半小时搞懂陌生领域的深度研究 Prompt
面对一个陌生的东西——一个产品、一家公司、一个技术概念——怎么在半小时内把它摸个七七八八？
这里分享一套深度研究框架，配上 AI 的深度研究功能，半小时能出一份一两万字的研究报告，快速建立对一个陌生领域的完整认知框架，然后再在这个框架上深挖。
这套方法论脱胎于金融行业研究公司和行业的方法，AI 时代被迭代封装成了适用于各种 Deep Research 功能的 Prompt。不敢说产出的研究有多透彻，但至少能快速建立一个相当完整的认知框架。
这个方法论叫横纵分析法。
横纵分析法是什么
其实特别简单，就两条轴。
第一条轴，纵向。 沿着时间线，把一个东西从诞生到现在的完整故事还原出来。它怎么来的？谁做的？中间经历了什么？为什么在某个节点突然爆发了，或者突然掉头了？把这条线理清楚，就能理解一个东西大概的历史与因果。
第二条轴，横向。 在当下这个时间点，把它跟同赛道的其他东西放在一起比。它跟竞品比有什么不同？用户为什么选它不选别的？它在整个赛道里是什么位置？把这个切面看清楚，就能理解一个东西的位置和差异。
最关键的一步，是把这两条轴交叉起来看。
纵向告诉你它是怎么走到今天的，横向告诉你它今天站在哪。两条轴一交叉，就能看到一些单独看任何一条轴都看不到的东西。比如它今天的某个优势，其实是三年前一个不起眼的决策慢慢积累出来的；比如它今天的某个短板，其实是当初一个合理的选择变成了包袱。
纵向追时间深度，横向追同期广度，最后交汇出判断。
这个方法其实脱胎于社会科学和语言学的一些经典研究视角。
语言学里有一个非常经典的分析维度，是索绪尔提出来的，叫历时分析和共时分析：研究一个东西可以从两个维度入手，一个维度是时间维度，看它从过去到现在是怎么一步步演变过来的；另一个维度是当下维度，看它在某一个时间点上，处在一个什么样的系统和比较关系里。
社会科学里也有类似的研究视角，叫纵向研究和横截面研究：纵向追踪一个对象的变化轨迹，横截面在某个时间点上观察它的截面状态并做横向对比。
横纵分析法就是把这些学术界用了很久的研究视角抽离出来，再结合一些商业和竞争战略分析的思路，组成的一套用 AI 来跑的通用研究框架。
Prompt 全文
Prompt 版本配合有深度研究功能的 AI 效果特别好，比如 ChatGPT 的 DeepResearch、Claude 的深度研究、豆包的专家模式、DeepSeek 的专家模式等，都行。Prompt 的行文风格专门做过优化，保证报告出来后能读得下去，而不是味同嚼蜡的天书。
# 横纵分析法 Deep Research Prompt
> 使用方法：将下方 Prompt 复制到任何支持 Deep Research 的模型中，只需修改开头的「研究对象」一行即可。
---
## 变量定义
研究对象 = 「此处替换为你的研究对象名」
（以下所有提到「研究对象」的地方，都指代上面定义的内容。使用时只需修改等号右边的内容即可。）
---
你是一位资深的技术与商业研究分析师。请使用「横纵分析法」对「研究对象」进行一份完整的深度研究报告。
横纵分析法包含两个维度：
---
### 一、纵向分析（Diachronic / Longitudinal）
沿时间轴，完整还原「研究对象」从诞生到现在的发展全貌。要求如下：
1. **起源追溯**：它诞生的背景是什么？基于什么技术/理念/需求而来？创始团队或核心推动者是谁？当时的行业环境是什么样的？
2. **诞生节点**：明确的首次发布/成立/提出时间，以及最初的形态和定位。
3. **演进历程**：从诞生到现在，按时间顺序梳理所有关键节点。包括但不限于：重大版本更新、融资事件、团队变动、战略转型、技术架构变化、用户规模里程碑、重大合作或收购、公关危机或争议事件。
4. **决策逻辑**：在每个关键节点上，尽可能还原决策背后的原因。为什么选了A而不是B？当时面对的约束条件是什么？
5. **叙事要求**：不要写成干巴巴的年表。用故事的方式把发展史串起来，让读者能感受到因果关系和时代脉络。越详细、越多元越好，把相关的人物、事件、背景信息都拽进来。
---
