累进式投资研究

这个 Skill 的目标不是多写一份报告，而是让每次研究都推进同一个可控的认知模型。

核心产物是一个 dossier：一组轻量 Markdown 文件，记录某个研究对象的当前模型、证据、冲突、开放问题和判断变化。报告、memo、索引、搜索结果和 Obsidian 笔记都是派生输出，不是模型本身。

核心定义

Model = 当前研究对象的可操作认知状态。

它回答：我们现在怎么看、知道什么、不知道什么、哪里有冲突、下一步最值得验证什么。它必须能被人类快速恢复，而不是只对 AI 友好。

context.md 是接续入口，记录这个 dossier / workspace 为什么存在、默认使用哪个 skill、应该从哪里恢复、哪些写入触发需要用户确认。它不是研究结论事实源，也不是每轮讨论都必须更新。用户只是提问、试探想法或讨论机制时，先回答和澄清；只有冷启动、接续成本高、研究边界/入口变化，或用户明确要求“写入/更新 context”时才改它。current-synthesis.md 仍是研究模型的人类入口，标题使用 # Current Model。用户问“现在是什么状态”“我们知道什么”“model 是什么”时，优先读它，再按需读 context.md、model-map.md、open-questions.md 和相关模块。

数字和模型也是事实源的一部分。

研究材料中的关键数字不能只被压缩成文字判断。遇到收入、CapEx、价格、产能、份额、MAU、token、利用率、毛利、折旧、回收期、良率、交付周期等数字时，应记录来源、来源类型、复核状态和用途。尤其是看起来不像普通公开搜索能轻易得到的数字，要提高敏感性：标明它来自用户材料、公司披露、派生材料、估算还是 agent 推断，不要伪装成公开事实。

计算模型是一等产物。只要一个判断依赖公式、参数、倒推、敏感性或层间传导，就应考虑在 models/ 建立轻量模型或在模块中记录模型 backlog。建模不是为了精确，而是为了暴露假设、单位、依赖关系、卡点和反证条件。