横纵分析法深度应用：AI Prompt半小时助你快速掌握任意陌生领域

周末与朋友聚餐，聊到兴起时，他忽然放下筷子盯着我：“兄弟，你怎么好像什么都知道一点？”

我说这完全是错觉，我只是对很多事情好奇，碰巧有一套方法，能快速把一个陌生领域摸得七七八八。他立刻追问什么方法。

我告诉他，我用自己总结的研究框架，配合 AI，半小时就能产出一份一到两万字的深度研究报告，帮你光速入门。

于是就有了今天这篇文章。

一、横纵分析法：两条轴的交汇

这套方法，我叫它横纵分析法。

纵向轴，沿着时间线追溯，还原研究对象从诞生到现在的完整故事。它从哪里来？谁创造的？经历了哪些关键转折？为什么在某个节点突然爆发或者转向？理清这条线，就能理解它的历史与因果。

横向轴，在当下这个时间切片上，把它和同赛道的竞争者或同类事物放到一起比较。它与竞品有何不同？用户为什么选择它而不是别的？它在赛道中占据什么位置？看清这个截面，就能理解它的差异与定位。

最关键的是，把两条轴交叠起来看。纵向告诉你它是怎么走到今天的，横向告诉你它今天站在哪里，交叉点上往往会出现单独看任何一条轴都发现不了的洞察：比如它当下的某个优势，其实源于三年前一个不起眼的决策；又比如它现在的某个短板，恰好是当初一个合理选择积累成的包袱。

就是这么简单，也是我这两年用得最顺手的一套方法论。

二、方法的根源与演变

横纵分析法的底层逻辑脱胎于语言学的“历时与共时”研究和社会科学中的纵向研究、横截面研究。索绪尔提出的历时分析，观察一个系统如何随时间演变；共时分析则研究某个时间点上系统的内部关系和对比关系。社会科学里，纵向研究追踪对象的变化轨迹，横向研究在某个时间点观察截面状态。

我只是把这些经典视角抽离出来，结合商业和竞争战略分析，融合成一套可以用 AI 来跑的通用研究框架。如今它有 Prompt 版本和 Skill 版本，已经完全开源在我的 GitHub 仓库：

https://github.com/KKKKhazix/khazix-skills

三、Prompt 版本：复制即用

下面的 Prompt 适配任何支持深度研究功能的 AI，比如 ChatGPT 的 DeepResearch、Claude 的深度研究、豆包的专家模式、DeepSeek 的专家模式等。我已经特别优化了行文风格，融入了部分写作 Skill 的能力，确保产出的报告可读性强，不会像难以下咽的天书。

直接将 Prompt 复制到支持深度研究的模型中，修改开头的“研究对象”即可。

# 横纵分析法 Deep Research Prompt
> 使用方法：将下方 Prompt 复制到任何支持 Deep Research 的模型中，只需修改开头的「研究对象」一行即可。
---
## Prompt 正文
> 横纵分析法 by 数字生命卡兹克

