60-90 分钟从 0 到 1 拿下一个领域。骨架五件套 · 棱镜双轴四层 · 已知的未知清单。
from zero to a domain map in 60-90 minutes.
60-90 分钟 · 从 0 到 1 系统性拿下一个领域 · 单档深度产物 · 单文件典雅 HTML
一个 Claude Code skill。给你一份可读、可信、可考据的领域地图——不是维基百科的长版，也不是白皮书的短版，是为「下周二要见客户」、「老板让我评估」、「我想转行」这种真实场景设计的深度建模工具。
不写水稿。不堆形容词。事实 → 机制 → 观点，每一层都向下游负责。专注极致——单档产物，不在多档间分摊深度。
你想快速吃透一个新领域，目前能拿到的东西基本都不太对：
- 维基百科：定义齐全，但没有玩家格局、没有矛盾结构、读完不知道接下来去关注谁。
- 行业白皮书 / 券商报告：往往单边强化主流叙事，立场预设好了，反例与失效条件被静音。
- 跑一次 Deep Research：太重，往往一两个小时还在等，结果是个论文式长文，不是地图。
- 直接问 LLM：常见三种翻车——堆砌定义没有结构 / 单边强化主流叙事 / 编数字凑专业感。
domain-onboarding 的定位很窄：把一个领域蒸馏成单文件 HTML 深度产物（60-90 分钟阅读时长），强制结构化（骨架五件套 + 棱镜双轴 + 三层证据链），强制标注来源等级，强制声明「我不知道」的边界。
一份诚实的「我不知道」，比一份编出来的「看上去专业」更有用。
domain-onboarding 不是凭空造的，它从两个前作里继承基因，又有它自己的问题域。
| 维度 | book-distiller | prism-research | domain-onboarding |
|---|---|---|---|
| 蒸馏对象 | 一本书 | 一家公司 / 一个产品 / 一个对象 | 一整个领域 |
| 时间假设 | 用户愿意花 60-90 分钟读完一本书的精华 | 用户要做尽调 / 投资 / 竞品决策 | 用户从 0 起步，60-90 分钟系统性建模 |
| 输出主轴 | 思想脉络 + 系统逻辑 | 棱镜双轴四层 + 反身性 | 骨架五件套 + 棱镜四层 + 跨领域同构 |
| 失败模式 | 把书读成读后感 | 单边吹捧或单边唱衰 | 写成维基长版 / 强化主流叙事 |
| 输出格式 | 单文件典雅 HTML | 单文件典雅 HTML | 单文件典雅 HTML（单档深度产物） |
从 book-distiller 继承：
- 事实 → 机制 → 观点的三层证据链宪法
- A / B / C / D 来源分级体系
- 单文件、零 CDN、可离线的典雅 HTML 美学
- 反 AI slop 守则（不写「在数字时代浪潮下」、不写「综上所述」）
从 prism-research 继承：
- 棱镜双轴：纵轴四层（现象 → 机制 → 结构 → 范式），横轴跨领域同构
- 反身性元透镜：主流叙事是什么？谁在传播？失效条件？
- 已知的未知清单（known unknowns），把不确定性显式化
domain-onboarding 新增：
- 领域分类决策树：颗粒度（超广 / 中等 / 超窄）× 成熟度（成熟 / 新兴 / 衰退）× 用户先验
- 骨架五件套：核心概念图 / 玩家地图 / 时间轴 / 矛盾结构 / 学习路径
- 单档深度产物（v1.0）：60-90 分钟一份系统性深度地图，专注极致，不在多档间分摊
- AI 自反性免责：模型本身就是主流叙事的载体，让 AI 评论领域要时刻警惕这一点
单档定位：60-90 分钟阅读时长，10 章弧线必含，全部内容平等渲染。
硬指标（自动闸门会扫）：
| 维度 | 下限 |
|---|---|
| 事实锚点（fact-N） | ≥ 70 条 |
| A+B 级源占比 | ≥ 60% |
| 机制段落（每条引用 ≥3 个 fact） | ≥ 18 条 |
| 观点段落（每条带反例 .counter） | ≥ 14 条 |
| 已知的未知（#known-unknowns 旁路 ul） | ≥ 12 条 |
| 跨学科调用（同构 + 借刀） | ≥ 6 处 |
| 字数（plain text） | ≥ 22000 字 |
| 推荐人/账号/社区 | ≥ 3 条 |
每一条机制层陈述需要 ≥3 个事实锚点支持，每一条观点层陈述必须给「反例事实」或「证伪条件」。其他指标不达标 → 返工，不出 HTML。
v1.0 删了 v0.x 的"闪研 / 精研 / 深研"三档切换——实测多数用户直接读最深的那档， 三档切换器变成了认知负担。专注极致：把所有写作精力集中在一份产物上。
把这个目录放到你的 Claude Code skills 路径下：
git clone https://github.com/daizhouchen/domain-onboarding.git ~/.claude/skills/domain-onboarding或者手动复制：
