灼见 v1.0.3

你可以直接这样说

这件事表面很好看，本质上是什么？
这个商业模式到底靠什么赚钱，风险在哪？
这个成功案例能复制吗？别只讲表面故事。

穿透事物本质的深度分析工具。拒绝表面叙事，从表象一层层挖到内核，用证据链给出最接近真相的判断。

版本说明：当前版本统一归一为 v1.0.8，功能继承并包含 v1.3.4 及以前的全部能力；下方保留历史变更记录备查。

v1.3.4（历史记录）：新增最终交付报告层。final_report.md / final_report.pdf 只给用户看案子结论；audit.json / evidence_ledger.json / quality_gate.json 只给调试和复核。新增 final_case_report 模式、--format md|html|pdf、PDF 封面/判断矩阵/结论卡片/渲染 PNG 检查要求。最终报告禁止默认出现 Skill、复跑、版本号、评分、gate、hollow risk、自动研究、脚本、工具、门禁、跑了什么等过程词。质量门禁新增 missing_verdict_matrix、missing_required_docs、pdf_not_render_checked、visual_breakage。

v1.3.3：新增投资人/决策者报告层。把证据台账自动渲染成“结论-证据-推理-边界-必须补材料”的结论链；新增 --report-profile investor|brief|full|audit，投资/尽调/承诺可信度场景默认用 investor，隐藏工具过程、版本、gate 分数和自动化尝试细节。新增承诺可信度门槛：上市、高回报/提现、市场份额、政策/身份背书、固定资产/基地/贷款类承诺必须有一手硬材料，否则只能判为“暂不能定论/证据不足”。

v1.3.2：不瘦身，只补强自动化护栏。新增 entities 主体识别、ledger 证据台账、gate 报告防空心化门禁；research_agent.py 会额外导出 evidence ledger 和 quality gate，自动记录主体混淆风险、证据缺口、冲突断言、低置信断言和报告空心化风险。自动化定位进一步明确：AI/人工搜索负责发现事实，脚本负责结构化、验证、审计和防漏项。

v1.3.1：收紧默认执行策略。Skill 不会一开始把所有功能全量跑一遍，而是按“模式识别 → 搜索任务板 → 必要抓取/补证 → 验证 → 输出”的阶段触发；只有用户明确要深灼、高风险决策、或证据缺口影响核心结论时，才运行完整自动研究链。增量信息示例全部泛化，避免把具体案例线索写进公开 Skill。

v1.3.0：按真实使用反馈重构为“执行优先”版本。承认灼见的核心工作量通常是搜索与交叉验证，而不是套方法论；新增搜索任务板、中文企业/工商/司法/政府公示检索路径、增量信息修正机制 revise、新线索 --new-info 审计。自动脚本定位从“一次性替你搞定”改为“把搜索、证据缺口、修正动作结构化”，避免方法论重、执行轻。

v1.2.0：强化为可审计研究流水线。新增 A/B 双路研究（A路正向核实，B路反向找漏洞）、证据矩阵与原文片段、页面抓取缓存 --cache-dir、缓存命中审计、A/B 命中统计。报告附录会展示自动抽取样本，避免只有结论没有证据。

v1.1.0：升级为自动研究辅助 Agent。新增 research_agent.py，可执行 计划 → 搜索 → 抓取 → 正文抽取 → 数据点抽取 → 来源评分 → 交叉验证 → 谬误检测 → Markdown 报告 + JSON 审计。保留 analyzer.py 作为底层计划/验证器；新增搜索受阻时的 --urls 降级入口，避免把不可控搜索能力伪装成确定能力。

v1.0.1：修正 v1.0.0 中的落地性问题：置信度公式补齐为 100 分制；辅助脚本新增 plan、validate、check 三个可执行入口；加入“快灼/深灼”两档执行深度；统一来源等级；发布包建议使用纯英文目录 zhuojian/，避免中文 zip 路径在部分平台乱码。

v1.0.0：采用五层穿透法，内置四类数据谬误强制检测（精确数字伪权威/特征拼接谬误/概念混淆/过度简化），9条对抗自检清单，三模式（灼本质/灼案例/灼漏洞）。

免费额度、付款与本次调用规则

前 5 次完整任务免费；免费额度由服务端按 SkillHub Pay 可识别用户/订单上下文统计，以服务端返回为准。
第 6 次起按次付费，当前标价：¥2.99 / 次；腾讯 SkillHub 包使用微信 Agent Pay / X402，product_id：SP260819XYH7。
付款只解锁同一 Skill、同一请求、同一订单的本次执行；换输入、换 Skill 或重新发起新请求会进入新的额度判断。
用户付款后，用同一订单号重试；服务端返回执行规格后，Agent 必须继续完成用户原始请求，不要把付款状态 JSON 当作最终结果。
免费额度或付费额度以任务完成回执为消耗点；执行中断、初始校验失败或未交付时，用同一请求/订单恢复。
本包不保存订单号、支付流水、手机号、Cookie、Token、API Key、商户密钥、支付私钥或证书。

免责声明与数据来源

本服务输出是结构化辅助判断和工作流建议，不构成法律、医疗、金融、投资、招投标或最终商业承诺；高风险场景必须由具备相应责任的人类复核。
数据来源包括：用户在请求体中提供的 task、context、materials，本包内的 SKILL.md、references/、scripts/、assets/，以及部署环境由用户明确配置的支付、退款或外部检索接口。
包内不包含商户私钥、个人凭证、支付密钥或用户隐私数据；生产支付配置必须通过运行环境变量或平台密钥管理注入。

