分享一個我用了2年的深度研究Prompt，半小時幫你搞懂任何陌生領域。

前兩天辦完大會，然后昨天周末跟一個朋友吃飯，聊著聊著他突然放下筷子看著我說了一句，不是哥們，你怎么什么都懂一點？

我說我不懂啊，我懂個屁。

他說怎么感覺啥你都能聊一聊，什么Harness、什么Claude Code、什么心理學、什么殺戮尖塔2、什么克蘇魯神話，你怎么還有時間玩寶可夢popakia，你到底一天有多少個小時？

我當時就愣了一下。

因為坦率的說，聊天吹牛逼歸吹牛逼，我真的沒覺得自己什么都懂，我只是對很多東西好奇，然后有一套辦法能讓我很快地把一個陌生的東西摸個七七八八。

他又問，什么辦法？

我說，一個我自己搞的研究框架，加上AI，半小時能出一份一兩萬字的研究報告，能幫你賊迅速的入門。

他筷子又放下了。

然后他說，“你把這個東西寫出來”。

于是就有了今天這篇文章。。。

我也不知道對所有人有沒有用，但這確實是我自己三年前還在金融行業的時候，研究公司和行業用的方法論，然后后面AI來了，各種各樣的深度研究也出來了，我自己又把這套方法論稍微迭代了一下，封裝成了給很多AI的深度研究功能用的Prompt，能適用于我研究任何東西，說實話，我覺得這就是這兩年用得最順手的東西之一。

不敢說這玩意出來的研究有多透徹，但至少能讓我快速建立起一個相當完整的認知框架，然后在這個框架上再去深挖。

這個方法論，我之前把它稱為。

橫縱分析法。

我先說說這玩意是個什么東西。

其實特別簡單，就兩條軸。

第一條軸，縱向。就是沿著時間線，把一個東西從誕生到現在的完整故事給還原出來。它怎么來的？誰做的？中間經歷了什么？為什么在某個節點突然爆發了，或者突然掉頭了？你把這條線理清楚，你就能理解一個東西大概的歷史與因果。

第二條軸，橫向。就是在當下這個時間點，把它跟同賽道的其他東西放在一起比。它跟競品比有什么不同？用戶為什么選它不選別的？它在整個賽道里是什么位置？你把這個切面看清楚，你就能理解一個東西的位置和差異。

然后最關鍵的一步，是把這兩條軸交叉起來看。

縱向告訴你它是怎么走到今天的，橫向告訴你它今天站在哪。兩條軸一交叉，你就能看到一些單獨看任何一條軸都看不到的東西。比如它今天的某個優勢，其實是三年前一個不起眼的決策慢慢積累出來的。比如它今天的某個短板，其實是當初一個合理的選擇變成了包袱。

縱向追時間深度，橫向追同期廣度，最后交匯出判斷。

就這么簡單。

也是我這兩年用的最順手的一套方法。

這個方法其實脫胎于社會科學和語言學的一些經典研究視角。

語言學里面有一個非常經典的分析維度，是索緒爾提出來的，叫歷時分析和共時分析。

就是你要研究一個東西，可以從兩個維度入手，一個維度是時間維度，看它從過去到現在是怎么一步步演變過來的，另一個維度是當下維度，看它在某一個時間點上，處在一個什么樣的系統和比較關系里。

社會科學里面也有類似的研究視角，叫縱向研究和橫截面研究。縱向就是追蹤一個對象的變化軌跡，橫截面就是在某個時間點上觀察它的截面狀態，并做橫向對比。

我就是把這些學術界已經用很久的研究視角抽離一下，再結合了一些商業和競爭戰略分析的思路，搞成了一套用AI來跑的通用研究框架。

現在有Prompt版本和Skill版本。

也全部開源在我的Github倉庫了：

https://github.com/KKKKhazix/khazix-skills

Prompt版本配合一些有深度研究功能的AI效果會特別好，比如ChatGPT的DeepResearch、Claude的深度研究、豆包的專家模式、DeepSeek的專家模式啥的，都行，并且我特意優化了行文風格，使用了部分卡茲克寫作skill的能力，保證這份報告出來以后，你能讀的下去，而不是如果嚼難啃的天書一般。。。

