技能介绍

解决模板生成与数据脱节的痛点

在撰写深度行业研究报告时，直接套用通用模板往往面临两个问题：模板结构僵化，无法适配具体业务的数据流转；或者在填充数据时，由于缺乏严格的溯源机制，很容易引入未经证实的推测性结论。如何将一次全面的网络调研转化为具备“决策就绪”能力、且能与自动化数据管线无缝对接的定制化报告模板？

核心工作流与防幻觉机制

该技能通过五个标准化步骤，将碎片化的调研结果沉淀为高可用的报告脚手架：

广度优先检索与提取：执行多轮 WebSearch 与 WebFetch，覆盖权威框架、工具商模板等至少四类来源，提取具体结构优势（如 BLUF、发现/主题/建议三层分离）。
构建借用表与差异化设计：整理“来源-优势-采纳方式”借用表，并加入自身差异化设计，如每个章节标注数据来源模块、引入 OST 机会评分模型，以及补充多数模板缺失的伦理与数据血缘章节。
双形态模板输出：同时生成包含 {{field}} 占位符的机器可读版本和带行内提示的纯 Markdown 版本。
引擎集成与严格验证：可接入 report_engine 进行纯数据填充，并通过正向渲染与负向测试（如注入伪造数据、遗漏字段）确保模板在真实数据下的鲁棒性。

适用边界与注意事项

该技能的核心在于“反幻觉合约”：严禁捏造数字，缺失数据必须渲染特定 Sentinel 而非猜测；严禁占位符泄漏，发布前必须确认无 {{...}} 残留；严禁推测性结论，建议必须严格绑定 KPI。它最适合已具备结构化数据管线、需要高频生成数据驱动型报告的团队。若仅需输出纯主观洞察的散文式报告，该技能的严格数据约束可能会显得过于沉重。