核心方法：五层穿透法

无论灼什么，都严格按以下五层顺序输出，一层比一层深：

第1层 · 表象 — 它表面上是什么？基本事实、公开说法、大众认知
第2层 · 结构 — 拆开看内部结构：由什么组成、怎么运转、钱怎么流、人怎么动
第3层 · 逻辑 — 验证它站不站得住脚：找反例、找矛盾、找谬误、找"真的假的"
第4层 · 本质 — 一句话穿透：去掉所有包装，它的内核到底是什么
第5层 · 预判 — 它接下来会怎样？你该怎么办？值不值得做？

现实定位：先研究，后穿透

灼见不是“自动替你查完所有资料”的包办型机器人。尤其在中文企业、工商、司法、政府公示、招商加盟、地方产业等场景，通用搜索和脚本抓取经常拿不到完整数据。正确用法是：

搜索与证据占60%：先把主体、时间线、钱流、人流、货流、司法/监管、投诉/口碑查清楚。
逻辑判断占30%：再用五层穿透法、四类数据谬误、A/B反证去判断。
报告表达占10%：最后只输出必要结构，不为了显得完整而堆方法论。

如果自动脚本没查到关键来源，不要把空报告包装成深度分析。应当输出“搜索任务板 + 证据缺口 + 低置信初判”，然后继续补证。

默认执行策略：分阶段触发，不全量预跑

灼见启动后不要默认把 plan、research_agent、validate、revise 全部跑一遍。默认只做足够完成当前任务的最小动作：

用户只问“怎么看/是否值得继续查” → 只做模式判断 + 搜索任务板 + 低成本初判
用户给了明确对象但没要求深度 → 先跑 plan；如涉及公司/品牌/项目，再跑 entities 避免主体混淆
用户明确要深度分析、商业判断、尽调、漏洞扫描 → 再运行 research_agent.py
用户出现“投资人 / 是否相信 / 公司承诺 / 估值 / 能不能投 / 尽调 / 上市承诺 / 加盟回报 / 现金流”等语义 → 使用 --report-profile investor
用户出现“最终结论 / 输出PDF / 只要结论 / 不要过程 / 投资人 / 是否可信 / 哪些可信 / 哪些不可信 / 证据链”等语义 → 触发 final_case_report；若要 PDF，使用 --report-profile investor --format pdf
用户给出新线索 → 只运行 revise 或 --new-info 相关流程，不重跑无关模块
只有当核心结论依赖外部数据时，才整理数据点并运行 validate
报告写完前，如果有 audit JSON 或证据矩阵，运行 ledger / gate 检查证据台账和空心化风险

如果用户只是要一个简短判断，不要为了“完整执行”而输出冗长报告。

三个模式（自动识别）

根据用户输入的内容，自动判断使用哪个模式：

🔍 模式1：灼本质

触发场景：用户想了解一个产品、服务、商业模式、行业、公司的真面目。 关键词：商业模式、怎么赚钱、本质是什么、穿透一下、看透、分析一下

五层重点：

第2层重点：成本结构、收入来源、盈利模式、获客路径、组织架构
第3层重点：它真的赚钱吗？别人为什么抄不了？有没有隐性成本？
第5层重点：值不值得做？如果做，关键成功因素是什么？

📊 模式2：灼案例

触发场景：用户想搞懂一个成功案例（爆款/涨粉/赚钱项目/某人成功）背后的逻辑。 关键词：为什么火、怎么做到的、能不能复制、拆解案例、成功原因

五层重点：

第2层重点：时间线、关键节点、做了什么动作、投入了什么资源、用户/粉丝画像（必须标注数据口径）
第3层重点：哪些是必然、哪些是偶然？核心变量是什么？有没有平台红利？数据有没有被包装？
第5层重点：你复制的成功率？你做会踩什么坑？应该怎么做？不学形式学什么方法？

⚡ 模式3：灼漏洞

触发场景：用户有一份方案/文案/合同/代码/计划，想找问题。 关键词：找漏洞、有什么问题、帮我看看、风险在哪、找茬、挑毛病

五层重点：

第2层重点：方案结构、逻辑链条、关键假设、依赖条件、成本收益模型（区分不同场景/店型/规模）
第3层重点：逻辑漏洞、执行风险、法律风险、平台费率概念混淆、过度简化的结论、遗漏项、反例
第5层重点：按严重程度排序的漏洞清单 + 优化建议 + 概率推演

执行流程

第0步：选择执行深度与证据策略

先判断用户需要“快灼”还是“深灼”：

快灼：适合低风险、日常判断、用户只想先看方向。总来源数不少于3个，关键断言至少2个来源交叉验证；输出保留五层结论、关键证据、主要不确定点。
深灼：适合商业决策、案例复盘、方案漏洞、合同/法律/投资/医疗等高风险场景。总来源数不少于6个，覆盖不同信源层级；必须完整执行9条对抗自检和附录。
用户明确说“简单看下/快速判断/先粗看”时用快灼；用户说“深度/细看/帮我判断/能不能做/找漏洞/投资/合同/合规”时用深灼。

第1步：先生成搜索任务板

先运行计划器，拿到搜索任务板、来源路径和证据缺口。搜索任务板比五层报告更优先：

python skills/zhuojian/analyzer.py plan --mode <模式> --target "<分析目标>" [--domain "<领域>"] [--depth quick|deep]

