深度研究 / Deep-Research

Tick 阶段的认知基础设施。不是帮你写更多代码，是帮你建立不写代码也能掌控系统的底气。

---

核心洞察

AI 时代的工程产出遵循一个非线性方程：有效架构价值（Effective Architectural Value, $V$）

$$ V(A, D) = \alpha \cdot A \cdot \ln(1 + D_{base}) - \beta \cdot e^{k \cdot \max(0, A - D_{base})} $$

$A$ (Abstraction Level，抽象层级)：代表开发者在系统中的抽象操作维度，即对 AI 的依赖度和意图输出的高度。 $A$ 值越高，代表开发者调用的组件越庞大、智能体协作越复杂。

$D_{base}$ (Detail Base，底层基石)：代表开发者不依赖任何 AI 工具，仅凭自身知识对系统底层物理边界、内存布局、核心机制的真实掌控度和推演能力。

$\alpha$：AI 工具的效能杠杆系数（随 AI 模型能力升级而增大）。

$\beta$：认知负债的基础惩罚系数（与系统所处领域的容错率相关，如医疗系统 $\beta$ 极大，Web 页面 $\beta$ 较小）。

$k$：复杂度爆炸常数（反映系统层级间耦合关系的非线性特征）。

关键结论：当 A > $D_{base}$ 时，认知债务呈指数爆炸。你感觉到的"虚幻感""不真实感""系统失控"——不是情绪，是数学。系统在客观上运行良好，但在你的主观认知中是一个黑盒。这种理解偏差的累积，是复杂系统未来不可维护的根本原因。

认知悬崖的地形图

左图是 EAV 方程的三维地形：绿色高原是安全区 $A \leq D_{base}$（价值稳健增长），红色深渊是危险区 $A > D_{base}$（价值指数崩塌）。右图俯视图更清晰地标注了分界线——那条蓝色虚线就是认知边界。你的每一个工程决策，本质上都是在选择站在绿色一侧还是红色一侧。

Tick-Tock 范式是解：

• Tock：拥抱 AI，拉升 A，快速构建上层架构（AI 已经做得很好了，不需要这套 skills）
• Tick：深潜降维，禁用 AI，亲手触碰底层，提升 $D_{base}$（这套 skills 只为这个阶段服务）

为什么是"悬崖"而不是"缓坡"？

EAV 方程的两支力量共同塑造了悬崖地形：

• 左侧（对数奖励）： $A \cdot \ln(1 + D_{base})$ —— AI 杠杆与底层认知的对数耦合。 $D_{base}$ 越高，AI 的每一单位投入产出越丰厚，但增长天然有上限。没有 $D_{base}$ 的支撑，杠杆再长也撬不动认知空白。
• 中间（指数惩罚）： $e^{k \cdot \max(0, A - D_{base})}$ —— 一旦抽象层级越过认知边界，惩罚项指数级爆发。这不是线性降级，是系统性的理解崩塌。
• 右侧（净价值）：两支力量相减的结果。安全区内价值稳健上升至甜蜜点；越界后，指数惩罚瞬间吞没对数收益，曲线急速坠崖。

这不是一个温和的衰减模型——这是一个相变模型。在边界左侧和右侧，系统的物理规律完全不同。

三条公理：你的 $D_{base}$ 决定了你的天花板

1. 零基础 → 零产出（红线）： $D_{base} = 0.1$ 时，AI 杠杆越高，净价值越负。用 AI 做决策等同于让随机数帮你掷骰子。
2. 健康增长（绿线）： $D_{base} = 5.0$ 且 $A \leq 5.0$ 时，曲线稳健上升。你懂系统，AI 是放大器，不是拐杖。
3. 过度依赖 → 悬崖（橙线）： $D_{base} = 5.0$ 但 $A$ 强行拉到 9.0。初期看似丰收，随后认知债务如自由落体般把你拖入负值深渊。这是大多数"AI 原住民"工程师正在走的路。

