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。

前兩日搞完大會，之後尋日週末同個朋友食飯，傾傾下佢突然間放低對筷子望住我講咗句：「唔係呀嘛師兄，點解你乜都識啲嘅？」

我話我唔識呀，我識條鐵咩。

佢話點解感覺好似乜嘢你都可以傾兩句，咩 Harness、咩 Claude Code、咩心理學、咩《殺戮尖塔 2》、咩克蘇魯神話，你點解仲有時間玩寶可夢 popakia，你到底一日有幾多個鐘？

我嗰陣時都呆咗一呆。

因為老實講，傾偈吹水就話啫，我真係唔覺得自己乜都識，我只係對好多嘢都好奇，然後有一套方法可以令我好快將一件生疏嘅嘢摸清個大概。

佢又問，係咩方法？

我話，一個我自己搞嘅研究框架，加埋 AI，半個鐘就可以出一份一兩萬字嘅研究報告，可以幫你超快咁入門。

佢對筷子又放低咗。

然後佢話：「你將呢樣嘢寫出嚟。」

我亦都唔知對所有人係咪都有用，但呢個確實係我自己三年前仲喺金融行業嗰陣，研究公司同埋行業用嘅方法論。之後 AI 出現咗，各種各樣嘅深度研究亦都出晒嚟，我自己又將呢套方法論稍微迭代咗一下，封裝成畀好多 AI 深度研究功能用嘅 Prompt，可以適用於我研究任何嘢。講真，我覺得呢樣就係呢兩年用得最順手嘅嘢之一。

唔敢話呢樣嘢整出嚟嘅研究有幾咁透徹，但起碼可以幫我快速建立一個相當完整嘅認知框架，然後喺呢個框架上面再去深挖。

呢個方法論，我之前稱之為：

橫縱分析法。

我先講下呢樣嘢到底係乜。

其實好簡單，就係兩條軸。

第一條軸，縱向。就係跟住時間線，將一件嘢由誕生到而家嘅完整故事還原出嚟。佢點樣嚟嘅？邊個做嘅？中間經歷咗啲咩？點解喺某個時間點突然爆發，或者突然轉向？你將呢條線理順咗，你就可以理解到一件嘢大概嘅歷史同因果。

第二條軸，橫向。就係喺當下呢個時間點，將佢同埋同一個賽道嘅其他嘢擺埋一齊比。佢同競爭對手比有咩唔同？用戶點解揀佢唔揀第個？佢喺成個賽道入面係咩位置？你將呢個切面睇清楚，你就可以理解到一件嘢嘅位置同埋差異。

然後最關鍵嘅一步，係將呢兩條軸交叉埋一齊睇。

縱向話畀你聽佢係點樣行到今日嘅，橫向話畀你聽佢今日企喺邊。兩條軸一交叉，你就可以睇到一啲單獨睇任何一條軸都睇唔到嘅嘢。例如佢今日嘅某個優勢，其實係三年前一個唔起眼嘅決策慢慢累積出嚟嘅；又例如佢今日嘅某個短板，其實係當初一個合理嘅選擇變咗做包袱。

縱向追時間深度，橫向追同期廣度，最後交匯出判斷。

就係咁簡單。

亦都係我呢兩年用得最順手嘅一套方法。

呢個方法其實係由社會科學同語言學一啲經典研究視角演變出嚟。

語言學入面有一個非常經典嘅分析維度，係索緒爾提出嘅，叫歷時分析同共時分析。

即係你要研究一件嘢，可以由兩個維度入手：一個維度係時間維度，睇佢由過去到而家係點樣一步步演變過嚟；另一個維度係當下維度，睇佢喺某一個時間點上面，處於一個點樣嘅系統同埋比較關係入面。