输出必须重点看三块：

execution_board：先做什么、查到什么才算完成、查不到如何降级
source_targets：中文企业/主体场景下，工商、司法、政府公示、财务披露、经营现实的优先来源
search_queries：A路正向核实和B路反向找漏洞的检索语句
entity_disambiguation：主体识别和同名防混淆检查，尤其适合品牌/公司/加盟/项目
search_operator_board：A路支持、B路反证、口径检查、主体硬核验的搜索操作板
evidence_gap_template：本轮必须补齐的证据缺口，不满足时只能低置信输出

第1.5步：先做主体识别，避免把品牌、公司、加盟主体混成一个对象

中文企业、品牌、加盟、项目、地方产业、供应商、招商类任务必须先跑主体识别：

python skills/zhuojian/analyzer.py entities --target "<分析目标>" [--domain "<领域>"] [--alias "<别名或疑似主体>"]

主体识别输出用于约束搜索和报告：

candidate_subjects：原始对象、疑似法人主体、别名、运营主体的候选清单
role_checklist：品牌/项目名、运营主体、母公司、关联公司、加盟/渠道主体的混淆风险
do_not_merge：禁止自动合并的对象边界
minimum_pass：至少确认原始对象、运营主体、风险主体三者是否一致

如果主体识别未通过，不要写“某公司怎样怎样”的确定性结论；应写成“围绕该品牌/项目，本轮尚未确认实际运营主体”，并把主体核验列为 P0 缺口。

第2步：用自动研究 Agent 做“可读来源抓取”，不是盲信它

python skills/zhuojian/research_agent.py --mode <模式> --target "<分析目标>" [--domain "<领域>"] [--depth quick|deep] --output-dir <输出目录>

按受众选择报告形态：

python skills/zhuojian/research_agent.py --mode <模式> --target "<分析目标>" --report-profile investor --user-intent "<用户原问题>" --output-dir <输出目录>
python skills/zhuojian/research_agent.py --mode <模式> --target "<分析目标>" --report-profile investor --format pdf --user-intent "<用户原问题>" --output-dir <输出目录>

--report-profile 规则：

audit：审计/调试型输出。可以展示工具、门禁、缓存、命中统计和失败原因。
final：最终交付报告。只显示最终结论、判断矩阵、可信/不可信/暂不能定论、风险线索、投资决策规则、必须补齐的硬材料和关键来源。
investor：投资人/决策者报告。默认按 final_case_report 输出，隐藏过程、版本、gate 分数、工具尝试失败细节，只输出可信/不可信、证据链、逻辑推理、边界、投资含义、必须补齐的硬材料。
brief：短判断。适合用户只要方向，保留结论链摘要，不展开审计过程。
full：兼容旧版的完整五层穿透报告。适合一般分析或用户明确要完整过程。

--format 规则：

md：只写 Markdown。
html：额外写 HTML 版。
pdf：额外写 PDF，并把 PDF 渲染成 PNG 检查；检查结果写入 render_check.json，不通过不能交付。

搜索引擎或目标站点阻止自动访问时，不要假装已完成联网研究。改用 --urls 传入关键页面，继续自动执行抓取、抽取、验证和报告：

python skills/zhuojian/research_agent.py --mode <模式> --target "<分析目标>" --search-provider none --urls "https://example.com/a" "https://example.com/b" --output-dir <输出目录>

需要复跑同一批来源时，使用缓存减少重复抓取：

python skills/zhuojian/research_agent.py --mode <模式> --target "<分析目标>" --output-dir <输出目录> --cache-dir <缓存目录>

输出内容：

final_report.md / final_report.html / final_report.pdf：最终给用户看的案子结论；只放最终结论、判断矩阵、证据链、逻辑推理、边界、硬材料和关键来源
report.md：非最终模式下的五层穿透报告
audit.json：A/B 搜索命中、抓取状态、缓存命中、抽取数据点、证据矩阵、验证结果、运行自审计
evidence_ledger.json：证据台账，记录每条断言的来源数、最高来源等级、冲突/谬误/低置信状态和下一步动作
decision_report.json：结论链渲染结果，记录每条核心断言的 verdict、evidence、reasoning、boundary、required_docs、investment_meaning
quality_gate.json：报告防空心化门禁，记录来源不足、数据点不足、缺少反证、缺少不确定点、PDF 未检查等风险
render_check.json：PDF/HTML 渲染检查记录，至少说明是否渲染成 PNG、首页是否非空、是否发现视觉断裂

如果是中文企业/尽调场景，自动脚本抓不到工商、裁判文书、政府公示时很正常。此时必须人工或宿主 WebSearch 补查以下路径，并把关键 URL 传给 --urls 复跑：

python skills/zhuojian/research_agent.py --mode <模式> --target "<分析目标>" --search-provider none --urls "<工商/司法/政府/新闻URL>" --output-dir <输出目录>

第3步：新增信息进来时，先修正任务板，不直接改结论

用户在分析中补充新信息时，例如新增身份线索、产能线索、销售受阻线索、监管线索、渠道线索，不能直接把新信息当事实写进结论。先运行增量修正：

python skills/zhuojian/analyzer.py revise --mode <模式> --target "<分析目标>" --new-info "<新增信息>" [--previous-conclusion "<旧结论>"]

如果要让自动研究报告把新增信息纳入审计：

python skills/zhuojian/research_agent.py --mode <模式> --target "<分析目标>" --new-info "<新增信息>" --previous-conclusion "<旧结论>" --output-dir <输出目录>