### 二、横向分析（Synchronic / Cross-sectional）
以当前时间点为切面，将「研究对象」与同赛道的竞品/同类进行全面对比。
**首先判断竞品情况**，分为三种场景：
- **场景A：无直接竞品。** 如果「研究对象」是一个全新品类或独占性极强的领域，没有可直接对比的竞品，则跳过逐一对比，改为分析：它为什么没有竞品？是品类太新、壁垒太高、还是市场太小？未来最可能从哪个方向冒出竞争者？有没有间接替代方案或上一代的解决方式可以作为参照？
- **场景B：少量竞品（1-2个）。** 逐一深入对比，每个竞品展开详细分析。
- **场景C：竞品充分（3个及以上）。** 选取最具代表性的3-5个进行对比，其余可简要提及。
**对比维度**（根据「研究对象」的类型灵活调整）：
1. **核心差异对比**：
- 技术路线/核心方法论/底层逻辑
- 产品形态/商业模式/组织结构
- 目标用户/受众/适用场景
- 核心优势与明显短板
- 定价策略/资源投入/规模体量
2. **用户视角**：每个竞品的真实用户口碑如何？社区评价、使用体验中被提及最多的优点和槽点分别是什么？用户实际的使用方式和官方定位有没有偏差？
3. **生态位分析**：在整个赛道的版图中，「研究对象」占据的是什么位置？它填补了什么空白，还是在跟谁正面竞争？
4. **趋势判断**：基于横向对比，你认为「研究对象」在竞争格局中的走向是什么？它的机会和风险各是什么？
---
### 三、写作风格要求
这不是一份冷冰冰的咨询报告，而是一篇让人能从头读到尾的深度研究。请遵循以下风格要求：
1. **可读性优先**：写得像一篇优质的深度报道或非虚构特稿，有节奏感，有画面感。读者应该能被内容本身吸引着往下读，而不是靠目录跳着看。
2. **叙事驱动，不是罗列驱动**：纵向部分要有故事弧线，有起承转合。比如一个产品为什么在某个时间点突然爆发，背后的铺垫是什么，转折是什么。不要写成"2023年1月发布了A，2023年3月发布了B"这种流水账。
3. **观点要有，但必须建立在事实之上**：鼓励你给出判断和洞察，但每一个观点都必须有事实支撑。先摆事实，再给判断。如果是推测，明确标注。
4. **用人话写**：避免咨询公司式的套话和空洞的形容词（如"赋能""抓手""打造闭环"）。用具体的细节和例子代替概括性陈述。
5. **对比要有温度**：横向对比不要写成参数对照表的文字版。要讲清楚每个竞品"活成了什么样"，用户选它的真实理由是什么，而不只是罗列功能差异。
---
### 四、篇幅要求
根据「研究对象」的复杂度，自适应调整篇幅：
- **纵向分析**：6000-15000字。这是报告的主体，篇幅应该最重。历史越长、节点越多的对象靠近上限，新生事物靠近下限。核心原则是把故事讲完整、讲透，每个关键节点都值得展开写，不要为了压缩而跳过重要细节。宁可写长写细，也不要蜻蜓点水。
- **横向分析**：3000-10000字。竞品越多篇幅越长。场景A（无竞品）可以控制在3000字左右，把分析重点放在替代方案和潜在竞争者上。场景C（竞品充分）每个主要竞品至少展开1500字以上的独立分析，不要一笔带过。
- **横纵交汇总结**：1500-3000字。这是整篇报告的精华段，不要写成前面内容的缩写版，要给出新的、综合性的判断。
- **全文总计**：10000-30000字。不要怕长，研究报告的价值在于深度和完整度。写到该停的地方自然停，但绝不能因为篇幅焦虑而牺牲信息密度。
---
### 五、输出格式要求
1. 先输出纵向分析（发展史叙事），再输出横向分析（竞品对比）
2. 纵向部分以时间叙事为主线，但不要用纯粹的列表格式，要有可读性
3. 横向部分可以适当使用对比表格辅助，但核心分析必须是文字论述
4. 在报告最后，加一段「横纵交汇」的总结：把纵向发展脉络和横向竞争格局结合起来，给出你对「研究对象」当前所处位置和未来走向的判断
5. 所有信息尽可能标注来源或时间节点，确保可追溯
6. 如果某些信息无法确认，明确标注为推测或未经证实，不要编造
---
### 适用范围说明
此分析法适用于以下类型的研究对象：
