By name: ppt-research-setup description: Set up a research-driven PPT thesis using a three-section framework (counter-consensus paradox / structural decomposition / investigation paths) plus a six-question specificity diagnostic. Use when the PPT type is Research — NOT Pitch. Run ppt-classify first if type is unknown. version: 0.1.0
ppt-research-setup — 研究型 PPT 立论
何时触发
适用：
- PPT 类型已确认为 Research（行业分析 / 竞品研究 / 技术调研 / 投资分析）
- 用户有一批原始素材（文章 / 报告 / 数据），想做"研究→结论"式呈现
- 要带观众走一遍调查，不预设结论
不适用：
- Pitch 型 PPT → 用
plan-ceo-review（gstack） - Teaching / Narrative 型 → 类型判定不清先跑
ppt-classify - 只是整理已有结论 → 不是研究，是陈述
核心原理
研究型 PPT 的立论不是抛观点，是设计一个能推出答案的问题。好的研究型 PPT 开场都遵循三段式，这个结构从 Dylan Patel / Dwarkesh×Jensen / 硅谷101 等一手研究类内容提炼而来：
反共识悖论（研究动机）
↓
结构化拆解框架（研究边界）
↓
3-4 条调查路径（硬核子议题）
↓
（观众带着你走完三条路径）
↓
综合判断（结论不预设，从证据里长出来）
核心原则：Specificity is the only currency. 模糊的答案没有价值，每个环节都要用具体证据、具体案例、具体数字打穿。
三段式详解
Section 1：反共识悖论（研究动机）
一个让观众一愣的问题——大家都觉得答案已定、实际没那么确定。
好悖论的三条标准：
- 表面答案显而易见，深究之后没那么确定
- 能用一句话抛出（≤80 字），不需要背景知识
- 听完观众会想"对啊，为什么？" —— 这是研究动机被激活的信号
示例：
✅ "当大家都在说 AI 软件会被商品化、云厂商都在自研芯片、DeepSeek 证明不需要那么多英伟达卡，为什么黄仁勋敢喊未来 21 个月 1 万亿美元的 GPU 订单？"
❌ "NVIDIA 的护城河是否正在被侵蚀？" （太平，没有张力）
❌ "分析英伟达的核心竞争力" （这是陈述，不是悖论）
Section 2：结构化拆解框架（研究边界）
把模糊问题切成可分析的坐标系——告诉观众"我们接下来用什么坐标看这个问题"。
好框架的特征：
- 是既有的、经过验证的分析坐标（不是现编的）
- 3-5 个维度，能覆盖悖论的主要可能解
- 每个维度都能独立推出证据
示例：
✅ NVIDIA 护城河研究的框架：
- AI 五层蛋糕（能源 / 芯片 / 基建 / 模型 / 应用）—— 回答"在哪一层"
- TCO 经济学（吞吐 / 延迟 / 功耗）—— 回答"为什么"
- 工作负载演进（训练 → 推理 → Agentic）—— 回答"什么时候变"
❌ "从技术、市场、竞争三方面分析" —— 太泛，和没说一样
Section 3：3-4 条调查路径（硬核子议题）
每条路径 = 一个可以独立推证的子问题，能产出具体证据。
好路径的标准：
- 每条独立（完成一条不影响其他）
- 每条有预期证据类型（数字 / 案例 / 交叉验证）
- 三条之间有层次（直观层 → 反推层 → 盲区层）
示例（NVIDIA 护城河）：
路径 1（直观层）：护城河的真实形态 —— 是 CUDA 生态锁定？是台积电/HBM 产能买断？还是对 CoreWeave 的资本捆绑？
路径 2（反推层）：产品逻辑反推 —— 200 亿收购 Groq + 新品 CPX / Kyber 液冷背后，反映了什么工作负载的变迁？
路径 3（盲区层）：长期威胁与行业忌惮 —— Scale-across 光互联 + 华为垂直整合 + 中国半导体供应链完整度
Specificity 诊断（六问）
每个 section 写完，用这六问逼问一遍。任何一问答不上来 → 对应 section 重写。
Q1：Demand Reality（最硬证据）
