装了 800 个 Skill,做出来的调研为啥还是 link dump?这个开源项目给 AI 行业上了一课

九月的 GitHub Trending 已经被 Skill 占领了——前三名里有两席是纯 Markdown 仓库,累计 Star 50w+。但在「装更多 skill」变成肌肉记忆之前,有个问题越来越刺眼:为什么我们装了 800 个 skill,做出来的调研还是 link dump?

最近翻到一个把这件事正面回答的开源项目:GoatGit/super-survey。它的自我定位是「面向智能体的多轮结构化研究技能」,GitHub 上 100+ stars(还在快速涨),用作者的话讲——它不是某个垂类的报告模板,而是把「开放式研究」当成一道「约束决策优化」问题来做。

它解决了一个老毛病:AI 调研里的「奉承」

你有没有这种感觉:让 agent 写一份竞品调研,它上来就先给你一个结论,然后所有「证据」都是为这个结论服务的。这是论文里的「AI sycophancy」——智能体太急于讨好用户,太快接受预设。

Super Survey 的解法是「先拆解,后搜索」。在动 evidence 之前,它强制你做四件事:

• 重建目标函数——用户问的是 A,但他真正想知道的是 B;
• 列出约束与隐藏假设——哪些前提是默认成立的?
• 定义证据标准——什么级别的证据算「够」?
• 写下反奉承规则——什么样的反驳必须保留。

做完了这些,才进 evidence pass。然后是 redteam(故意反驳自己)、synthesis(综合)、evolver(决定下一轮),每一轮产物都落盘成 markdown。整个流程像论文 peer review,而不是 30 秒的「给我列 10 个链接」。

它能用在哪些场景

看 README 列的适配场景,基本覆盖了 90% 的「我要不要做这件事」类决策:

• 产品机会调研(AI 招聘助手值不值得做)
• 竞品与市场分析(不是抄官网,要挖招人动向和论坛抱怨)
• 开源项目评估(在 50 个 agent 框架里选哪个)
• 技术可行性研究(自建 vs 用 SaaS)
• 投资尽调(用投资人的思维,而不是 PR 的思维)

每个调研都会在 surveys/YYYY-MM-DD-topic-slug/ 下落盘一份完整档案:brief、evidence-plan、research、redteam、synthesis、report.md,外加 sources.jsonl、claims.jsonl、evidence.jsonl 三份机器可读的清单。这意味着你下次想复用「上轮证据」,grep 一下就行——而不是重新跑一轮 RAG。

怎么装,怎么跑

一行装好,Claude Code / Codex / Cursor / Gemini CLI 通吃:

npx skills add GoatGit/super-survey

建一个调研只需一条命令,中英日都支持:

python3 scripts/survey_round.py init "AI 招聘助手" --language zh

之后按顺序跑 research → brainstorm → redteam → synthesis → evolve → check → finalize-report,每一步都会校验上一轮是否填了实质内容——想跳步骤混过去是过不了的。

为什么它和沈星河的取向对得上

做综合盘点的人最怕的不是没料,是「看着有料但其实是拼凑」。Super Survey 的价值不在于「告诉你答案」,而在于「逼你把答案的依据写下来,再自己打脸一遍」。

如果你也是做行业观察的——把这条 skill 装上,下次写盘点文之前先跑一轮。出来的稿子不会更花哨,但每一句话后面都能跟一份 evidence.jsonl。这是 2026 年写盘点该有的样子。

📦 GitHub: https://github.com/GoatGit/super-survey

GitHub: https://github.com/GoatGit/super-survey