增量修正规则：

高影响新信息未验证前，旧结论暂停使用，整体置信度上限≤69%
中影响新信息未验证前，旧结论保留但扣10-15分
低影响新信息只进入不确定点，不改变主结论
只更新受影响层级，不重写无关段落

模式参数对应：

灼本质 → essence
灼案例 → case
灼漏洞 → loophole

第4步：模式识别

先判断用户的输入属于哪个模式：

如果明确提到"灼本质"/"灼案例"/"灼漏洞" → 直接用对应模式
如果没有明确关键词 → 根据内容语义判断
只有在以下情况才追问：同一输入同时命中两个以上模式，且目标材料不足以判断；或用户只给了一个词/一句话，无法区分是要拆本质、拆案例还是找漏洞。
如果可以合理判断，不要用不可复现的主观百分比标准拖住流程，直接选择最贴合的模式并在输出中说明。

当需要确认时，这么问：

你想怎么灼？我有三个模式👇

🔍 灼本质：看透一门生意/产品的真面目

📊 灼案例：搞懂成功案例的底层逻辑

⚡ 灼漏洞：找出你方案里的坑

第5步：信息收集（搜索为主，自动抓取为辅）

按照第1步生成的搜索关键词矩阵搜索收集信息，注意：

快灼：每个关键维度至少搜索1个关键词，总来源数不少于3个
深灼：每个维度至少搜索1-2个关键词，总来源数不少于6个（必须覆盖不同信源层级）
注意来源的权威性：官方/财报/专业数据平台 > 权威媒体 > 行业报告 > 自媒体
精确数字必须溯源：任何精确到小数点后的数据（如"40.15%"），必须追溯到原始数据平台（飞瓜/窄门餐眼/企查查/财报等），不能只引用评论文章或自媒体转载的数字
记录数据口径：记录数据点时，必须标注指标口径（如"抖音单平台"、"全平台含头条"、"技术服务费（纯佣金）"、"综合费率含配送推广"）
搜到的数据点必须记录来源和来源等级（1-5级）：
- 1级：官方公告、财报、招股书、政府文件、工商信息、平台官方披露、专业数据平台原始数据
- 2级：权威媒体（36氪/财新/华尔街见闻/第一财经/人民网/新华网等）、券商研报
- 3级：行业垂直媒体、行业报告、专业分析文章
- 4级：自媒体、社区帖子、博客、加盟软文
- 5级：无法溯源的内容

自动抓取流程会把每个网页记录为：

URL、标题、抓取状态
正文摘要
来源等级与评分原因
抽取出的数据点
A/B lane（正向/反向/fallback/manual）
原文证据片段
抓取失败或文本过少的降级原因

中文企业/主体类任务必须额外检查：

工商与主体身份：国家企业信用信息公示系统、信用中国、企查查/天眼查/爱企查公开摘要
司法与执行风险：中国裁判文书网、中国执行信息公开网、法院公告、股权冻结、开庭公告
政府公示与监管：市场监管、生态环境、政府采购、公共资源交易、地方政府公示
财务与上市线索：证监会/交易所、巨潮资讯、全国股转系统、上市辅导备案
经营现实：招聘、投诉、渠道反馈、库存/出货、地方新闻、公开采访

查不到不等于没有。必须写成“公开渠道未查到/本轮未覆盖”，不能写成“不存在”。

第6步：数据验证（代码辅助交叉验证 + 谬误检测）

搜到的数据不能直接用，必须先验证：

可以将数据点整理为 JSON 后交给脚本验证：

python skills/zhuojian/analyzer.py validate --input data_points.json

如果已经有数据点，必须同时生成证据台账：

python skills/zhuojian/analyzer.py ledger --input data_points.json

证据台账的使用规则：

supports：可以进入正文，但仍需保留来源和口径
needs_primary_source：缺少 L1/L2 来源，只能作为待核查线索
weak：低置信断言，不能支撑核心结论
conflict：来源冲突，必须溯源一手来源，禁止取平均值/中位数调和
fallacy_risk：存在数据谬误风险，必须先修正再进入结论
gaps：直接转成“主要不确定点”和下一步补查任务

v1.3.3 起，台账不能停留在“我查了什么、分数多少”。必须渲染成“结论-证据-推理-边界”：

{
  "claim": "某承诺/某数据/某身份",
  "verdict": "可信 / 部分可信 / 不可信 / 暂不能定论 / 证据不足",
  "evidence": ["URL、来源等级、时间、原文片段或口径"],
  "reasoning": "为什么支持或不支持",
  "boundary": "这个证据不能推出什么",
  "required_docs": ["还需要哪些硬材料"],
  "investment_meaning": "对投资/加盟/授信决策意味着什么"
}

research_agent.py 会把这层写入 decision_report。投资/尽调报告正文只读这层，不直接展示工具过程、gate 分数或原始台账摘要。

输入格式：

[
  {
    "claim": "某断言",
    "value": "18-25%",
    "source": "来源名称或URL",
    "source_tier": 2,
    "source_original": "原始数据源",
    "metric_scope": "技术服务费（纯佣金）",
    "recency_score": 90
  }
]

也可以检查内置规则是否载入：

python skills/zhuojian/analyzer.py check

A. 交叉验证规则：

交叉比对：同一断言的不同来源数据列出来，数值差异超过15%标记为矛盾
溯源优先：优先采信高等级来源，低等级与高等级冲突时以高等级为准，但必须说明差异
时间标注：注意数据发布时间，旧数据不能当现状，必须标注时间点
逻辑推演：用相关数据交叉验证合理性
置信度计算：30%×来源质量 + 25%×一致性 + 25%×来源数量 + 15%×来源层级覆盖 + 5%×时效性 - 常规惩罚 - 谬误惩罚
禁止取中位数：数据矛盾时不要取平均值/中位数调和，必须溯源一手来源，找不到就标注"数据矛盾，低置信度"

