了"的检验，不是字数。
Windows（PowerShell，复制回车即可）：
irm https://raw.githubusercontent.com/limpidwei/wenjin/main/install.ps1 | iexmacOS / Linux：
curl -fsSL https://raw.githubusercontent.com/limpidwei/wenjin/main/install.sh | bash默认装到 Claude Code 技能目录（~/.claude/skills）。研究主流程零依赖，装完即可用。
装到 Hermes（Windows）：
irm https://raw.githubusercontent.com/limpidwei/wenjin/main/install.ps1 -OutFile "$env:TEMP\wenjin-install.ps1"; & "$env:TEMP\wenjin-install.ps1" -Target "$env:LOCALAPPDATA\hermes\skills\research"直接对 Agent 说人话：
- 「深度调研一下 XX 行业 2026 年的竞争格局」
- 「我要在 A 和 B 两个方案里做决定，帮我查清楚各自的真实代价」
- 「这份报告要能拿去说服别人，来源必须经得起抽查」
它会先问你该问的，然后开始研究。
适合：深度调研、行业 / 产品 / 政策 / 技术比较、公开资料桌面尽调、 任何"我要拿结论去做真实决定"的问题。
不适合：简单事实问答（"XX 是哪年成立的"）、已有文件的摘要、翻译、纯排版。 这些它不会启动，直接答你。
默认交付 Markdown，不需要装任何东西。需要设计型 HTML/PDF 报告时，在 Skill 目录执行一次：
npm ci && ./node_modules/.bin/playwright install chromium之后说「要 PDF 报告」，自动走 检查 → 渲染 → 逐页转图视觉校对 链， 修掉裁切、乱码、溢出才交付。
需要额外 API key 吗？ 不需要。它只用宿主 Agent 已有的搜索、浏览、文件能力，方法论写在 Skill 里。
支持哪些 Agent？ 任何能读 Skill 目录的 Agent。Claude Code 是一等公民；Hermes、Codex 装法同上。
一次调研多贵？ standard 档约 15–40 次搜索、30–60 分钟；deep 档需你明确要求，开工前会先报成本。
MIT License。拿走，改它，让它为你工作。