技术领域深度调研

对任意技术领域进行结构化、可复现的深度调研，产出四个维度的专业报告和一份精华总结。

适用场景

• - 技术选型前的全面调研
• 新领域快速入门
• 竞品/方案横向对比
• 团队内部技术分享素材准备

用法

调研 {技术领域}

示例：调研 Agent Memory 机制、调研 RAG 技术、调研 向量数据库

调研框架

一次完整调研包含四个维度 + 最终整合，按依赖关系分为两个层级：

第一层（独立维度，可同时开展）:
├── 概念剖析 —— 技术原理和架构的深度理解
├── 行业情报 —— 最新开源项目、论文、博客的信息收集
└── 方案对比 —— 多种实现方案的横向评估

第二层（依赖第一层的结果）:
├── 精华整合 —— 将三份报告浓缩为可传播的总结
└── 最终整合 —— 将所有内容（三个维度 + 精华整合）合并为一份完整 md 文件

以下逐一定义每个维度的目标、方法和输出规范。

维度一：概念剖析

目标

建立对目标技术的深层理解——不仅知道是什么，还要理解为什么这样设计和如何实现。

输出规范

1. 定义澄清（约 200 字）

• - 通行定义：该领域最被广泛接受的定义
• 常见误解：至少列出 3 个容易混淆的认知偏差
• 边界辨析：与相邻概念（易混淆技术）的核心区别

2. 核心架构

使用 ASCII 图呈现系统架构，标注各组件的职责和数据流向：

┌──────────────────────────────────────┐
│ {领域} 系统架构 │
├──────────────────────────────────────┤
│ 输入 → [处理层] → [存储层] → [输出层] │
│ ↓ ↓ │
│ [辅助组件] [监控组件] │
└──────────────────────────────────────┘

每个组件附带一句话说明其功能。

3. 数学形式化（3-5 个公式）

用 LaTeX 公式描述核心机制，覆盖以下方面：

• - 核心算法的数学定义
• 关键性能指标的计算方式
• 效率/成本的量化模型

公式应当反映技术本质，而非堆砌符号。每个公式附带一行自然语言解释。

4. 实现逻辑（Python 伪代码）

python
class CoreSystem:
核心类，体现该领域的关键抽象
def init(self, config):
self.component_a = ... # 说明职责
self.component_b = ... # 说明职责

def core_operation(self, input):
核心操作，体现关键算法逻辑
intermediate = self.component_a.process(input)
result = self.component_b.transform(intermediate)
return result

伪代码应当体现架构思想，而非纠缠于实现细节。

5. 性能指标

6. 扩展性与安全性

• - 水平扩展：如何通过增加节点提升容量
• 垂直扩展：单节点的优化上限
• 安全考量：该领域特有的安全风险和防护要点
• ...

维度二：行业情报

目标

收集该领域最新的开源项目、学术论文和技术博客，建立对当前生态的全景认知。

数据新鲜度要求

所有情报数据必须标注来源和日期。使用以下脚本模板进行实时信息采集：

GitHub 项目采集

必须使用 WebSearch/WebFetch 工具获取最新 GitHub 数据，不能依赖训练数据中的过时信息。

搜索策略（使用 WebSearch 执行以下查询）：

{topic} github stars 2025 2026
best {topic} open source libraries github
awesome {topic} github
site:github.com {topic} stars

对搜索结果中发现的重要项目，使用 WebFetch 访问其 GitHub 页面，获取以下实时数据：

• - 当前 Stars 数量
• 最近提交日期
• 项目描述和核心功能
• 技术栈信息

筛选标准：

• - 最近 6 个月有活跃提交
• Stars > 1000（优先）或 > 500（补充）
• 官方维护或知名团队维护

学术论文采集

必须使用 WebSearch/WebFetch 工具获取最新数据 搜索查询模板：

site:arxiv.org {topic} {currentyear-5} {currentyear}
{topic} NeurIPS OR ICML OR ACL OR AAAI {current_year-5}

技术博客采集

必须使用 WebSearch/WebFetch 工具获取最新数据 搜索查询模板：

{topic} tutorial best practices {current_year}
{topic} medium.com OR dev.to {currentyear-5} {currentyear}

输出规范

1. GitHub 热门项目（15+ 个）

| 项目 | Stars | 核心功能 | 技术栈 | 最后更新 | 链接 |
|------|-------|---------|--------|---------|------|

2. 关键论文（12 篇）

选择策略（按优先级）：

1. 1. 影响力优先：被引次数高、GitHub 实现多、社区讨论热
2. 时效性次之：近两年的最新研究
3. 来源权威：顶级会议 > arXiv 顶会投稿 > arXiv 预印本
4. ...

推荐比例：

• - 经典高影响力论文（奠基性工作）：约 40%
• 最新 SOTA 论文（前沿进展）：约 60%

| 论文 | 作者/机构 | 年份 | 会议/期刊 | 核心贡献 | 影响力指标 | 链接 |
|------|----------|------|----------|---------|-----------|------|

3. 系统化技术博客（10 篇）

选择标准：

• - 内容深度：系列文章、深度教程、架构解析（排除碎片化新闻）
• 作者权威：官方团队博客、知名专家、一线工程师实践
• 语言平衡：英文约 70%，中文约 30%

英文推荐来源：OpenAI Blog、Google AI Blog、Anthropic Blog、LangChain Blog、个人专家（Eugene Yan、Chip Huyen、Sebastian Raschka 等）

中文推荐来源：大厂技术博客（美团、阿里、字节等）、知乎专栏、机器之心、PaperWeekly ...

| 博客标题 | 作者/来源 | 语言 | 类型 | 核心内容 | 日期 | 链接 |
|---------|----------|------|------|---------|------|------|

4. 技术演进时间线

按时间顺序列出该领域的关键里程碑事件，标注事件、发起方和影响。

维度三：方案对比

目标

对该领域的主流实现方案进行系统化横向对比，给出可操作的选型建议。

输出规范

1. 历史发展时间线

{年份} ─┬─ {技术/事件} → {对行业的影响}
{年份} ─┼─ {技术/事件} → {对行业的影响}
{年份} ─┼─ {技术/事件} → {对行业的影响}
{年份} ─┴─ 当前状态：{一句话总结}

2. N 种方案横向对比（5-7 种）

| 方案 | 原理 | 优点（3+） | 缺点（3+） | 适用场景 | 成本量级 |
|------|------|-----------|-----------|---------|---------|

每个方案的优缺点至少各列 3 条，避免泛泛而谈。

3. 技术细节对比

4. 选型建议

选型建议应当基于当年最新的技术趋势和生态状况。

精华整合

目标

将三份维度报告浓缩为可快速传播的精华内容。精华整合依赖前三个维度的输出。

输出规范

1. The One 公式

用一个