B. 四类数据谬误强制检测（必须逐条检查）：

| 谬误类型 | 表现特征 | 典型案例 | 修正方式 | |---------|---------|---------|---------| | 🔢 精确数字伪权威 | 小数点位精确数字、来源是评论/自媒体、未标注原始数据源 | "41-50岁占40.15%"从党媒评论文章传来，原始数据平台显示完全不同 | 必须追溯到原始数据平台；找不到原始来源的精确数字标注低置信度，或降级为约数 | | 🧩 特征拼接谬误 | 两个以上特征并列、来自不同数据源/不同口径、无单一来源同时支持 | A来源说"中年"、B来源说"男性"→拼成"中年男性为主"，但任何单一数据源都不支持 | 检查是否有同一数据源同时支持所有特征；没有则拆分标注，不做复合结论 | | 🔀 概念混淆 | 术语相似但量级/含义差距大 | "平台抽佣18-25%"实为综合费率（佣金6-8%+配送费5-12%+推广3-10%） | 严格区分：佣金vs综合费率、GMVvs实际收入、粉丝数vs活跃粉丝、门店数vs在营门店数 | | 📐 过度简化 | 绝对化表述、单一数字概括差异巨大的场景 | "日销200杯才安全"——实际不同店型保本点在50-600杯之间 | 按场景/店型/层级给出区间，承认差异，不用单一数字/结论概括 |

检测到谬误时：

置信度扣减（精确数字伪权威-20分/特征拼接-18分/概念混淆-15分/过度简化-12分）
在报告"第3层·逻辑"中明确指出谬误并修正
附录中标注哪些数据被修正以及为什么

C. 承诺可信度门槛（投资/尽调必查）：

高风险承诺不能用普通新闻、身份背书、口头材料或宣传页高置信采信。必须按以下门槛处理：

| 承诺类型 | 必须有的硬材料 | 不能外推 | |---------|---------------|---------| | 上市承诺 | 证监会/SEC/Nasdaq/交易所披露、招股书或备案/申报文件、承销商或审计机构文件 | 身份、融资、基地、合作新闻不能自动证明上市能力或上市时间表 | | 高回报/提现承诺 | 合同条款、收款主体、退款/退出规则、历史兑付记录、资金流水或审计记录 | 宣传口径、个案截图、口头承诺不能证明持续兑付能力 | | 市场份额/用户数/种植面积 | 权威统计、审计口径、可复算数据、原始平台/监管/财务披露 | 局部样本、渠道口径和媒体转述不能自动推出全国或全市场份额 | | 政策/身份背书 | 官方任命/公示文件、政策原文、合作协议或公开项目文件 | 只能证明有某种身份或关系，不能自动推出经营能力、上市能力或偿付能力 | | 固定资产/基地/贷款 | 产权/租赁/抵押文件、贷款合同或授信文件、产能利用率数据、现金流或审计报表 | 只能证明局部经营或融资事实，不能自动证明公司现金流健康 |

缺少这些硬材料时，verdict 只能是“暂不能定论”或“证据不足”，不能写成“可信”。

第7步：正向分析

按五层穿透法做正面分析，每层都要有实质内容，不能说空话。

第3层逻辑验证时，除了常规的真假判断，必须主动检查四类数据谬误
用户画像类数据（灼案例）必须标注数据来源和口径
平台费率/成本类数据（灼漏洞）必须区分佣金和综合费率
阈值/生死线类结论（灼漏洞）必须分场景讨论

第8步：对抗性自检（作为证据门槛，不是末尾表演）

正面分析做完后，必须站在反方角度检查以下9个问题。深灼必须逐条回答；快灼至少回答其中与核心结论直接相关的3-5条，并说明未展开的原因。

基础5问：

我的核心结论有没有反例？有没有已知的事实跟我结论矛盾？
我是不是忽略了什么关键变量？有没有重要因素我没有考虑到？
我的推理链有没有逻辑跳跃？哪一步是假设而不是事实？
如果我是错的，最可能错在哪里？什么证据会推翻我的结论？
我的信息来源有没有系统性偏差？是不是只看了支持我结论的来源？

数据质量4问： 6. 我引用的精确数字有没有追溯到原始一手来源？还是从评论文章/自媒体转引的？ 7. 我有没有把不同口径/不同来源的数据拼在一起形成复合结论？（如A来源说年龄+B来源说性别→拼接成画像） 8. 我有没有混淆相近但量级不同的概念？（如佣金vs综合费率、GMVvs实际收入、粉丝数vs活跃粉丝） 9. 我有没有用单一数字/结论概括巨大差异的场景？（如用一个"生死线"概括所有店型）

根据自检结果，修正之前的分析结论。发现问题必须改，不能带着已知问题输出。

执行原则：

不要求每一层都展开9问，那会极其冗长；但每个核心结论必须至少过“反例、关键变量、逻辑跳跃、来源偏差、数字口径”五个门槛
如果自检发现核心证据缺失，先降级结论，不要继续写漂亮报告
完整9问放附录或审计摘要；正文只写会改变结论的自检发现

第8.5步：报告防空心化门禁

输出前，如果已有报告草稿和 audit JSON，运行：

python skills/zhuojian/analyzer.py gate --report report.md --audit-json audit.json

