# 好奇即引擎：调研学习类 Skills 七强横评 ## 概述 Claude Code Skills 生态里，最热闹的赛道是"产出型"技能——写文章、做幻灯片、切图成码、部署上线，产出物肉眼可见。但有一类更底层的技能长期被低估：**认知增强型 Skills**。它们不生产具体的文件，而是改造 Claude（以及用户自己）"怎么查、怎么学、怎么想"。本轮横评聚焦七款代表性调研、学习、思维类技能：deep-research、research、academic-researcher、wikipedia-research、learning-coach、systems-thinking、scientific-critical-thinking。它们共同构成一条从"原始好奇"到"可信结论"的流水线——提问即挖矿，挖到的矿还要经过验证、结构化、可复用。本期按五大维度（功能完整度 25% / 上手难度 20% / 变现潜力 25% / 训练营适用性 15% / 社区活跃度 15%）逐一拆解，并给出变现路径与训练营改造方案。 ## 评测对比表 | 技能 | 功能完整度 | 上手难度 | 变现潜力 | 训练营适用 | 社区活跃 | 综合分 | |------|:---:|:---:|:---:|:---:|:---:|:---:| | deep-research | ★★★★★ | ★★★☆☆ | ★★★★★ | ★★★★☆ | ★★★★☆ | **9.2** | | research | ★★★★☆ | ★★★★★ | ★★★★☆ | ★★★★★ | ★★★☆☆ | **8.6** | | academic-researcher | ★★★★★ | ★★★☆☆ | ★★★★☆ | ★★★★★ | ★★★☆☆ | **8.5** | | wikipedia-research | ★★★★☆ | ★★★★★ | ★★★☆☆ | ★★★★☆ | ★★★☆☆ | **7.9** | | learning-coach | ★★★★☆ | ★★★★★ | ★★★★★ | ★★★★★ | ★★★☆☆ | **8.4** | | systems-thinking | ★★★★☆ | ★★★☆☆ | ★★★★☆ | ★★★★☆ | ★★★☆☆ | **7.8** | | scientific-critical-thinking | ★★★★☆ | ★★★☆☆ | ★★★☆☆ | ★★★★★ | ★★★☆☆ | **7.6** | > 评分基于五大权重加权，满分 10。综合分差异主要落在"变现潜力"与"社区活跃"两条上，这也是认知类技能当前最大的短板与机会。 ## 逐个深度评测 ### 1. deep-research —— 对抗式核查的深度调研中枢 **来源/安装**：Anthropic 官方级实现，社区在 skills.sh 与 GitHub（如 Weizhena/Deep-Research-skills）均有分发，安装命令 `claude skill install deep-research` 或直接克隆仓库到 `~/.claude/skills/`。 **核心功能**：这是认知类技能里架构最"重"的一个。它走的是经典的"扇出检索 → 抓取来源 → 对抗式验证主张 → 综合成带引用的报告"四段流水线。最大亮点是**human-in-the-loop 控制**：在展开大规模搜索前，若问题过于宽泛（如"买什么车好"却没给预算/用途/地区），它会先抛 2-3 个澄清问题收敛范围，避免漫无目的地烧 token。检索阶段并行扇出多个查询，每个主张都要经过"尝试反驳"的独立验证环节，最后才综合成报告。 **评分**：功能完整度 ★★★★★（流水线闭环完整，验证机制是同类少见的硬核设计）；上手难度 ★★★☆☆（单次调用门槛低，但想自定义检索深度、来源白名单需要读文档）；变现潜力 ★★★★★（可直接包装成"行业尽调即服务"，按报告收费，定价空间高）；训练营适用 ★★★★☆；社区活跃 ★★★★☆。 **变现/训练营**：最适合改造为付费产品。把行业模板（竞品分析、市场进入、技术选型）固化进 args，即可做成 99-999 元/份的标准化调研报告生成器。训练营可拆成"问题界定→检索→核查→综合"四节课，每节配一个真实任务。 **与竞品对比**：相比 research，它多了对抗式验证这一道闸门，结论可信度更高但耗时也更长；相比 academic-researcher，它面向通用商业/时事而非纯学术。 ### 2. research —— 多源综合的通用研究助手 **来源/安装**：通用研究技能，skills.sh 全量目录可装，命令同上。 **核心功能**：定位是"grounded in web data with explicit citations"——以网络数据为底、显式引用的通用研究。它不像 deep-research 那样走重度验证流水线，而是更轻量地完成**多源综合**：对比分析、时事梳理、市场分析、详细报告。优势在于"快"——适合需要即时、可引用答案的场景，比如"对比这三家 SaaS 的定价"或"这件事的最新进展"。它会主动在文中标注来源链接，让你能一键核对。 **评分**：功能完整度 ★★★★☆（覆盖广但缺少深度验证）；上手难度 ★★★★★（几乎零门槛，描述清楚问题即可）；变现潜力 ★★★★☆（适合做"日报/周报/速览"订阅式产品）；训练营适用 ★★★★★（是入门认知类技能的最佳教学样本）；社区活跃 ★★★☆☆（同类技能多，差异化稍弱）。 **变现/训练营**：可包装成"行业周报自动生成器"，配合定时任务（如 cron skill）做信息流订阅。训练营里它是最适合做第一节课的——让学生在 30 分钟内拿到一份带引用的报告，建立正反馈。 **与竞品对比**：是 deep-research 的"轻量平替"。当你不追求学术级严谨、只想要快速可引用的综合结论时，它比 deep-research 更划算。 ### 3. academic-researcher —— 学术全流程研究套件 **来源/安装**：基于 Imbad0202/academic-research-skills 项目，覆盖文献检索、论文分析、学术写作全流程。GitHub 仓库可克隆。 **核心功能**：这是为学术场景量身打造的认知引擎。它把一篇论文的生命周期拆成：文献综述（lit review）→ 论文分析（方法学拆解）→ 学术写作（research summary）→ 引用格式化（APA/IEEE 等规范）。强调 methodology 分析——不只看结论，更评估研究方法是否站得住脚。对论文写作的学术规范（引用、术语、结构）有较强约束，适合硕博生与科研人员。 **评分**：功能完整度 ★★★★★（学术全链路覆盖，从读到写）；上手难度 ★★★☆☆（需要使用者本身有学术训练背景才能驾驭方法论评估）；变现潜力 ★★★★☆（可做"论文陪跑/文献综述外包"服务，单价高但客群窄）；训练营适用 ★★★★★（学术写作训练营的天然主角）；社区活跃 ★★★☆☆。 **变现/训练营**：变现路径是"学术研究即服务"——帮研究生做开题文献综述、帮科研团队做 paper analysis。客单价 500-2000 元/单。训练营可做"21 天学术写作营"，从文献阅读到综述产出。 **与竞品对比**：相比 wikipedia-research 的"百科级"，它深入到方法论层；相比 deep-research 的"商业级"，它强调学术规范与可重复性。三者是不同语境下的互补关系。 ### 4. wikipedia-research —— 可验证引文的百科挖掘机 **来源/安装**：通用研究类，skills.sh 可装。 **核心功能**：核心理念是"extract verifiable, citation-backed information"——提取可验证、带引文的信息，并输出为**结构化 JSON**，专门优化供 AI 消费与验证流水线。它最大的差异化是**追溯能力**：不仅提取某百科正文，还把每条主张底层的引用（references）一并挖出来，构建实体关系（knowledge graph）与时间线。强制触发场景包括"Wikipedia research / Wikipedia citations / verify Wikipedia claims"。 **评分**：功能完整度 ★★★★☆（垂直于百科领域，深度够但面窄）；上手难度 ★★★★★（结构化输出对下游极友好）；变现潜力 ★★★☆☆（单独变现难，更多作为知识图谱构建的前置组件）；训练营适用 ★★★★☆（教"信息溯源"概念极佳）；社区活跃 ★★★☆☆。 **变现/训练营**：本身较难独立收费，但作为"事实核查 / 知识图谱 / 实体抽取"流水线的一环，价值很高——可嵌入企业合规、舆情核查产品。训练营适合讲"为什么 AI 会幻觉、如何用引文链防幻觉"这一课。 **与竞品对比**：它解决的是"可验证性"而非"全面性"。当你的下游需要严格的事实溯源时，它是 deep-research 与 research 的有力补充，而非替代。 ### 5. learning-coach —— 证据驱动的学习加速器 **来源/安装**：通用学习类技能，skills.sh 可装。 **核心功能**：这是把认知科学落地为工具的代表。它内置了被实证有效的学习方法：**主动回忆（Active Recall）、间隔重复（Spaced Repetition）、刻意练习（Deliberate Practice）、加速学习**，帮助用户构建"最大化留存与技能习得"的高效学习系统。它不是简单生成笔记，而是设计学习节奏——什么时候复习、怎么测自己、如何拆解技能做刻意练习。 **评分**：功能完整度 ★★★★☆（方法论完整，但需要用户配合执行）；上手难度 ★★★★★（任何人都能用，且能立刻改善学习效果）；变现潜力 ★★★★★（可做成"AI 私人学习教练"订阅产品，受众极广）；训练营适用 ★★★★★（它本身就是教学方法的封装）；社区活跃 ★★★☆☆。 **变现/训练营**：变现空间最大的一类。可包装成"AI 考研/考证/学英语教练"，按月订阅 30-99 元，结合间隔重复算法做每日推送。训练营方向上，它就是"学习方法训练营"的核心引擎，可教费曼学习法、康奈尔笔记 5R 等落地。 **与竞品对比**：相比 telecom-learning-coach（垂直 ICT 行业的学习路径规划），它更通用、更偏学习方法论本身；两者可叠加——前者定"学什么"，后者定"怎么学"。同类还有 telecom-learning-planner。 ### 6. systems-thinking —— 复杂系统的动力学透镜 **来源/安装**：通用思维类技能，社区多版本（mcpmarket、cc-thinking-skills 等均有收录）。 **核心功能**：帮用户"用系统的眼光看世界"，理解复杂动态。专攻**多利益相关方问题、二阶效应（second-order effects）、平台生态分析、复杂组织动态**。它会引导你画出反馈环、识别杠杆点、推演一个动作在系统里会引发怎样的连锁反应。当你面对"这事牵一发而动全身"的难题（平台治理、生态合作、组织变革）时，它比线性思维工具更有洞察力。 **评分**：功能完整度 ★★★★☆（框架成熟，但输出偏分析报告而非可执行文件）；上手难度 ★★★☆☆（系统思维本身需要一定抽象能力）；变现潜力 ★★★★☆（咨询行业刚需，可做"战略分析助手"）；训练营适用 ★★★★☆；社区活跃 ★★★☆☆。 **变现/训练营**：适合管理咨询、产品战略方向的付费咨询工具——帮客户做平台生态/商业模式推演，按项目收费。训练营可做"系统思维训练营"，教反馈环、存量流量、杠杆点等概念，结合 Mermaid 画图落地。 **与竞品对比**：与 scientific-critical-thinking 互补——前者看"系统怎么演化"，后者看"某个主张成不成立"。与 cc-thinking-skills（39 个心智模型集合）相比，它更聚焦系统动力学这一垂直。 ### 7. scientific-critical-thinking —— 科学批判性推理 **来源/安装**：通用思维类技能，skills.sh 可装。 **核心功能**：培养科学化、批判性的推理习惯。面对一个主张，它会引导你拆解：假设是什么？证据等级如何？有没有反例？因果还是相关？可证伪吗？适合科研阅读、决策评审、fact-check、对抗信息茧房。它是把"科学素养"封装成可调用的认知框架。 **评分**：功能完整度 ★★★★☆（框架扎实，但落地依赖使用者思辨基础）；上手难度 ★★★☆☆（批判性思维本身门槛不低）；变现潜力 ★★★☆☆（偏通识教育，直接变现难，但可嵌入教育产品）；训练营适用 ★★★★★（批判性思维训练营的天然核心）；社区活跃 ★★★☆☆。 **变现/训练营**：直接变现弱，更适合作为"素质教育/科普"产品的一部分，或嵌入决策评审类工具（帮领导层审慎决策）。训练营方向上是"批判性思维 / 反谣言 / 科学阅读"课程的主引擎，受众可覆盖中学生到职场人。 **与竞品对比**：与 systems-thinking 形成"一横一纵"——它纵向深挖单个主张的成立性，systems-thinking 横向展开系统演化。两者结合可做"硬核决策分析"产品。 ## Skills 生态分类思维导图 ```mermaid mindmap root((认知增强型 Skills)) 调研类 Research deep-research 对抗式验证 human-in-the-loop research 多源综合 即时可引用 wikipedia-research 引文溯源 结构化JSON academic-researcher 文献综述 方法学评估 学习类 Learning learning-coach 主动回忆 间隔重复 刻意练习 telecom-learning-coach ICT岗位路径 费曼/康奈尔 self-learning continuous-learning-v2 思维类 Thinking systems-thinking 二阶效应 平台生态 scientific-critical-thinking 假设审查 证据等级 marketing-psychology 心智模型 行为科学 joke-engineering 幽默系统工程 ``` ## 推荐排行榜 **🥇 变现潜力榜（适合做付费产品）** 1. deep-research（9.5）—— 行业尽调即服务，客单价高 2. learning-coach（9.5）—— AI 学习教练订阅，受众最广 3. academic-researcher（8.5）—— 学术陪跑/文献外包 4. systems-thinking（8.0）—— 战略咨询助手 **🥈 新手友好榜（上手快、正反馈强）** 1. research（9.5）—— 零门槛，30 秒出带引用报告 2. learning-coach（9.0）—— 立刻改善学习效果 3. wikipedia-research（8.5）—— 结构化输出对下游友好 **🥉 训练营适配榜（适合教学场景）** 1. academic-researcher（9.5）—— 学术写作营主角 2. learning-coach（9.5）—— 学习方法营核心 3. scientific-critical-thinking（9.0）—— 批判性思维营引擎 4. research（8.5）—— 入门认知课最佳样本 **🏅 组合推荐（认知流水线）** | 环节 | 推荐技能 | 作用 | |------|---------|------| | 界定问题 | deep-research | 澄清收敛范围 | | 广度检索 | research / wikipedia-research | 多源综合 + 引文溯源 | | 深度核查 | deep-research（对抗验证） | 防幻觉、防错引 | | 学术深化 | academic-researcher | 方法学评估 | | 学习内化 | learning-coach | 间隔重复巩固 | | 系统推演 | systems-thinking | 二阶效应分析 | | 严苛审查 | scientific-critical-thinking | 主张成立性检验 | ## 结语延伸 认知增强型 Skills 的真正价值，不在单次产出，而在**重塑信息处理的纪律**——逼着模型（和人）去溯源、去验证、去拆假设、去画系统。当产出型技能同质化越来越严重时，能把"查得准、学得深、想得透"做成壁垒的技能，才是下一轮生态里最值得押注的方向。把它们串成上述流水线，再配上定时任务与内容再生技能，一个"自动求知并交付结论"的闭环便成型了。 ## 参考来源 1. [The Agent Skills Directory — skills.sh](https://www.skills.sh/) — Claude/Codex 技能的官方公共目录，搜索与安装入口 2. [Deep Research Skill for Claude Code/OpenCode/Codex (GitHub)](https://github.com/Weizhena/Deep-Research-skills/blob/master/README.zh.md) — 带对抗式验证与 human-in-the-loop 控制的结构化深度调研技能 3. [Academic Research Skills for Claude Code (GitHub)](https://github.com/Imbad0202/academic-research-skills) — 覆盖文献研究、论文写作、同行评审全流程的学术技能套件 4. [Claude Code Thinking Skills (GitHub)](https://github.com/tjboudreaux/cc-thinking-skills) — 39 个心智模型与批判性思维框架集合 5. [Claude Code Skills 完全指南（2026 最新版）— 知乎](https://zhuanlan.zhihu.com/p/2034659438850750016) — SKILL.md 格式、触发机制与社区生态详解 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。