用一个月时间打磨了一个 Skill，叫 research-flow。它的雏形只是一段提示词，现在已经是一个站在"人与 AI 协作平衡点"上的技能了。
它很强，却打不中我的痛点
之前推荐过的学术研究 skill（academic-research-skills）里面的 deep-research 做技术调研很强：13 个 Agent 并行搜索、交叉验证、自动合成，产出的报告信息密度极高。但用着用着发现它跑出来的东西很好，却总差那么一口气。
原因有三：一是差的是"方向感"——即使用了内置采访环节，搜到的资料信息量仍然非常大，不够聚焦；二是自己动手方向感对了效率又太低——搜资料、读文章、做笔记、写大纲、反复改，一篇深度技术文章折腾一周是常事；三是 deep-research 是为科研论文打造的，"人格"太学术，不够普适。
核心矛盾在于：需要的并不是一个更强的研究者，而是一个在"人类判断力"和"AI 执行力"之间的搭桥者。人类负责定方向、做取舍、做审美判断，AI 负责机械化的苦活脏活，比如搜索、编译、格式化。
这就是 research-flow 的起点——把"人想清楚要什么"和"AI 高效执行"焊在一起，而不是让其中一方越界。
它是一个 7 步交互式深度调研工作流：输入一个模糊想法，输出一套击中痛点的研究报告和结构化的内容知识库。
另一个角度，你可以把它理解成一个写作辅助技能，但它不负责写作本身，只是精准地为人类提供专业的咨询服务。7 个步骤里，人与 AI 职责清晰，分工明确：前三步人说了算，中间两步 AI 干活，最后两步人定调 AI 做苦力。
research-flow 在这样的过程中达到了人与 AI 之间的相互成就：AI 拿到足够明确的方向去调研，人类拿到足够清晰的报告 (pipeline-report) 去学习，然后人类跳出这个循环，基于费曼学习法再次输出学习到的知识。
人机协作三条规则
这七步不是一开始就设计好的，子任务卡片设计、"修改讨论"分支最多 2 轮、mermaid 图表类型的语义选择表等优化项都是用了一个月，经过了几十轮 research-flow 后逐渐从坑里提炼出来的。一个好的 Skill 不是写出来的，是迭代出来的。总结了三条人机协作规则：
- AI 做的脏活必须有用户能感知到的具体产出。比如 research-flow 的产出是报告和文章，grill-me 的产出是 shared understanding。当脏活的产出不可见，你会问"我花这 5 块钱的 Token 到底得到了什么？"
- AI 的主动性必须随任务复杂度递减。复杂任务（写深度分析文章、做架构设计）AI 该多问，简单任务（修 bug、格式化代码）AI 该闭嘴直接干活。
- 人的高价值工作必须在流程中被显式标出。research-flow 把"人定方向"、"人选子任务"、"人确认执行"放在显式的交互节点上，你会用得明明白白，也更会清楚自己在整个任务中的重要性。
使用体验
1. 布置任务：安装好 Skill 后，可以让 Claude Code 自行判断要不要使用 research-flow，更推荐通过斜杠指令呼出，更精准。
2. 让 AI 采访你：Skill 会根据任务情况拟几个问题问你，你们一起理清楚思路。
3. 生成子任务卡片并确认：基于采访内容生成子任务卡片，并逐项和你确认。每个子任务都会让你确认一下，以确保方向没跑偏，这一步非常有必要，人类要主导。
4. 选研究模式：子任务全面确认完毕后，可以选快速 (Quick) 还是深入 (Full) 模式。
5. 参考内容知识库：这里有一个亮点——"内容知识库"。这个技能可以积攒你自己的内容知识库，每次成果出来后 research-flow 会自动把内容分段拆分为素材页面，供下次参考。
6. 风格重写：需要注意的是，风格重写无法代劳人类写作输出，重写仅提供参考。可能没人喜欢看 AI 生成的内容，人味儿才是稀缺品。
7. 自动拆分更新内容知识库：最终产物包含研究计划、报告、风格重写文档、拆分后的内容知识库，每一项都能用在点上。因为内容知识库的存在，你会越用越顺手，越用越懂你。
如何制作一个你自己的 Skill？
参考 research-flow 的产生过程，skill 的制作工序其实很清晰：
- 把你的需求和智能体一起跑一遍，这一遍可以很简陋，哪怕只是一段提示词。
- 不断迭代打磨输出，直到得到你想要的结果。
- 让智能体基于这次满意的结果，把刚才做的动作、规范等等，自动提炼为一个 Skill。
- 你去用这个 Skill，再不断打磨。