社會科學入面亦都有類似嘅研究視角，叫縱向研究同橫截面研究。縱向就係追蹤一個對象嘅變化軌跡，橫截面就係喺某個時間點觀察佢嘅截面狀態，並做橫向對比。

我只係將呢啲學術界已經用咗好耐嘅研究視角抽離一下，再結合咗一啲商業同競爭戰略分析嘅思路，搞咗一套用 AI 嚟行嘅通用研究框架。

而家有 Prompt 版本同 Skill 版本。

亦都全部開源咗喺我嘅 GitHub 倉庫：

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

Prompt 版本配合一啲有深度研究功能嘅 AI 效果會特別好，例如 ChatGPT 嘅 DeepResearch、Claude 嘅深度研究、豆包嘅專家模式、DeepSeek 嘅專家模式之類，都得。而且我特登優化咗行文風格，用咗部分卡茲克寫作 skill 嘅能力，保證呢份報告出嚟之後，你係讀得落去，而唔係好似啃天書咁難頂。。。

我將 Prompt 擺喺呢度，有需要嘅朋友直接複製，亦都可以去 GitHub 倉庫自取：

# 橫縱分析法 Deep Research Prompt
> 使用方法：將下方 Prompt 複製到任何支持 Deep Research 的模型中，只需修改開頭的「研究對象」一行即可。
---
## Prompt 正文
```
> 橫縱分析法 by 數字生命卡茲克
## 變量定義
研究對象 = 「此處替換為你的研究對象名」
（以下所有提到「研究對象」的地方，都指代上面定義的內容。使用時只需修改等號右邊的內容即可。）
---
你是一位資深的技術與商業研究分析師。請使用「橫縱分析法」對「研究對象」進行一份完整的深度研究報告。
橫縱分析法包含兩個維度：
---
### 一、縱向分析（Diachronic / Longitudinal）
沿時間軸，完整還原「研究對象」從誕生到現在的發展全貌。要求如下：
1. **起源追溯**：它誕生的背景是什麼？基於什麼技術/理念/需求而來？創始團隊或核心推動者是誰？當時的行業環境是什麼樣的？
2. **誕生節點**：明確的首次發佈/成立/提出時間，以及最初的形態和定位。
3. **演進歷程**：從誕生到現在，按時間順序梳理所有關鍵節點。包括但不限於：重大版本更新、融資事件、團隊變動、戰略轉型、技術架構變化、用戶規模里程碑、重大合作或收購、公關危機或爭議事件。
4. **決策邏輯**：在每個關鍵節點上，儘可能還原決策背後的原因。為什麼選了A而不是B？當時面對的約束條件是什麼？
5. **敍事要求**：不要寫成乾巴巴的年表。用故事的方式把發展史串起來，讓讀者能感受到因果關係和時代脈絡。越詳細、越多元越好，把相關的人物、事件、背景信息都拽進來。
---
### 二、橫向分析（Synchronic / Cross-sectional）
以當前時間點為切面，將「研究對象」與同賽道的競品/同類進行全面對比。
**首先判斷競品情況**，分為三種場景：
- **場景A：無直接競品。** 如果「研究對象」是一個全新品類或獨佔性極強的領域，沒有可直接對比的競品，則跳過逐一對比，改為分析：它為什麼沒有競品？是品類太新、壁壘太高、還是市場太小？未來最可能從哪個方向冒出競爭者？有沒有間接替代方案或上一代的解決方式可以作為參照？
- **場景B：少量競品（1-2個）。** 逐一深入對比，每個競品展開詳細分析。
- **場景C：競品充分（3個及以上）。** 選取最具代表性的3-5個進行對比，其餘可簡要提及。
**對比維度**（根據「研究對象」的類型靈活調整）：
1. **核心差異對比**：
   - 技術路線/核心方法論/底層邏輯
   - 產品形態/商業模式/組織結構
   - 目標用戶/受眾/適用場景