cp -r domain-onboarding ~/.claude/skills/在 Claude Code 里直接说人话就能触发，不用记命令。下面这些 prompt 都会被识别：
ok 急用，我下周二要见一家做向量数据库的客户，给我一份地图
老板让我评估跨境电商行业是不是值得切入
我想搞懂 REITs 怎么玩
帮我吃透日本动画产业
World Model 这个领域现在到底是什么状态？
扫盲一下 SaaS 估值
skill 的第一步不是开写，是 30 秒对齐：
我理解你要的是：
- 领域：向量数据库
- 颗粒度：中等
- 成熟度：新兴（2022 年后才大规模出现）
- 假设你的水平：邻域转入（你做 backend 的，对 DB 不陌生）
- preset：技术
对吗？或者直接说「按你猜的来」我就开干。
如果你的领域是「AI」、「金融」这种超广题，skill 会 push back 让你收敛——这是设计如此，不是 bug。
输出在 ~/workspace/<domain-slug>/<slug>.html，单文件、可离线、支持暗色模式、A4 打印优化。
打开 HTML 看到的结构（10 章弧线 + 底部折叠区）：
┌─ 顶部主题切换（明暗模式）
├─ Hero：H1 + 一句话副标题 + thesis + cutoff
├─ 一、这是什么 · 为什么现在值得花一小时
├─ 二、它怎么走到今天
├─ 三、谁在场上 · 谁在赌什么
├─ 四、圈内人才懂的几件事
├─ 五、表面之下 · 几条不可变的约束
├─ 六、这是什么时期 · 异端正从边缘浮现
├─ 七、别处的故事 · 镜照本地（≥2 个跨领域同构 + 同构点 / 反同构点）
├─ 八、主流叙事 · 它如何自我强化又如何崩
├─ 九、接下来你应该读什么 · 信谁
├─ 十、我（AI）不知道的几件事
├─ [底部折叠] 信息来源（A/B/C/D 等级表 + 完整事实清单）
├─ [底部折叠] 推荐人 / 账号 / 社区（≥3 条）
├─ [底部折叠] 自检题（≥10 道）
├─ [底部折叠] 已知的未知数据（≥12 条）
└─ AI 自反性 disclaimer（cutoff date + 模型作为主流叙事载体的免责）
视觉风格：宋体（衬线）正文 + 等宽体黑话表 + 朱砂色重点 + 水墨 SVG 装饰，单文件、零 CDN。
- 领域分类决策树 — 颗粒度三问（超广 / 中等 / 超窄）+ 成熟度三问（成熟 / 新兴 / 衰退）+ 用户先验三问（零基础 / 邻域 / 有基础）。
- 选 preset + 构建骨架五件套 — 按领域类型读
references/domain-presets/{tech, business, finance, culture}.md，然后填核心概念图 / 玩家地图 / 时间轴 / 矛盾结构 / 学习路径。 - 应用棱镜双轴 + 元透镜 — 纵轴四层（现象 → 机制 → 结构 → 范式）+ 横轴跨领域同构（≥2 个案例）+ 反身性元透镜叠加。
- 写作时保持事实-机制-观点链条 — 选分析工具但不在正文里念框架名，每条机制陈述 ≥3 个事实锚点。
- 渲染 + 双闸门质量检查 —
scripts/render.py出 HTML →scripts/quality_check.py扫学究腔 + 事实密度（事实密度未达标 warning，其他 fail） →scripts/visual_check.py扫视觉规范。任一 fail → 返工。
完整规则见 SKILL.md。
domain-onboarding/
├── SKILL.md # 入口，触发条件 + 工作流 + 必出元素
├── README.md # 你正在看的这个
├── LICENSE # MIT
├── .gitignore
├── references/ # 按需读，不要一次全读
│ ├── core-thesis.md
│ ├── domain-classification-tree.md
│ ├── domain-skeleton-five.md
│ ├── domain-presets/
│ │ ├── tech.md
│ │ ├── business.md
│ │ ├── finance.md
│ │ └── culture.md
│ ├── prism-axes.md
│ ├── structure-layer-questions.md
│ ├── paradigm-layer-questions.md
│ ├── reflexivity-lens.md
│ ├── isomorphism-lens.md
│ ├── analytical-toolbox.md
│ ├── fact-mechanism-viewpoint-chain.md
│ ├── method-internalization.md