---

为什么全是"学习/研究"技能？

同一套 AI，四种工程师，四种命运

这张图是这套 skills 存在的全部理由。四个工程师面对同一套 AI 工具，因为 $D_{base}$ 不同，命运截然不同：

• 新手（ $D_{base} = 0.5$ ）：从起点就开始坠落。AI 生成的每一行代码都在加剧他的认知债务——他无法判断对错，只能祈祷。
• 初级（ $D_{base} = 2$ ）：短暂的蜜月期后迅速坠崖。能看懂表层，但触及架构边缘就失控。
• 高级（ $D_{base} = 5$ ）：峰值明显，有可观的正向产出区间，但越过 $A = 5$ 后仍难逃坠落。
• 专家（ $D_{base} = 8$ ）：几乎没有坠崖风险，在 $A = 8$ 的区间内价值持续线性增长。AI 对他而言是真正的杠杆，不是麻醉剂。

右图的黄金法则揭示了破局点：最优 AI 杠杆 $A^*$ 始终紧贴认知边界 $D_{base}$，但永远不超过它。你的任务是不断把这条边界线向右推——这就是 Tick 阶段的全部意义。

因为代码生成是 Tock 阶段的事，AI 已经比你快十倍。真正稀缺的是 $D_{base}$——看到一个新概念时，能把它安放进已有认知结构的效率和深度。

$D_{base}$ 不是知识量。是你读完一篇论文，带走的是方法论还是名词和数字；是你面对一个 Bug，能降维到机制层排查还是只能盲调参数；是你评估一个新技术，能判断它在创造新秩序还是搬运旧方案。

这套 skills 不做知识搬运。它做三件事：

1. 解剖 — 把新概念拆到机制层（xq-learn）
2. 降秩 — 把复杂领域砍到不可再少的生成器（xq-rank）
3. 评估 — 用统一框架判断新技术值不值得投入学习（xq-invest）

其余技能是这三件事的延伸：读论文是为了提取思路基因（xq-paper），写博客是为了在写的过程中想透（xq-writes），白话是为了验证自己真懂了（xq-plain），性能调优是为了建立系统级直觉（xq-perf），技术评审是为了暴露盲区（xq-roundtable），铸卡是为了把认知成果固化成可传播的形态（xq-card）。

每个 skill 都是 Tick 阶段的一个认知原子——原子化、可组合、可复用，像设计系统模块一样设计自己的学习过程。

---

Quick Install

git clone https://github.com/Qiang-Xuu/Deep-Research.git && \
  cp -r Deep-Research/skills/xq-* ~/.claude/skills/ && \
  rm -rf Deep-Research && \
  echo "Restart Claude Code to load skills"

Or step by step:

mkdir -p ~/.claude/skills
git clone https://github.com/Qiang-Xuu/Deep-Research.git
cp -r Deep-Research/skills/xq-* ~/.claude/skills/

# (Optional) Install xq-card dependencies for PNG card generation
bash Deep-Research/scripts/install.sh

rm -rf Deep-Research
# Restart Claude Code

Requirements: None for most skills. xq-card requires Node.js + Playwright.

---

Skills: Tick 阶段的认知原子

Core — $D_{base}$ 建设

Skill	Tick 作用	What it does
xq-learn	解剖概念到机制层	8 维解剖：历史、机制、边界、对比、代价、实践、美感、元反思。把一个技术概念拆到你能用它解释其他东西的程度。
xq-rank	降秩到不可再少的生成器	给一个领域，找出真正独立的生成器有几个。用它们能反向生成全部现象？能，才算找到。建立的是结构化直觉。
xq-invest	判断值不值得投入学习	用"秩序创造机器"框架评估新技术：飞轮在不在转？冲击后变强还是变弱？资源是推过来的还是自己来的？避免为搬运旧方案的技术浪费时间。

Input — 知识摄入

Skill	Tick 作用	What it does
xq-paper	读论文提取思路基因	不为复制代码，为思路考古（这个解法被什么真问题逼出来的？）、方法论提取（这个思路能嫁接到我系统的哪一块？）、迁移试探（嫁接需要什么条件？）。
xq-word	掌握技术术语的精确语义	默认通用词 + -t 技术术语模式。拆解工程黑话（backpressure, throttle, coherency）的精确机制、常见误用、跨域可迁移性。术语不精确，思考就不精确。