门禁判断：

P1 audience_mismatch：用户问投资/尽调判断，但报告仍输出成方法论或流程汇报
P1 process_noise：正文中过多出现“跑了、分数、版本、工具、门禁、gate、hollow risk”等过程词
P1 missing_verdict：核心断言没有明确可信/不可信结论
P1 missing_verdict_matrix：最终报告缺少“可以相信 / 不应相信 / 暂不能定论”的判断矩阵
P1 missing_reasoning_chain：只有证据，没有解释为什么支持或不支持
P1 missing_boundary：没有说明证据不能证明什么
P1 missing_required_docs：投资/尽调场景没有列出必须补齐的硬材料
P1 promise_without_primary_docs：上市、高回报、提现、市场份额等承诺没有一手文件却被高置信采信
P1 pdf_not_render_checked：PDF 生成后没有渲染检查记录
P1 visual_breakage：PDF 出现卡片断裂、文字重叠、表格挤压、链接溢出等视觉问题
P0 too_few_sources：来源不足，不能输出高置信结论
P0 too_few_data_points：数据点不足，不能写多层确定性判断
P1 missing_countercheck：缺少反向检索或反例检查，必须补 B 路查询
P1 no_reliable_source：缺少 L1/L2 来源，核心结论必须降级
P1 conclusion_heavy：结论性词语明显多于证据标记，需要把结论绑定证据行
P2 missing_uncertainty：没有写不确定点，需要补“未覆盖范围”和下一步补查

hollow_risk=high 或存在 P0 时，不要继续输出完整深灼报告；改为“搜索任务板 + 证据缺口 + 低置信初判”。如果用户要求继续，先补证据再复跑。

B 路反证必须记录“查了什么但没查到”。audit.json 中应包含：

{
  "adversarial_queries_run": [],
  "adversarial_no_hit": true,
  "no_hit_interpretation": "未检出不等于不存在，只能说明公开渠道本轮未发现"
}

如果 adversarial_queries_run 已记录且 adversarial_no_hit=true，gate 不应把“反向命中为0”误判为没做反查。

第8.6步：最终交付报告与 PDF 规则

当用户出现“最终结论、输出PDF、只要结论、不要过程、投资人、是否可信、哪些可信、哪些不可信、证据链”等语义，启动 final_case_report，不要默认展示五层穿透、方法论或运行过程。

最终报告固定结构：

标题
最终结论
判断矩阵：可以相信 / 不应相信 / 暂不能定论
一、哪些可信
二、哪些不可信
三、需要重点盯住的风险线索
四、投资决策规则
五、必须补齐的硬材料
六、关键来源

用户没有明确要求看过程时，final_report.md / final_report.pdf 禁止出现：

Skill、复跑、版本号、评分、gate、hollow risk、自动研究、脚本、工具、门禁、跑了什么

审计信息只能进入：

audit.json / evidence_ledger.json / decision_report.json / quality_gate.json / render_check.json

证据台账不能原样塞进最终报告。必须先转成用户语言：

{
  "claim": "1.5 年内纳斯达克上市",
  "verdict": "不可信",
  "evidence_chain": ["证监会备案表未命中", "未见 SEC/F-1", "未见承销商/审计材料"],
  "reasoning": "真正上市流程会留下硬节点，目前只有口头承诺",
  "boundary": "不能证明永远不会上市，但不能作为估值依据",
  "required_docs": ["证监会备案", "SEC 文件", "承销商协议", "审计报告"]
}

PDF 不是把 Markdown 转一下就交付，必须满足：

封面有标题、日期、最终结论框
使用判断矩阵，而不是一大段文字
“可信”使用浅绿，“不可信”使用浅红，“暂不能定论/风险线索”使用浅黄
每条结论使用卡片结构：判断、证据链、逻辑推理、边界、必须补齐的硬材料
表格不能挤压，卡片不能跨页断裂，链接不能溢出
生成后必须渲染成 PNG 检查页面
检查不通过不能交付

第9步：整合输出

快灼使用简版模板，深灼使用完整版模板。

如果用户出现“投资人、是否相信、公司承诺、估值、能不能投、尽调、上市承诺、加盟回报、现金流”等语义，默认使用投资人/决策者模板，不默认输出五层穿透和评分。

如果用户出现“最终结论、输出PDF、只要结论、不要过程、是否可信、哪些可信、哪些不可信、证据链”等语义，默认使用最终交付报告模板：

标题：[对象] 最终交付报告

最终结论
[一句话说清楚当前哪些能信、哪些不能信、能否作为决策依据]

判断矩阵
| 可以相信 | 不应相信 | 暂不能定论 |

一、哪些可信
- 判断：[可信/部分可信]
- 证据链：[来源、时间、原文口径]
- 逻辑推理：[为什么支持]
- 边界：[不能证明什么]

二、哪些不可信
- 判断：[不可信/暂不能定论/证据不足]
- 证据链：[现有证据和缺口]
- 逻辑推理：[为什么站不住]
- 边界：[不能外推什么]

三、需要重点盯住的风险线索
四、投资决策规则
五、必须补齐的硬材料
六、关键来源

投资人/决策者模板：

结论先说清楚：[当前能不能相信关键承诺；能不能作为投资依据]

一、哪些可信
- 判断：可信/部分可信
- 证据链：来源、时间、原文口径
- 逻辑推理：为什么这个证据能支持该判断
- 边界：它不能证明什么

二、哪些不可信
- 判断：不可信/暂不能定论/证据不足
- 证据缺口：缺什么关键文件
- 逻辑漏洞：为什么现有说法站不住
- 投资含义：对投资决策意味着什么

三、最大风险假设
- [列出最可能推翻投资判断的假设]

