核心用法
Market Research Skill 是一套面向市场决策的结构化研究框架，而非自动化数据采集工具。其核心交付物包括四类：
1. 市场分层测算（TAM/SAM/SOM） — 要求研究者显式列出公式、假设与置信区间，避免"头顶大数字"的虚假安全感
2. 竞争格局映射 — 超越品牌名列表，涵盖直接竞品、间接替代品、内部 workaround（如 Excel/人工流程）及潜在跨界 entrants
3. 需求验证体系 — 优先采信"揭示性需求"（repeated painful workarounds、预付款、转介绍意愿），警惕"表态热情"（survey positivity、点赞数）
4. 决策备忘录 — 每项研究必须以 Recommendation 收尾：证据支持什么、不确定性在哪、下一步动作、什么条件会改变结论
Skill 提供四种研究深度模式（Quick scan → Decision memo → Launch validation → Expansion study），用户可根据决策重要性灵活选择。
显著优点
- 方法论成熟度极高：融合经典战略框架（Bain TAM 分层、JTBD 需求洞察、Christensen 替代品视角）与现代验证实践（Y Combinator 的"do things that don't scale"、Indie Hackers 的定价访谈）
- 反直觉陷阱警示：明确列出七大常见陷阱（top-down theater、competitor tunnel vision、segment blur 等），对创始人/PM 极具现实纠偏价值
- 证据分级制度：强制要求三类证据家族（市场结构数据、行为数据、直接客户证据）交叉验证，避免单源叙事偏差
- 零安全负担：纯 Markdown 文档型 Skill，无可执行代码、无网络调用、无隐私合规风险
潜在缺点与局限
- 非自动化执行：Skill 提供框架与检查清单，但所有数据收集（财报检索、访谈招募、竞品页面分析）仍需人工完成，不适合期待"一键生成市场报告"的用户
- 行业特异性弱：方法论通用性强，但对于特定行业（如医药监管市场、政府招投标市场）需额外补充垂直知识
- 定量深度有限：未内置统计模型或数据可视化代码，复杂预测需依赖外部工具（如 R/Python/Tableau）
- 假设检验依赖研究者质量：框架再严谨，若执行者在访谈中选样偏差、在 sizing 中假设激进，输出仍会失真
适合人群
- 早期创始人评估新市场进入可行性
- PM 在功能/品类扩张前进行需求验证
- 投资者快速建立对陌生赛道的结构化认知
- 战略团队为董事会/高管准备决策备忘录
常规风险
- 使用风险：低。无代码执行、无数据外泄、无提示词投毒。
- 决策风险：中。框架质量高，但"垃圾进垃圾出"原则适用——若用户将 Skill 输出的粗糙假设当作定论，可能导致错误投资。建议始终标注证据置信度（A/B/C 级）。
- 合规风险：极低。无个人数据收集，GDPR/CCPA 无涉。