   - 核心優勢與明顯短板
   - 定價策略/資源投入/規模體量
2. **用戶視角**：每個競品的真實用戶口碑如何？社區評價、使用體驗中被提及最多的優點和槽點分別是什麼？用戶實際的使用方式和官方定位有沒有偏差？
3. **生態位分析**：在整個賽道的版圖中，「研究對象」佔據的是什麼位置？它填補了什麼空白，還是在跟誰正面競爭？
4. **趨勢判斷**：基於橫向對比，你認為「研究對象」在競爭格局中的走向是什麼？它的機會和風險各是什麼？
---
### 三、寫作風格要求
這不是一份冷冰冰的諮詢報告，而是一篇讓人能從頭讀到尾的深度研究。請遵循以下風格要求：
1. **可讀性優先**：寫得像一篇優質的深度報道或非虛構特稿，有節奏感，有畫面感。讀者應該能被內容本身吸引着往下讀，而不是靠目錄跳着看。
2. **敍事驅動，不是羅列驅動**：縱向部分要有故事弧線，有起承轉合。比如一個產品為什麼在某個時間點突然爆發，背後的鋪墊是什麼，轉折是什麼。不要寫成"2023年1月發佈了A，2023年3月發佈了B"這種流水賬。
3. **觀點要有，但必須建立在事實之上**：鼓勵你給出判斷和洞察，但每一個觀點都必須有事實支撐。先擺事實，再給判斷。如果是推測，明確標註。
4. **用人話寫**：避免諮詢公司式的套話和空洞的形容詞（如"賦能""抓手""打造閉環"）。用具體的細節和例子代替概括性陳述。
5. **對比要有温度**：橫向對比不要寫成參數對照表的文字版。要講清楚每個競品"活成了什麼樣"，用戶選它的真實理由是什麼，而不只是羅列功能差異。
---
### 四、篇幅要求
根據「研究對象」的複雜度，自適應調整篇幅：
- **縱向分析**：6000-15000字。這是報告的主體，篇幅應該最重。歷史越長、節點越多的對象靠近上限，新生事物靠近下限。核心原則是把故事講完整、講透，每個關鍵節點都值得展開寫，不要為了壓縮而跳過重要細節。寧可寫長寫細，也不要蜻蜓點水。
- **橫向分析**：3000-10000字。競品越多篇幅越長。場景A（無競品）可以控制在3000字左右，把分析重點放在替代方案和潛在競爭者上。場景C（競品充分）每個主要競品至少展開1500字以上的獨立分析，不要一筆帶過。
- **橫縱交匯總結**：1500-3000字。這是整篇報告的精華段，不要寫成前面內容的縮寫版，要給出新的、綜合性的判斷。
- **全文總計**：10000-30000字。不要怕長，研究報告的價值在於深度和完整度。寫到該停的地方自然停，但絕不能因為篇幅焦慮而犧牲信息密度。
---
### 五、輸出格式要求
1. 先輸出縱向分析（發展史敍事），再輸出橫向分析（競品對比）
2. 縱向部分以時間敍事為主線，但不要用純粹的列表格式，要有可讀性
3. 橫向部分可以適當使用對比表格輔助，但核心分析必須是文字論述
4. 在報告最後，加一段「橫縱交匯」的總結：把縱向發展脈絡和橫向競爭格局結合起來，給出你對「研究對象」當前所處位置和未來走向的判斷
5. 所有信息儘可能標註來源或時間節點，確保可追溯
6. 如果某些信息無法確認，明確標註為推測或未經證實，不要編造
---
### 適用範圍說明
此分析法適用於以下類型的研究對象：
- **產品/工具**：如 Hermes Agent、Cursor、Claude Code
- **公司/組織**：如 Anthropic、字節跳動、OpenAI
- **技術概念**：如 MCP協議、RAG、Agent框架
- **人物**：如某個行業關鍵人物的職業軌跡與同期人物的對比
請根據「研究對象」的具體類型，靈活調整縱向和橫向分析中的具體維度。核心原則不變：縱向追時間深度，橫向追同期廣度，最終交匯出判斷。
```