- **产品/工具**：如 Hermes Agent、Cursor、Claude Code
- **公司/组织**：如 Anthropic、字节跳动、OpenAI
- **技术概念**：如 MCP协议、RAG、Agent框架
- **人物**：如某个行业关键人物的职业轨迹与同期人物的对比
请根据「研究对象」的具体类型，灵活调整纵向和横向分析中的具体维度。核心原则不变：纵向追时间深度，横向追同期广度，最终交汇出判断。使用方法特别简单：把研究对象等号后面那个词组，直接改成想要的研究对象就行。比如 Harness、CLI、Anthropic 对 SaaS 股的冲击，甚至一款游戏、一场国际冲突，什么都可以。
实测示例：研究 Harness
把 Prompt 里的研究对象换成 Harness，然后打开 Claude 的深度研究模式。
直接发送后，Claude 会先确认 Harness 到底是个什么东西，补充说明后就开始研究。
13 分钟以后，一篇关于 Harness 的研究报告就写好了。
纵向分析部分，历史拉得非常清楚：什么时候诞生的、什么时候爆发的、有哪些关键节点。
为什么是这个时间点爆发，也分析得很有道理。
横向研究上，对比的是 Prompt Engineering、Context Engineering 和 Agent Engineering，能快速理清跟同类概念的区别。
最后还有未来演进方向的判断。
整篇报告大概一万字。如果对 Harness 感到好奇，想最快速度尽可能全面地了解它，这篇研究报告几乎比大多数汇总文章都要好——全面且易读。
Prompt 会根据研究对象的类型，自动调整纵向和横向分析的侧重点：研究产品就重点看版本迭代和功能对比，研究公司就重点看融资历程和商业模式，研究人物就重点看职业轨迹和同领域人物对比。
Skill 版本
这套方法论还有一个 Skill 版本，叫 hv-analysis，开源在 GitHub 仓库 khazix-skills。
如果平时用 Cowork、Claude Code 或者 Codex 等 Agent，装上之后直接跟 Agent 说「帮我研究一下 xxx」，它就会按照横纵分析法的框架去做。
Skill 版本还会自动联网搜索信息，内置了 arxiv 的 API，研究学术问题时会自主查询论文，最后生成一份排版好的 PDF 研究报告，文风也更易读，比 Prompt 版本更自由丰富一些。
这个方法的局限
得坦诚地说，这个方法不是万能的。
它能帮你在很短的时间内建立一个相当完整的认知框架，但替代不了真正深入的、亲自下场的研究。
而且现在 AI 模型幻觉虽然已经很低了，但搜集到的信息还是可能出现不准确的情况。所以不能拿到 AI 产出的报告就直接当结论用——它更像是一个研究的起点，帮你快速建立地图，然后再根据这张地图去做更深入的探索。
另一个问题是，AI 生成的报告质量跟用的模型和工具有很大关系。用支持 DeepResearch 或深度研究的工具效果通常比较好，因为它们会真的去联网搜索、验证很多信息，一次任务通常都在 10 分钟以上。但如果只能用支持普通联网搜索的 AI 工具，一次不到一分钟，效果就会大打折扣。
推荐的做法是：拿到报告之后先快速通读一遍建立框架，然后针对有疑问的点或者特别感兴趣的点，再深入去搜更多资料。AI 报告 + 自己深挖的组合，比从零开始的效率高太多。
最后
这个时代做研究，真正稀缺的不再是信息，而是好奇心。
信息已经像洪水一样，AI 让获取信息的成本趋近于零。但要问什么问题、从什么角度去看、怎么把散落的信息组织成有意义的判断，这些东西 AI 帮不了——它只能在你给出方向之后帮你执行，方向本身得自己定。
横纵分析法本质上就是一个提问框架。每次面对一个陌生的东西，不需要临时想应该从哪几个角度去了解它，这个框架已经想好了：纵向追时间，横向追空间，最后交汇出判断。三步走完，认知框架就搭起来了。
古希腊人说，哲学始于惊奇。研究也是，始于对一个东西真的好奇。方法和工具都是后面的事，好奇心在前面。没有好奇心，有再好的方法论也是摆设；有了好奇心，哪怕方法笨一点，也总会找到答案。
只不过现在，找答案这件事，确实比以前快多了。