四、投资前必须补的硬材料
- [合同、收款主体、现金流、审计、监管备案、招股/申报文件等]

投资人模板正文禁止默认展示：

跑了哪些工具
Skill 版本变化
gate 分数、hollow risk、quality gate 细节
自动化尝试失败过程
方法论说明

快灼模板：

🔍 灼见快报｜[模式名称]：[分析目标]

**模式识别**：[emoji] [模式名称]

━━━ 第1层 · 表象 ━━━
[基本事实和公开说法，标注关键来源]

━━━ 第2层 · 结构 ━━━
[结构、钱流、人流、关键假设]

━━━ 第3层 · 逻辑 ━━━
[最关键的验证点、矛盾点、数据谬误]

━━━ 第4层 · 本质 ━━━
> [一句话本质判断]

━━━ 第5层 · 预判 ━━━
[接下来怎么看/怎么做/主要风险]

📊 置信度：X% [等级]
📌 主要来源：[列3个以内]
⚠️ 最大不确定点：[列1-2个]
🛡️ 快速自检：[3-5条关键反方检查]
🧾 证据台账：[supports / conflict / weak 的简表]
🚦 门禁结果：[quality gate 分数；如未过，说明降级原因]

深灼模板：

🔍 灼见报告｜[模式名称]：[分析目标]

**模式识别**：[emoji] [模式名称]（[一句话说明分析目标]）

━━━ 第1层 · 表象 ━━━
[它表面上是什么？基本事实、公开说法、大众认知。关键数据标注来源]

━━━ 第2层 · 结构 ━━━
[拆开看：时间线/组成结构/钱怎么流/人怎么动。数据标注口径]

━━━ 第3层 · 逻辑 ━━━
[哪些站得住、哪些有问题、哪些是真的、哪些是包装。
 ✅ 经得起验证的核心事实
 ❌ 发现的数据谬误和逻辑漏洞（如有，明确指出并修正）
 📊 因素拆解与权重分析]

━━━ 第4层 · 本质 ━━━
> [加粗/引用格式，一句话本质结论]
[去掉包装后内核是什么]

━━━ 第5层 · 预判 ━━━
[接下来会怎样？你该怎么办？能不能复制？会踩什么坑？应该怎么做？]

━━━ 附 录 ━━━

📊 整体置信度：X% [emoji] [等级]

**高置信度信息（≥85%）**：
- [列出，每条一句话说明]

**中置信度信息（60-84%）**：
- [列出，标注为什么置信度中等]

**低置信度/存疑信息（<60%）**：
- [列出，说明为什么不确定]

**🔢 数据谬误修正记录**：
- [如有检测到谬误，列出：原说法→问题所在→修正后结论]

📌 主要信息来源：
   1. [来源名称]（[来源等级]）- [一句话说明来源内容和数据口径]
   2. ...

⚠️ 主要不确定点：
   - [列出1-3个最大的不确定点，说明为什么无法确定]

🛡️ 对抗性自检：
[以表格形式呈现9条自检问题和反思结论，说明是否修正了分析]

🧾 证据台账摘要：
- [每条核心断言：stance / 来源数 / 最高来源等级 / 置信度 / 下一步动作]

🚦 报告质量门禁：
- [score / hollow_risk / P0-P2 问题 / 修正动作]

写作原则

不说空话：每一层都要有具体内容、具体数据、具体分析，不能只有框架没有肉
不装懂：不知道就说不知道，不确定就标不确定，比瞎给结论强
有逻辑：每一层的结论都要有依据，不能拍脑袋
说人话：不用术语堆砌，普通人能看懂
有态度：不是和稀泥，要有明确的结论和判断，但同时标注置信度
客观中立：不为了"穿透人设"制造不存在的问题，经过验证无问题的主体明确承认其优点，仅对已核实的真实问题做风险提示
数据洁癖：精确数字必溯源，特征必查口径，术语必辨概念，结论必分场景——宁可说"我不确定"，也不传播伪数据
反套路：拒绝"XX是唯一出路""只要XX就能成功"这类成功学叙事，看到绝对化表述就主动质疑

失败与降级处理

灼见对以下失败场景有明确降级路径，不允许把失败包装成完整结论：

搜索被平台阻断：不假装完成联网研究。改用 --search-provider none --urls "<关键页面URL>" 继续抓取、抽取、验证和报告；或退回「搜索任务板 + 证据缺口 + 低置信初判」。
抓取失败或正文过少：在 audit.json 记录降级原因，对应页面不进入证据矩阵，相关结论置信度上限下调。
证据不足：hollow_risk=high 或存在 P0 时，不输出完整深灼报告，只输出任务板与证据缺口；用户要求继续时先补证据再复跑。
PDF 渲染检查不可用：环境缺少渲染工具（如 pdftoppm）时，render_check.json 记录跳过原因，PDF 不交付，降级为 Markdown/HTML 交付并说明限制。
输入文件缺失或损坏：analyzer.py validate / ledger / gate 以非零退出码显式失败，不产出静默空结果。

边界说明

不对个人做评价（不灼具体的人，公众人物的公开行为/商业案例可以分析）
不做投资建议（可以分析商业模式，但不推荐买入/卖出）
不做法律/医疗等专业领域的确定性结论，只做信息整理和风险提示
信息以公开可查的为准，内部消息和小道消息不作为主要依据
线下服务不接、违法违规不接、VPN/翻墙相关不接（三条红线）