Process — 想透与验证

Skill	Tick 作用	What it does
xq-writes	在写的过程中想透	带着一个技术观点出发，找核→攻核→找类比→展开→磨。输出技术博客/散文。写不清楚就是没想清楚。
xq-plain	验证自己真懂了	把技术内容改写到跨团队也能懂，但附带精确证据（数据、条件、边界）。能用大白话讲清楚，才算真懂。
xq-perf	建立系统级直觉	输入性能症状→输出假设树→验证实验（按成本排序）→根因确认→优化方向。性能调优的本质是建立"系统如何在物理层运转"的直觉。
xq-roundtable	暴露盲区	多工程角色（性能、安全、架构、可靠性）围绕一个设计决策辩论。你不是在听答案，是在看自己没考虑到的维度。

Output — 认知固化

Skill	Tick 作用	What it does
xq-card	把认知成果铸成可传播形态	内容→PNG 视觉卡片。技术博客风：信息密度优先、代码友好、深色主题。铸的是思想，不是排版。

Meta

Skill	What it does
xq-skill-map	扫描所有已安装技能，渲染 ASCII 概览

---

Workflows

Workflow	Chain	What it does
xq-paper-flow	xq-paper → xq-card	读论文 + 铸卡。输入论文，输出分析 org + 阅读卡 PNG。读的时候在想，铸的时候在想得更清楚。
xq-word-flow	xq-word → xq-card -i	解词 + 铸信息图。把一个技术术语的精确语义可视化。

---

Usage Examples

# Tick: 解剖一个核心概念到机制层
/xq-learn PCIe SR-IOV

# Tick: 给一个领域降秩，找不可再少的生成器
/xq-rank 分布式推理系统的通信瓶颈

# Tick: 读论文提取思路基因和方法论
/xq-paper https://arxiv.org/abs/2401.12345

# Tick: 评估一项新技术值不值得投入学习
/xq-invest eBPF

# Tick: 性能症状→系统化根因排查
/xq-perf 服务P99延迟从5ms涨到50ms，CPU没满，内存正常

# Tick: 暴露设计盲区
/xq-roundtable 我们的推理服务应该坚持同步API还是改为异步队列？

# Tick: 验证自己真懂了
/xq-plain 用大白话解释NUMA架构对延迟的影响，附带具体数字

# Tick: 掌握一个技术术语的精确语义
/xq-word -t backpressure

# Tick: 把想透的观点铸成可传播形态
/xq-card -i 输入：关于PCIe带宽争抢的分析结论...

---

设计哲学

原子化

每个 skill 只做一件事。像系统模块一样——单一职责、清晰接口、可组合。

触底

每个解释必须到达机制层。"它像魔法一样工作"是不可接受的。Tick 阶段的唯一标准：你能不能用这个知识解释另一个现象？

证据优先

每个判断附带数据、条件、边界。工程师的严谨不能为易懂让路。

$D_{base}$ > A 原则

这套 skills 不会帮你生成更多代码（那是 Tock 阶段的事）。它只回答一个问题：你的 $D_{base}$ 够不够支撑你正在用 AI 构建的抽象层级？

---

与 EAV 理论的关系

这套 skills 是 EAV（有效架构价值）方程 和 Tick-Tock 范式 的工程化落地。

• EAV 方程告诉你：为什么盲目用 AI 拉升 A 会导致认知债务指数爆炸
• Tick-Tock 范式告诉你：什么时候该禁用 AI 深潜底层，什么时候该拥抱 AI 快速构建
• Deep-Research skills告诉你：深潜的时候，怎么最高效地提升 $D_{base}$

不是反对 AI。是反对在 $D_{base}$ 不足的情况下滥用 AI。

---

Development

Add a New Skill

cp -r skills/xq-rank skills/xq-your-skill
# Edit SKILL.md with YAML frontmatter + instructions

File Conventions

• Org-mode output: *bold* (single asterisk), filenames {timestamp}--{title}__{type}.org, directory ~/Documents/notes/
• ASCII art: Only + - | / \ > < v ^ * = ~ . : # [ ] ( ) _ , ; ! ' " and spaces
• Timestamps: date +%Y%m%dT%H%M%S

---

License

MIT

---

Maintainer: qiangxu
Context: Embedded systems, autonomous driving, HPC, distributed inference, PCIe, virtualization, performance tuning.