使用方法超級簡單，只要將研究對象等號後面嗰個詞組，直接改做你想研究嘅對象就得。

例如最近好紅嘅hermes agent、例如Harness、例如CLI、例如Anthropic對SaaS股有咩衝擊等等。

甚至你想研究《洛克王國世界》、《王者榮耀世界》、伊朗同美國嘅戰事、特朗普（Trump）嘅反覆無常等等都得。

乜嘢都得。

我用最近最紅嘅Harness+Claude嘅深度研究嚟舉個例啦。

我直接將嗰個Prompt改咗少少，等號入面換咗做Harness，然後開咗Claude嘅深度研究模式。

直接撳發送。

跟住Claude會同我確認一下Harness到底係啲咩，我就補充咗少少。

然後就直接開始咗。

13分鐘之後，呢篇關於Harness嘅研究報告就寫好咗。

可以睇吓效果，縱向分析我覺得寫得幾好，歷史幫你梳理得好清楚，幾時誕生、幾時爆發、有邊啲關鍵節點。

點解係呢個時間點爆發亦都講得好有道理。

而喺橫向研究方面，對比嘅係Prompt Engineering、Context Engineering同埋Agent Engineering。

我相信任何一個識Agent嘅人，都唔會質疑佢對比得唔專業，你可以好快咁理清佢同其他同類概念嘅分別。

仲有最後嘅未來演進方向。

呢篇報告大約有一萬字，相信我，如果你對Harness感到好奇，想用最快速度、盡可能全面咁了解關於佢嘅一切，呢篇研究報告，幾乎比你見到嘅大部分匯總文章都要好。

全面得嚟又易讀。

研究對象可以係一個產品，例如Cursor、Claude Code、Hermes Agent。可以係一間公司，例如Anthropic、字節跳動。可以係一個技術概念，例如MCP協議、RAG。甚至可以係一個人，例如某個行業入面嘅關鍵人物。

Prompt會根據研究對象嘅類型，自動調整縱向同橫向分析嘅側重點。研究產品就重點睇版本迭代同功能對比，研究公司就重點睇融資歷程同商業模式，研究人物就重點睇職業軌跡同埋同領域人物嘅對比。

如果你平時鍾意用Cowork、Claude Code或者Codex等等Agent嘅話，我仲將呢套方法論做咗個Skill，叫hv-analysis，亦都放咗喺我嘅Github倉庫度開源咗。

裝咗之後你直接同Agent講「幫我研究一下xxx」，佢就會跟住橫縱分析法嘅框架去做。

而且呢個Skill版本仲會自動聯網搵資料、仲包埋arxiv嘅API，會喺你研究一啲學術問題嘅時候自動去查論文，最後仲會生成一份排版好晒嘅PDF研究報告，文風亦會更易讀，比Prompt版本更加自由同豐富。

當然，我都要坦白講吓呢個方法嘅局限。

佢唔係萬能嘅。

佢可以幫你喺好短時間內建立一個相當完整嘅認知框架，但佢取代唔到真正深入、親自落場嘅研究。

而且 AI 搜集到嘅資訊，雖然而家 AI 嘅模型幻覺已經低咗好多，但係依然有可能會出現唔準確嘅情況。

所以你唔可以攞到 AI 產出嘅報告就直接當結論用，佢更似係一個你對呢個領域研究嘅起點，幫你快速建立地圖，然後你再根據呢張地圖去做更深入嘅探索。

另外一個問題係，AI 生成嘅報告質量同你用嘅模型同工具有好大關係。用支持 DeepResearch 或者深度研究嘅工具效果通常比較好，因為佢哋真係會去聯網搜索、驗證好多資訊，一次任務通常都要 10 分鐘以上。

但係如果你只係可以用支持普通聯網搜索嘅 AI 工具，一次就唔使一分鐘，咁效果可能真係會大打折扣。

我自己嘅做法係，攞到報告之後，先快速通讀一遍建立框架，然後針對我覺得有疑問嘅點或者特別感興趣嘅點，再深入去搜更多資料。

呢個就係橫縱分析法生成嘅 AI 報告 + 自己深挖嘅組合，比從零開始嘅效率高太多喇。

話晒呢個年代，喺已經有 AI 嘅情況下，真係冇必要夾硬自己去挖，嗰種真係叫「攞苦嚟辛」。

我有時覺得，呢個時代做研究，真正稀缺嘅唔再係資訊，而係你對呢個世界有幾好奇。

其實你要話我真係有幾博學或者幾專業咩，咁肯定都唔係，我只係對呢個世界，多咗少少好奇心啫。

就係腦入面隨時隨地會冒出一堆問題。

呢樣嘢係點樣嚟㗎？點解係而家出現？佢同嗰樣嘢係咩關係？做呢件事嘅人之前喺度幹嘛？呢啲問題如果我想起嘅時候冇答案，我就真係會好難受，我唔知大家有冇呢種感覺，就係嗰種，呢一刻、即刻，我就要得到答案嘅感覺。