│ ├── source-grading.md
│ ├── ai-reflexivity-disclaimer.md
│ ├── known-unknowns.md
│ ├── three-tier-nesting.md # v1.0 重写为深度产物厚度规范
│ └── visual-style-guide.md
├── scripts/
│ ├── render.py # JSON → 单文件 HTML
│ ├── quality_check.py # 内容闸：学究腔 + 事实密度 + 单边叙事扫描
│ └── visual_check.py # 视觉闸：零外链 + SVG 合规 + 暗色模式 + A4 打印
├── assets/ # SVG 装饰、字体子集、CSS 模板
└── evals/
└── evals.json # 8 个测试用例（覆盖技术 / 商业 / 金融 / 文化 + 颗粒度边缘）
HTML 末尾必须包含——这是把 AI 自我约束硬编码进输出格式，缺一项 → 自动闸门拒绝放行：
- AI 视角局限性 disclaimer：cutoff date + 「模型本身是主流叙事的载体」的免责。让用户知道哪些判断要去人肉验证。
- 已知的未知清单（≥12 条）：把模型不掌握的、有争议的、cutoff 之后的事情明文列出。把不确定性显式化是降低幻觉的最有效手段。
- 推荐人 / 账号 / 会议 / 社区（≥3 个）：让用户拿着这份地图去现实里继续校准。
- 来源分级表：A（一手 / 业内人 / 学术）/ B（高质量行业研究）/ C（主流媒体）/ D（社交媒体 / 二手）的占比 + 主要 A/B 级源列表。
正文章节必须全部包含（10 章弧线）：
- 一句话定位 + 为什么现在值得花一小时（章一）
- 历史脉络（章二）
- 玩家地图（章三）
- 圈内人才懂的几件事——会议室黑话 + 工程取舍 + 认知误区 + 圈内盲区（章四）
- 不可变约束（章五，机制层内化）
- 范式时期判断 + 异端浮现（章六）
- 跨领域同构案例 ≥2 个（章七）
- 反身性章节——主流叙事 + 谁在传播 + 失效条件（章八）
- 学习路径（必读 ≥3 / 必跟人 ≥3 / 关键社区 ≥1）（章九）
- 我（AI）不知道的几件事（章十）
- 自检题 ≥10 道（折叠区，让用户读完测自己）
domain-onboarding 不是万能的，遇到下面这些 case 它会主动 push back：
| 你想做的事 | 用什么 |
|---|---|
| 蒸馏《XX 这本书》 | book-distiller |
| 深度 research 一家公司 / 一个产品 | prism-research |
| 单点查询「XX 是什么」 | 直接问 Claude，不用 skill |
| 「了解 AI / 金融 / 互联网」这种超广题 | 先 push back 收敛到子领域，再用本 skill |
| 「深研 HNSW 算法」这种超窄题 | 改用 prism-research（研究对象）或 book-distiller（论文 / 教材） |
push back 是设计如此。一份不合身的报告比没有报告更糟。
domain-onboarding 不是孤岛，它会在合适的时候调度别的工具：
- Web search — 补 cutoff 之后的最新事实，特别是新兴领域。
- context7 — 涉及具体框架 / SDK 时校验文档（避免编 API）。
- huashu-design — 复用反 AI slop 清单和典雅 HTML 模板的设计语言。
- book-distiller / prism-research — push back 时直接给用户指路。
跑 evals：
# 在 Claude Code 里
> 用 skill-creator 跑 domain-onboarding 的 evals
# 或手动
cat evals/evals.jsonevals/evals.json 包含 8 个测试用例，覆盖：
- 4 个 preset（技术 / 商业 / 金融 / 文化）× 中等颗粒度
- 新兴领域成熟度边缘（World Model）
- 衰退领域成熟度边缘（BlackBerry）
- 超广领域 push back（AI）
- 超窄领域 push back（HNSW 算法）
设计灵感与基因来源：
- book-distiller — 事实系统化、典雅 HTML、A/B/C/D 来源分级、反 AI slop 守则
- prism-research — 棱镜双轴、跨领域同构、反身性元透镜、已知的未知清单
通过 Claude Code 的 skill-creator + ccpm + pua skill 协作完成。
MIT — 见 LICENSE。
随便改、随便用、商用也行，原始版权声明保留即可。
Part of daizhouchen 实验集 → 一个 AI 应用创造者的实验现场。