## 变量定义
研究对象 = 「此处替换为你的研究对象名」（以下所有提到「研究对象」的地方，都指代上面定义的内容。使用时只需修改等号右边的内容即可。）
---
你是一位资深的技术与商业研究分析师。请使用「横纵分析法」对「研究对象」进行一份完整的深度研究报告。
横纵分析法包含两个维度：
---
### 一、纵向分析（Diachronic / Longitudinal）
沿时间轴，完整还原「研究对象」从诞生到现在的发展全貌。要求如下：
1. **起源追溯**：它诞生的背景是什么？基于什么技术/理念/需求而来？创始团队或核心推动者是谁？当时的行业环境是什么样的？
2. **诞生节点**：明确的首次发布/成立/提出时间，以及最初的形态和定位。
3. **演进历程**：从诞生到现在，按时间顺序梳理所有关键节点。包括但不限于：重大版本更新、融资事件、团队变动、战略转型、技术架构变化、用户规模里程碑、重大合作或收购、公关危机或争议事件。
4. **决策逻辑**：在每个关键节点上，尽可能还原决策背后的原因。为什么选了A而不是B？当时面对的约束条件是什么？
5. **叙事要求**：不要写成干巴巴的年表。用故事的方式把发展史串起来，让读者能感受到因果关系和时代脉络。越详细、越多元越好，把相关的人物、事件、背景信息都拽进来。
---
### 二、横向分析（Synchronic / Cross-sectional）
以当前时间点为切面，将「研究对象」与同赛道的竞品/同类进行全面对比。
**首先判断竞品情况**，分为三种场景：
- **场景A：无直接竞品。** 如果「研究对象」是一个全新品类或独占性极强的领域，没有可直接对比的竞品，则跳过逐一对比，改为分析：它为什么没有竞品？是品类太新、壁垒太高、还是市场太小？未来最可能从哪个方向冒出竞争者？有没有间接替代方案或上一代的解决方式可以作为参照？
- **场景B：少量竞品（1-2个）。** 逐一深入对比，每个竞品展开详细分析。
- **场景C：竞品充分（3个及以上）。** 选取最具代表性的3-5个进行对比，其余可简要提及。
**对比维度**（根据「研究对象」的类型灵活调整）：
1. **核心差异对比**：
   - 技术路线/核心方法论/底层逻辑
   - 产品形态/商业模式/组织结构
   - 目标用户/受众/适用场景
   - 核心优势与明显短板
   - 定价策略/资源投入/规模体量
2. **用户视角**：每个竞品的真实用户口碑如何？社区评价、使用经验中被提及最多的优点和槽点分别是什么？用户实际的使用方式和官方定位有没有偏差？
3. **生态位分析**：在整个赛道的版图中，「研究对象」占据的是什么位置？它填补了什么空白，还是在跟谁正面竞争？
4. **趋势判断**：基于横向对比，你认为「研究对象」在竞争格局中的走向是什么？它的机会和风险各是什么？
---
### 三、写作风格要求
这不是一份冷冰冰的咨询报告，而是一篇让人能从头读到尾的深度研究。请遵循以下风格要求：
1. **可读性优先**：写得像一篇优质的深度报道或非虚构特稿，有节奏感，有画面感。读者应该能被内容本身吸引着往下读，而不是靠目录跳着看。
2. **叙事驱动，不是罗列驱动**：纵向部分要有故事弧线，有起承转合。比如一个产品为什么在某个时间点突然爆发，背后的铺垫是什么，转折是什么。不要写成“2023年1月发布了A，2023年3月发布了B”这种流水账。
3. **观点要有，但必须建立在事实之上**：鼓励你给出判断和洞察，但每一个观点都必须有事实支撑。先摆事实，再给判断。如果是推测，明确标注。
4. **用人话写**：避免咨询公司式的套话和空洞的形容词（如“赋能”“抓手”“打造闭环”）。用具体的细节和例子代替概括性陈述。
5. **对比要有温度**：横向对比不要写成参数对照表的文字版。要讲清楚每个竞品“活成了什么样”，用户选它的真实理由是什么，而不只是罗列功能差异。
---
### 四、篇幅要求
根据「研究对象」的复杂度，自适应调整篇幅：
- **纵向分析**：6000-15000字。这是报告的主体，篇幅应该最重。历史越长、节点越多的对象靠近上限，新生事物靠近下限。核心原则是把故事讲完整、讲透，每个关键节点都值得展开写，不要为了压缩而跳过重要细节。宁可写长写细，也不要蜻蜓点水。
- **横向分析**：3000-10000字。竞品越多篇幅越长。场景A（无竞品）可以控制在3000字左右，把分析重点放在替代方案和潜在竞争者上。场景C（竞品充分）每个主要竞品至少展开1500字以上的独立分析，不要一笔带过。
- **横纵交汇总结**：1500-3000字。这是整篇报告的精华段，不要写成前面内容的缩写版，要给出新的、综合性的判断。
- **全文总计**：10000-30000字。不要怕长，研究报告的价值在于深度和完整度。写到该停的地方自然停，但绝不能因为篇幅焦虑而牺牲信息密度。
---
### 五、输出格式要求
1. 先输出纵向分析（发展史叙事），再输出横向分析（竞品对比）
2. 纵向部分以时间叙事为主线，但不要用纯粹的列表格式，要有可读性
3. 横向部分可以适当使用对比表格辅助，但核心分析必须是文字论述
4. 在报告最后，加一段「横纵交汇」的总结：把纵向发展脉络和横向竞争格局结合起来，给出你对「研究对象」当前所处位置和未来走向的判断
5. 所有信息尽可能标注来源或时间节点，确保可追溯
6. 如果某些信息无法确认，明确标注为推测或未经证实，不要编造
---
### 适用范围说明
此分析法适用于以下类型的研究对象：
- **产品/工具**：如 Hermes Agent、Cursor、Claude Code
- **公司/组织**：如 Anthropic、字节跳动、OpenAI
- **技术概念**：如 MCP协议、RAG、Agent框架
- **人物**：如某个行业关键人物的职业轨迹与同期人物的对比
请根据「研究对象」的具体类型，灵活调整纵向和横向分析中的具体维度。核心原则不变：纵向追时间深度，横向追同期广度，最终交汇出判断。