資訊已經好似洪水咁樣，AI 令你獲取資訊嘅成本趨近於零。

但你要問咩問題、從咩角度去睇、點樣將散落嘅資訊組織成有意義嘅判斷，呢啲嘢 AI 幫唔到你，或者話，AI 只能夠喺你俾咗方向之後幫你執行，但方向本身要你自己定。

橫縱分析法其實就係我幫自己定嘅一個提問框架。每次面對一個陌生嘅嘢，我唔需要臨時諗我應該從邊幾個角度去了解佢，呢個框架已經幫我諗好咗。

縱向追時間，橫向追空間，最後交匯出判斷，三步行完，認知框架就搭好咗。

佢令我唔使再好似幾年前咁，花三日時間去搜集資訊，而家半個鐘就搞得掂個框架，然後將剩低嘅時間花喺真正有意思嘅地方，就係睇住呢啲資訊慢慢拼成一幅完整嘅圖，然後突然「啊，原來係咁樣」嗰個「啊哈」嘅瞬間。

嗰個瞬間真係好爽。

講真我亦都唔確定呢個方法係咪啱每個人。

但如果你都係嗰種，腦入面成日冒出一堆問題，又嫌搜集資訊太慢嘅人，可以試下。

古希臘人話，哲學始於驚奇。

我覺得呢，研究都係一樣，始於你對一樣嘢真係好奇，方法同工具都係後面嘅事，好奇心喺前面。

冇好奇心，有再好嘅方法論都係擺設。

有咗好奇心，哪怕方法笨少少，你總會搵到答案嘅。

只不過而家，搵答案呢件事，確實比以前快好多。

快到你可以對更多嘅事。

保持好奇。

以上，既然睇到呢度，如果覺得唔錯，隨手點個贊、在看、轉發三連啦，如果想第一時間收到推送，亦都可以俾個星標⭐我～多謝你睇我嘅文章，我哋下次再見。

>/ 作者：卡茲克

>/ 投稿或者爆料，請聯絡電郵：wzglyay@virxact.com

前兩天辦完大會，然後昨天週末跟一個朋友吃飯，聊着聊着他突然放下筷子看着我說了一句，不是哥們，你怎麼什麼都懂一點？

我說我不懂啊，我懂個屁。

他說怎麼感覺啥你都能聊一聊，什麼Harness、什麼Claude Code、什麼心理學、什麼殺戮尖塔2、什麼克蘇魯神話，你怎麼還有時間玩寶可夢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麼都懂，我只是對很多東西好奇，然後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，什麼辦法？

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。

然後他說，“你把這個東西寫出來”。

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，然後後面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，能適用於我研究任何東西，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，然後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麼東西。

其實特別簡單，就兩條軸。

第一條軸，縱向。就是沿着時間線，把一個東西從誕生到現在的完整故事給還原出來。它怎麼來的？誰做的？中間經歷了什麼？為什麼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。它跟競品比有什麼不同？用戶為什麼選它不選別的？它在整個賽道里是什麼位置？你把這個切面看清楚，你就能理解一個東西的位置和差異。

然後最關鍵的一步，是把這兩條軸交叉起來看。

縱向告訴你它是怎麼走到今天的，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，最後交匯出判斷。

就這麼簡單。

也是我這兩年用的最順手的一套方法。

這個方法其實脱胎於社會科學和語言學的一些經典研究視角。

語言學裏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麼一步步演變過來的，另一個維度是當下維度，看它在某一個時間點上，處在一個什麼樣的系統和比較關係裏。

社會科學裏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，並做橫向對比。

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，並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後，你能讀的下去，而不是如果嚼難啃的天書一般。。。