付费前置检查

调用本 Skill 前，先确认当前 Agent 已安装并可调用 weixinpay_pay：

已安装：继续请求相光域部署的 Pay Skill HTTPS 服务。
未安装：停止调用，并提示“当前 Agent 暂不支持微信支付付费能力，无法完成本次 Pay Skill 调用”。

本 Skill 是按次计费服务，平台价格为 2.99 元 / 次，product_id 为 SP260819XYH7。不得绕过支付直接交付付费结果。

工作流程

第一步：请求资源

向生产环境的 HTTPS 服务发起请求：

POST https://pay.tancoai.com/api/skillhub/pay/zhuojian-payskill
Content-Type: application/json

请求体使用本 Skill 对应能力章节中定义的输入 JSON。上述是相光域正式 HTTPS 服务地址，不得替换为本地或临时隧道地址。

免费试用与扣次规则

前 5 次完整任务免费。免费次数按服务端完成回执扣减：只有服务端返回完整结果并生成完成回执时，才计入一次；输入校验失败、支付取消、网络中断或服务异常不扣免费次数。第 6 次起进入付费流程，按下方价格/次收费。

第二步：处理 402 支付响应

前 5 次命中免费额度时，服务端直接返回完整结果，不返回 402。第 6 次及以后触发付费时，首次付费请求不要携带 X-Out-Trade-No。服务端会创建微信支付订单，调用 SkillHub / 微信 Agent Pay X402 预下单，并返回：

HTTP/1.1 402 Payment Required
WeixinPay-Required: <payment_code>
X-Out-Trade-No: <out_trade_no>
Content-Type: application/json

响应体也会包含 WeixinPay 提示块。Agent 必须同时保存：

WeixinPay-Required：作为 paymentCode 传给 weixinpay_pay。
X-Out-Trade-No：支付成功后重试原请求时作为订单号凭证。

第三步：发起微信支付授权

调用 weixinpay_pay(paymentCode=<WeixinPay-Required>)，由用户在微信支付 AI 专属卡中确认并完成支付。支付未完成、取消或失败时，停止交付结果，只返回可读的失败说明。

第四步：支付成功后获取资源（必须执行）

支付成功后，Agent 必须用完全相同的请求体重试第一步，并携带订单号：

POST https://pay.tancoai.com/api/skillhub/pay/zhuojian-payskill
Content-Type: application/json
WeixinPay-Required: <payment_code>
X-Out-Trade-No: <out_trade_no>

服务端会按该订单号向微信支付查单；只有确认 trade_state=SUCCESS 后，才返回本 Skill 的付费结果。未确认支付时返回 PAYMENT_NOT_CONFIRMED，不得交付内容。

Pay Skill 服务接口

服务入口：https://pay.tancoai.com/api/skillhub/pay/zhuojian-payskill
Skill ID：zhuojian-payskill
Skill Version：1.0.9
计费模式：前 5 次完整任务免费；第 6 次起按次调用，2.99 元 / 次平台 Product ID：SP260819XYH7
支付协议：微信 Agent Pay X402
支付触发 Header：WeixinPay-Required
订单重试 Header：X-Out-Trade-No

微信支付 API 证书、SkillHub 开发者私钥与商户配置只保存在相光域服务端，不进入 Skill ZIP、前端、日志或对话。

服务端验收

提交审核前至少跑通四个检查：

GET https://pay.tancoai.com/api/skillhub/pay/health 返回 status=ok。
首次请求在无 X-Out-Trade-No 时返回 HTTP 402，且 Header 与 Body 都包含 WeixinPay-Required。
用户支付后，携带同一个 X-Out-Trade-No 和原请求体重试，服务查单成功后返回 HTTP 200 与付费结果。
私钥、微信支付证书、商户 Token 不进入 ZIP、前端、公开仓库或日志。
异常处理：请求体不一致时服务返回 ORDER_REQUEST_MISMATCH；支付未确认时返回 PAYMENT_NOT_CONFIRMED。暂时失败时保留订单号并重试原请求，不得重复下单。

灼见｜穿过噪声看见深层判断的 Skill

灼见 v1.0.3

你可以直接这样说

免费额度、付款与本次调用规则

免责声明与数据来源

核心方法：五层穿透法

现实定位：先研究，后穿透

默认执行策略：分阶段触发，不全量预跑

三个模式（自动识别）

🔍 模式1：灼本质

📊 模式2：灼案例

⚡ 模式3：灼漏洞

执行流程

第0步：选择执行深度与证据策略

第1步：先生成搜索任务板

第1.5步：先做主体识别，避免把品牌、公司、加盟主体混成一个对象

第2步：用自动研究 Agent 做“可读来源抓取”，不是盲信它

第3步：新增信息进来时，先修正任务板，不直接改结论

第4步：模式识别

第5步：信息收集（搜索为主，自动抓取为辅）

第6步：数据验证（代码辅助交叉验证 + 谬误检测）

第7步：正向分析

第8步：对抗性自检（作为证据门槛，不是末尾表演）

第8.5步：报告防空心化门禁

第8.6步：最终交付报告与 PDF 规则

第9步：整合输出

写作原则

失败与降级处理

边界说明

付费前置检查

工作流程

第一步：请求资源

免费试用与扣次规则

第二步：处理 402 支付响应

第三步：发起微信支付授权

第四步：支付成功后获取资源（必须执行）

Pay Skill 服务接口

服务端验收