hv-analysis

hv-analysis 技能概览

hv-analysis 是一款中文研究型技能，用来把产品、公司、概念、技术或个人，整理成结构化的横纵分析报告。它特别适合那些不满足于“是什么”的用户：你想要的是一种可信的方法，去理解它是什么、它如何演变、与同类相比如何，以及这些变化在当下意味着什么。hv-analysis 技能尤其适合输出打磨过的 PDF 研究报告，而不是快速摘要。

hv-analysis 的用途

它真正要解决的问题是：“帮我深入、系统地理解这个对象。”hv-analysis 采用双轴分析流程：纵向轴追踪对象随时间的完整演进，横向轴则把目标放到当前市场里，与竞争对手或相似案例做比较。正因如此，它非常适合产品分析、公司研究、市场研究和战略复盘。

hv-analysis 的不同之处

和通用的 deep-research 提示词不同，hv-analysis 围绕明确的分析结构和最终交付物来设计。它会推动 agent 去梳理历史、标注关键节点、比较替代方案，并把结论整理成可直接成稿的报告格式。这种结构能减少那种停留在“它是什么”的浅层回答，促使模型给出更接近决策使用的分析。

最适合的用户和使用场景

当你需要理解定位、演进、竞争环境或战略取舍时，用 hv-analysis 最合适。它适合研究新工具以决定是否采用、评估一家公司的发展路径，或者准备内部简报。对于简单的术语解释或短内容写作任务，它就不太合适了。

如何使用 hv-analysis 技能

安装并触发 hv-analysis

在你的 skill directory 工作流里先安装这个技能，然后用清晰的研究对象和目标去调用它。一个实用的安装命令是：npx skills add KKKKhazix/khazix-skills --skill hv-analysis。在请求里直接点名目标，并说明你要做横纵分析，例如：“Use hv-analysis to research Notion as a productivity product and compare it with Obsidian and Evernote.”

给技能正确的输入形状

高质量输入要具体、边界清楚，而且带有决策指向。最好把对象、类型、受众，以及你在意的角度都写出来：

• “Analyze Cursor as an AI coding tool for a founder choosing a dev workflow.”
• “Research OpenAI as a company, with emphasis on product shifts and competitive pressure.”
• “Use hv-analysis for Data Analysis on Figma’s evolution and market position.”

如果你只说“帮我研究一下XX”，技能也能跑，但范围更清楚，比较会更有针对性，叙事也会更干净。

先读这些文件

先看 SKILL.md，了解工作流和报告结构。再查看 references/schema.json，看这个技能期望哪些分析字段；如果你想理解最终的 Markdown-to-PDF 输出路径，也可以看 scripts/md_to_pdf.py。这些文件能看出这个技能最重视什么：结构化研究、里程碑逻辑，以及呈现质量。

能明显提升输出的工作流建议

在使用 hv-analysis 时，最好明确要求两个轴都要覆盖：先讲历史，再做当前比较。如果目标有明显竞争对手，直接点名。如果你更在意某个特定视角——比如定价、产品成熟度、生态、或战略风险——一开始就说清楚。第一版如果太宽，不要只要求“更详细”，而是收窄对象或市场切片。

hv-analysis 技能 FAQ

hv-analysis 只能用于中文提示吗？

仓库内容以中文为主，但只要研究对象和比较对象明确，hv-analysis 也可以用英文请求。真正重要的是输出工作流，而不是提示词语言本身。

hv-analysis 比普通提示词强在哪里？

普通提示词往往只会产出一个摘要。hv-analysis 设计目标是产出一套研究方法：纵向历史、横向比较，以及最终综合结论。这种结构，正是安装 hv-analysis 技能而不是临时拼提示词的核心理由。

什么时候不该用 hv-analysis？

如果你只是要一个定义、一个标题式摘要，或者一条短社交文案，就不要用 hv-analysis。只想知道“X 是什么”时，这套流程过于重。没有明确研究对象，或者根本不需要比较分析时，它也不合适。

hv-analysis 适合新手吗？

适合，只要你能说清楚想研究什么，以及为什么关心它。你不需要掌握研究方法论也能用好它。新手最常见的错误，是只给一个很宽泛的话题，却没有决策背景，这会削弱比较部分和最终判断的质量。

如何改进 hv-analysis 技能

从更锋利的研究问题开始

hv-analysis 技能在第一轮提示里出现“问题”时效果最好，而不是只有一个主题。对比 “Research Anthropic” 和 “Research Anthropic as an AI company, focusing on product strategy, model positioning, and competitor pressure.” 后者能给分析一个更清晰的中心，输出质量通常也更高。

提供更有价值的比较对象

当你指定真正影响决策的同类对象时，横向分析会更强。如果你在评估一个产品，就列出你真的会拿来二选一或三选一的替代方案。如果比较集合过于模糊，hv-analysis 可能会选出合理、但未必与你决策直接相关的对照基准。

控制范围，避免输出过浅

hv-analysis 最常见的失败方式，是试图一次覆盖太多角度。如果目标很大，就限制时间段、市场范围或使用场景。比如明确要求“过去三年”“面向消费者的采用情况”或“developer tooling”，这样报告才会更聚焦，也更有证据密度。

从结构迭代，不只是润色文字

拿到第一版结果后，改进 hv-analysis 的方式，不只是让文字更顺，而是补齐纵向时间线的缺口、增加一个遗漏的竞争对手，或者要求更强的取舍综合。如果某一部分显得泛泛，就直接告诉技能要突出什么：商业模式、技术演进、用户采用，还是战略风险。通常这比简单要求“写长一点”更有效。