我把Prompt放在這裏，有需要的朋友直接複製，也可以去Github倉庫自取：

# 橫縱分析法 Deep Research Prompt
> 使用方法：將下方 Prompt 複製到任何支持 Deep Research 的模型中，只需修改開頭的「研究對象」一行即可。
---
## Prompt 正文
```
> 橫縱分析法 by 數字生命卡茲克
## 變量定義
研究對象 = 「此處替換為你的研究對象名」
（以下所有提到「研究對象」的地方，都指代上面定義的內容。使用時只需修改等號右邊的內容即可。）
---
你是一位資深的技術與商業研究分析師。請使用「橫縱分析法」對「研究對象」進行一份完整的深度研究報告。
橫縱分析法包含兩個維度：
---
### 一、縱向分析（Diachronic / Longitudinal）
沿時間軸，完整還原「研究對象」從誕生到現在的發展全貌。要求如下：
1. **起源追溯**：它誕生的背景是什麼？基於什麼技術/理念/需求而來？創始團隊或核心推動者是誰？當時的行業環境是什麼樣的？
2. **誕生節點**：明確的首次發佈/成立/提出時間，以及最初的形態和定位。
3. **演進歷程**：從誕生到現在，按時間順序梳理所有關鍵節點。包括但不限於：重大版本更新、融資事件、團隊變動、戰略轉型、技術架構變化、用戶規模里程碑、重大合作或收購、公關危機或爭議事件。
4. **決策邏輯**：在每個關鍵節點上，儘可能還原決策背後的原因。為什麼選了A而不是B？當時面對的約束條件是什麼？
5. **敍事要求**：不要寫成乾巴巴的年表。用故事的方式把發展史串起來，讓讀者能感受到因果關係和時代脈絡。越詳細、越多元越好，把相關的人物、事件、背景信息都拽進來。
---
### 二、橫向分析（Synchronic / Cross-sectional）
以當前時間點為切面，將「研究對象」與同賽道的競品/同類進行全面對比。
**首先判斷競品情況**，分為三種場景：
- **場景A：無直接競品。** 如果「研究對象」是一個全新品類或獨佔性極強的領域，沒有可直接對比的競品，則跳過逐一對比，改為分析：它為什麼沒有競品？是品類太新、壁壘太高、還是市場太小？未來最可能從哪個方向冒出競爭者？有沒有間接替代方案或上一代的解決方式可以作為參照？
- **場景B：少量競品（1-2個）。** 逐一深入對比，每個競品展開詳細分析。
- **場景C：競品充分（3個及以上）。** 選取最具代表性的3-5個進行對比，其餘可簡要提及。
**對比維度**（根據「研究對象」的類型靈活調整）：
1. **核心差異對比**：
   - 技術路線/核心方法論/底層邏輯
   - 產品形態/商業模式/組織結構
   - 目標用戶/受眾/適用場景
   - 核心優勢與明顯短板
   - 定價策略/資源投入/規模體量
2. **用戶視角**：每個競品的真實用戶口碑如何？社區評價、使用體驗中被提及最多的優點和槽點分別是什麼？用戶實際的使用方式和官方定位有沒有偏差？
3. **生態位分析**：在整個賽道的版圖中，「研究對象」佔據的是什麼位置？它填補了什麼空白，還是在跟誰正面競爭？
4. **趨勢判斷**：基於橫向對比，你認為「研究對象」在競爭格局中的走向是什麼？它的機會和風險各是什麼？
---
### 三、寫作風格要求
這不是一份冷冰冰的諮詢報告，而是一篇讓人能從頭讀到尾的深度研究。請遵循以下風格要求：
1. **可讀性優先**：寫得像一篇優質的深度報道或非虛構特稿，有節奏感，有畫面感。讀者應該能被內容本身吸引着往下讀，而不是靠目錄跳着看。
2. **敍事驅動，不是羅列驅動**：縱向部分要有故事弧線，有起承轉合。比如一個產品為什麼在某個時間點突然爆發，背後的鋪墊是什麼，轉折是什麼。不要寫成"2023年1月發佈了A，2023年3月發佈了B"這種流水賬。
3. **觀點要有，但必須建立在事實之上**：鼓勵你給出判斷和洞察，但每一個觀點都必須有事實支撐。先擺事實，再給判斷。如果是推測，明確標註。
4. **用人話寫**：避免諮詢公司式的套話和空洞的形容詞（如"賦能""抓手""打造閉環"）。用具體的細節和例子代替概括性陳述。
5. **對比要有温度**：橫向對比不要寫成參數對照表的文字版。要講清楚每個競品"活成了什麼樣"，用戶選它的真實理由是什麼，而不只是羅列功能差異。
---
### 四、篇幅要求
根據「研究對象」的複雜度，自適應調整篇幅：
- **縱向分析**：6000-15000字。這是報告的主體，篇幅應該最重。歷史越長、節點越多的對象靠近上限，新生事物靠近下限。核心原則是把故事講完整、講透，每個關鍵節點都值得展開寫，不要為了壓縮而跳過重要細節。寧可寫長寫細，也不要蜻蜓點水。
- **橫向分析**：3000-10000字。競品越多篇幅越長。場景A（無競品）可以控制在3000字左右，把分析重點放在替代方案和潛在競爭者上。場景C（競品充分）每個主要競品至少展開1500字以上的獨立分析，不要一筆帶過。
- **橫縱交匯總結**：1500-3000字。這是整篇報告的精華段，不要寫成前面內容的縮寫版，要給出新的、綜合性的判斷。
- **全文總計**：10000-30000字。不要怕長，研究報告的價值在於深度和完整度。寫到該停的地方自然停，但絕不能因為篇幅焦慮而犧牲信息密度。
---
### 五、輸出格式要求
1. 先輸出縱向分析（發展史敍事），再輸出橫向分析（競品對比）
2. 縱向部分以時間敍事為主線，但不要用純粹的列表格式，要有可讀性
3. 橫向部分可以適當使用對比表格輔助，但核心分析必須是文字論述
4. 在報告最後，加一段「橫縱交匯」的總結：把縱向發展脈絡和橫向競爭格局結合起來，給出你對「研究對象」當前所處位置和未來走向的判斷
5. 所有信息儘可能標註來源或時間節點，確保可追溯
6. 如果某些信息無法確認，明確標註為推測或未經證實，不要編造
---
### 適用範圍說明
此分析法適用於以下類型的研究對象：
- **產品/工具**：如 Hermes Agent、Cursor、Claude Code
- **公司/組織**：如 Anthropic、字節跳動、OpenAI
- **技術概念**：如 MCP協議、RAG、Agent框架
- **人物**：如某個行業關鍵人物的職業軌跡與同期人物的對比
請根據「研究對象」的具體類型，靈活調整縱向和橫向分析中的具體維度。核心原則不變：縱向追時間深度，橫向追同期廣度，最終交匯出判斷。
```