我把Prompt放在這里，有需要的朋友直接復制，也可以去Github倉庫自取：

```

使用方法特別簡單，把那個研究對象等式后面那個詞組，直接改成你想要的研究對象就行。

比如最近很火的hermes agent、比如Harness、比如CLI、比如Anthropic對于SaaS股有什么沖擊等等等等。

甚至你想研究《洛克王國世界》、《王者榮耀世界》、伊朗跟美國的戰事、川普的反復無常等等等等。

什么都可以。

我用最近最火的Harness+Claude的深度研究來舉個例子吧。

我直接把那個Prompt改了一下，等式里面換成了Harness，然后打開了Claude的深度研究模式。

直接發送。

然后Claude會跟我確認一下Harness到底是個什么東西，我就補充了一下。

然后就直接開始了。

13分鐘以后，這篇關于Harness的研究報告就寫好了。

可以看看效果，縱向分析我覺得寫的還不錯，歷史給你拉的非常清楚，什么時候誕生的，什么時候爆發的，有哪些關鍵節點。

為什么是這個時間點爆發也非常的有道理。

而在橫向研究上，對比的是Prompt Engineering、Context Engineering和Agent Engineering。

我相信任何一個懂Agent的，都不會質疑它對比的不專業對吧，你可以非常快速的理清跟一些同類概念的區別。

還有最后的未來演進方向。

這整篇報告大概一萬字，相信我，如果你是對Harness感到好奇，想最快速度盡可能全面的了解關于它的一切，這篇研究報告，幾乎比你看到的大多數的匯總文章，都要好。

全面且易讀。

研究對象可以是一個產品，比如Cursor、Claude Code、Hermes Agent。可以是一個公司，比如Anthropic、字節跳動。可以是一個技術概念，比如MCP協議、RAG。甚至可以是一個人，比如某個行業里的關鍵人物。

Prompt會根據研究對象的類型，自動調整縱向和橫向分析的側重點。研究產品就重點看版本迭代和功能對比，研究公司就重點看融資歷程和商業模式，研究人物就重點看職業軌跡和同領域人物對比。

如果你平時喜歡用用Cowork、Claude Code或者Codex等等Agent啥的，我還把這個方法論做成了一個Skill，叫hv-analysis，也放在我的Github倉庫里開源了。

裝上之后你直接跟Agent說「幫我研究一下xxx」，它就會按照橫縱分析法的框架去做。

而且這個Skill版本還會自動聯網搜索信息、還包了arxiv的API，會在你研究一些學術問題的時候自主去查詢論文，最后還會生成一份排版好的PDF研究報告，文風也會更易讀，比Prompt版本更自由豐富一些。

當然，我得坦誠的說一下這個方法的局限。

它不是萬能的。

它能幫你在很短的時間內建立一個相當完整的認知框架，但它替代不了真正深入的、親自下場的研究。

并且AI搜集到的信息雖然現在AI的模型幻覺已經非常非常低了，但是還是可能會出現不準確的情況。

所以你不能拿到AI產出的報告就直接當結論用，它更像是一個你對這個領域研究的起點，幫你快速建立地圖，然后你再根據這個地圖去做更深入的探索。

另外一個問題是，AI生成的報告質量跟你用的模型和工具有很大關系。用支持DeepResearch或者深度研究的工具效果通常比較好，因為它們會真的去聯網搜索、驗證很多信息，一次任務通常都在10分鐘以上。

但是如果你只能用支持普通聯網搜索的AI工具，一次就不到一分鐘，那效果可能確實會大打折扣。

我自己的做法是，拿到報告之后，先快速通讀一遍建立框架，然后針對我覺得有疑問的點或者特別感興趣的點，再深入去搜更多資料。

這個就是橫縱分析法生成的AI報告 + 自己深挖的組合，比從零開始的效率高太多了。

畢竟這年頭，在已經有了AI的情況下，真的沒必要硬生生自己去挖，那真的是沒苦硬吃。

我有時候覺得，這個時代做研究，真正稀缺的不再是信息，而是你對這個世界有多好奇。

其實你要說我真的有多博學或者多專業嗎，那肯定也不是，我只是對這個世界，多了一點點的好奇而已。

就是腦子里隨時隨地會冒出來一堆問題。

這個東西是怎么來的？為什么是現在出現的？它跟那個東西是什么關系？做這件事的人之前在干嘛？這些問題如果我想到的時候，沒有答案，我就真的難受，我不知道大家有沒有這種感覺，就是那一種，此刻、立刻，我就要得到答案的感覺。

信息已經像洪水一樣了，AI讓你獲取信息的成本趨近于零。

但你要問什么問題、從什么角度去看、怎么把散落的信息組織成有意義的判斷，這些東西AI幫不了你，或者說，AI只能在你給出方向之后幫你執行，但方向本身得你自己定。

橫縱分析法其實就是我給自己定的一個提問框架。每次面對一個陌生的東西，我不需要臨時想我應該從哪幾個角度去了解它，這個框架已經幫我想好了。

縱向追時間，橫向追空間，最后交匯出判斷，三步走完，認知框架就搭起來了。

它讓我不用再跟幾年前一樣，花三天時間去搜集信息，現在，半小時就能把框架搭起來，然后把剩下的時間花在真正有意思的地方，就是看著這些信息慢慢拼成一幅完整的圖，然后突然「啊，原來是這樣」的那個啊哈的瞬間。

那個瞬間太爽了。

說實話我也不確定這個方法適合每個人。

但如果你也是那種，腦子里經常冒出一堆問題，又嫌搜集信息太慢的人，可以試試。

古希臘人說，哲學始于驚奇。

我覺得吧，研究也是，始于你對一個東西真的好奇，方法和工具都是后面的事，好奇心在前面。

沒有好奇心，有再好的方法論也是擺設。

有了好奇心，哪怕方法笨一點，你也總會找到答案的。

只不過現在，找答案這件事，確實比以前快多了。

快到你可以對更多的事情。

保持好奇。

以上，既然看到這里了，如果覺得不錯，隨手點個贊、在看、轉發三連吧，如果想第一時間收到推送，也可以給我個星標?～謝謝你看我的文章，我們，下次再見。

>/ 作者：卡茲克

>/ 投稿或爆料，請聯系郵箱：wzglyay@virxact.com