问：这个悖论（或这条路径）最硬的证据是什么？不是"业内在讨论"、不是"分析师看好"，是具体数字或具体事件。 红旗："大家都在说……"、"市场普遍认为……"、"某知名机构预测……"
Q2：Status Quo（现状默认解）
问：业内对这个问题的默认答案是什么？它错在哪？ 红旗："没有标准答案" —— 如果真没有，那这不是悖论，是未知。
Q3：Desperate Specificity（点名到位）
问：每一个维度都要点名一个具体公司/人/产品/型号。不是"大厂"，是"Google 的 TPU v7"。一个框架里如果有维度点不出具体物，这个维度就不要。 红旗："业内某龙头"、"某云厂商"、"一些客户"、"行业普遍在做"
Q4：Narrowest Wedge（最锐子题）
问：三条路径里最锐的是哪条？先做那一条，其他是补强。 红旗："三条一样重要" —— 通常意味着研究者还没想清楚重点。
Q5：Observation & Surprise（反共识观察）
问：数据里什么让你意外？这通常是真正的研究发现——观众也会意外。 红旗："都在预期内" —— 意味着在重复 consensus，不是研究。
Q6：Future-Fit（3 年生存）
问：这个结论 3 年后还成立吗？如果不成立，是什么变化让它过期？ 红旗："AI 还在发展所以……" —— 所有人都能说这句话，不是判断。
输出格式
完成三段式 + 六问诊断后，产出一份 research-setup.md：
# [PPT 标题] 研究立论
## 悖论（Section 1）
[一句话，≤80 字]
### 悖论诊断
- Q1 最硬证据：[具体数字 / 事件]
- Q2 业内默认解：[what + why wrong]
## 框架（Section 2）
[3-5 个分析维度，每维度一句话解释]
### 框架诊断
- Q3 每维度举一个具体公司/产品：[...]
## 调查路径（Section 3）
### 路径 1（直观层）：[标题]
[200 字描述]
**预期证据类型**：[具体数字 / 案例 / 交叉验证，哪一种]
**证据来源候选**：[具体文档 / 数据源 / 访谈对象]
### 路径 2（反推层）：[标题]
[200 字描述]
**预期证据类型**：[...]
**证据来源候选**：[...]
### 路径 3（盲区层）：[标题]
[200 字描述]
**预期证据类型**：[...]
**证据来源候选**：[...]
### 路径诊断
- Q4 最锐的是哪条：[路径 X + 原因]
- Q5 最意外的数据点：[具体数据]
- Q6 3 年后是否成立：[判断 + 边界条件]
## 下一步
→ 用 ppt-narrative-review 评审 research-driven 故事线结构
→ 用 visual-deck 产出视觉 PPT
→ （可选）用 plan-ceo-review 的 HOLD SCOPE 做可证伪性/数据来源质量审查
Claude Integration
当用户触发本 skill：
- 先确认类型：用户如果没跑过
ppt-classify，先提醒一下。已确认是 Research 型才继续。 - Section 1 引导：引导用户用一句话说出"悖论"。不满意就用 Q1 / Q2 逼一下。
- Section 2 引导：问用户"你准备用什么分析坐标系？" 如果给不出，举 3 个常见坐标（五层蛋糕 / 价值链 / SWOT / TCO 等），让用户选或另提。
- Section 3 引导：问用户"有哪些子问题你想调查？" 收集后用 Q4 逼一下最锐那条。
- 六问诊断：每个 section 完成后，对应问题依次问一遍。用户答不上来就回那个 section 重写。
- 产出 research-setup.md：最后写成文件，在指定位置（默认项目根目录）。
核心态度：Specificity is the only currency. Vague answers get pushed. 不要被客套话满足。
设计来源
本 skill 从 EP10《AI 做 PPT》实验 A 提炼：
- 三段式 ← Dylan Patel / Dwarkesh × Jensen / 硅谷101 GTC 2026 等研究型内容的开场模式
- 六问诊断 ← 挪用 gstack
office-hours的 YC forcing questions，剥掉 founder/VC 语境后就是研究锐度工具 - 为什么需要独立 skill ←
plan-ceo-review是 pitch 型 skill，用在研究型会把研究者推成鼓吹者
详见：notes/experiment-a-ceo-review.md