使用方法特別簡單，把那個研究對象等式後面那個詞組，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對於SaaS股有什麼衝擊等等等等。

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、川普的反覆無常等等等等。

什麼都可以。

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，等式裏面換成了Harness，然後打開了Claude的深度研究模式。

直接發送。

然後Claude會跟我確認一下Harness到底是個什麼東西，我就補充了一下。

然後就直接開始了。

13分鐘以後，這篇關於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，什麼時候誕生的，什麼時候爆發的，有哪些關鍵節點。

為什麼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。

還有最後的未來演進方向。

這整篇報告大概一萬字，相信我，如果你是對Harness感到好奇，想最快速度儘可能全面的瞭解關於它的一切，這篇研究報告，幾乎比你看到的大多數的彙總文章，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，比如某個行業裏的關鍵人物。

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倉庫裏開源了。

裝上之後你直接跟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，最後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侷限。

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。

並且AI蒐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，然後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係。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，拿到報告之後，先快速通讀一遍建立框架，然後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。

就是腦子裏隨時隨地會冒出來一堆問題。

這個東西是怎麼來的？為什麼是現在出現的？它跟那個東西是什麼關係？做這件事的人之前在幹嘛？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於零。

但你要問什麼問題、從什麼角度去看、怎麼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後幫你執行，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，最後交匯出判斷，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，然後把剩下的時間花在真正有意思的地方，就是看着這些信息慢慢拼成一幅完整的圖，然後突然「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，腦子裏經常冒出一堆問題，又嫌蒐集信息太慢的人，可以試試。

古希臘人說，哲學始於驚奇。

我覺得吧，研究也是，始於你對一個東西真的好奇，方法和工具都是後面的事，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，既然看到這裏了，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，請聯繫郵箱：wzglyay@virxact.com