使用时，只需将等式后面的词组替换成你要研究的内容，比如 Harness、Hermes Agent、CLI，甚至是你想分析的某个游戏、政治事件、人物性格等，什么都可以。

四、实战案例：用 Harness 跑一遍

以近期火热的 Harness 为例。我把 Prompt 中的对象替换为 Harness，然后启用 Claude 的深度研究模式。

发送后，AI 会先确认 Harness 具体指什么，我补充一点说明。

13 分钟后，一份关于 Harness 的深度研究报告生成了。

纵向部分梳理了发展史：何时诞生、何时引爆、有哪些关键里程碑，条理清晰。

爆发期的分析也很有说服力。

横向对比部分将 Harness 与 Prompt Engineering、Context Engineering、Agent Engineering 并列，差异辨析相当专业。

最后还推演了未来演进方向。

这份报告全文约一万字，如果你想快速又全面地了解 Harness，它很可能比绝大多数汇总文章都要好，既全面又易懂。

五、Skill 版本：更自主的深度研究

如果你习惯使用 Cowork、Claude Code 或 Codex 等 Agent 类工具，我也做了一个名为 hv-analysis 的 Skill，同样开源在我的仓库。安装后，直接跟 Agent 说“帮我研究一下某某”，它就会自动按横纵分析法的框架运行。

这个 Skill 版本还能自动联网搜索，集成 arxiv API，遇到学术问题会自主查询论文，随后生成一份排版好的 PDF 研究报告，文风更易读，比 Prompt 版本更灵活丰富。

六、局限与正确使用姿势

必须坦诚地说，这个方法不是万能的，它可以在极短时间内帮你建立起一个比较完整的认知框架，但永远替代不了自己真正下场去深入调研。虽然现在 AI 模型的幻觉已经大幅减少，但仍可能出现不准确的信息，所以拿到的报告不能直接当作定论，它更适合作为你探索的起点，先帮你快速绘制出一张领域地图，然后你再沿着这张地图深挖。

另外，报告质量与你使用的模型和工具密切相关。支持完整深度研究功能的 AI（一次任务通常持续十分钟以上）会真正联网搜索、验证信息，效果明显更好。如果只是用普通联网能力的工具，一次任务可能不足一分钟，质量确实会大打折扣。

我的做法是：拿到报告后快速通读建立全局认知，然后针对存疑或特别感兴趣的点，再去搜集更多资料深入查证。这种“AI 报告 + 自己深挖”的组合，远比从零开始自己搜集信息高效得多。

七、好奇心才是引擎

这个时代做研究，真正稀缺的不再是信息，而是你对世界的好奇程度。我并不是什么博学的人，只是脑子里随时会冒出一连串问题：这个东西怎么来的？为什么现在出现？它和那个事物什么关系？做这件事的人之前干什么？这些问题如果当下没有答案，我就很难受。你可能也有过那种“立刻就必须知道答案”的冲动。

信息已经像洪水一样泛滥，AI 让获取信息的成本趋近于零，但你要问什么问题、从什么角度切入、怎样把散落的信息组织成有价值的判断，这些 AI 无法代劳。AI 只能在你给出方向之后帮你执行，而方向必须由你自己定。横纵分析法就是我为自己的好奇心预设的一套提问框架，每次面对陌生领域，它都帮我省去临时琢磨角度的力气。

纵向追寻时间深度，横向对比同期广度，交汇之后形成判断。三步走完，认知框架就搭起来了。曾经我要花三天去搜集信息，现在半小时就能搭建框架，然后把省下的时间花在最有意思的地方——看着零散的信息拼成一幅完整的图，在某一刻突然豁然开朗，“啊，原来是这样。”

那个瞬间真的太爽了。

我不确定这个方法是否适合每一个人，但如果你也是那种脑子里问题不断、又嫌搜集信息太慢的人，不妨试试。古希腊人说哲学始于惊奇，我觉得研究也是如此：始于你对一个东西真正的好奇心。方法和工具都在后面，好奇心在前面。没有好奇心，再好的方法论也只是摆设。有了好奇心，哪怕方法笨一点，也终会找到答案。只不过现在，找答案确实比以前快太多了。

快到你可以对更多的事物，保持好奇。