30x-mckinsey-research-deck

30x-mckinsey-research-deck

一条指令，产出一份敢被挑战的麦肯锡级市场研究 deck。 这是一个 Claude Code Skill（安装进 Claude Code 会话里用，不是独立运行的 CLI 工具）——不需要单独的 API key，研究和 deck 生成全部发生在 Claude Code 会话内部（复用会话自带的模型访问），不是你在终端里单独调用的脚本。内置 adversarially verified numbers、15 套麦肯锡方法论的可执行工作流、多 agent pipeline。

安装

npx 30x-mckinsey-research-deck            # 安装到 ~/.claude/skills/ (全局, 推荐)
npx 30x-mckinsey-research-deck --project  # 只装进当前项目 ./.claude/skills/

装完在 Claude Code 里说一句：

帮我做一份 XX 的麦肯锡市场研究 deck

包内两个 skill：

• mckinsey-market-research-deck — 完整研究生产线：联网研究 → Day-1 假设 → ghost deck 故事线 → 渲染 → 多 agent 对抗验证 → QC → HTML + PDF
• mckinsey-deck — 轻量排版版（只要 deck 不要研究），持有唯一渲染引擎 deck_engine.py

它产出什么

一份 HTML 翻页演示 + 印刷级 PDF，包含：

内部实测 run（internal test run，非可下载的公开案例文件）：

• Figmint（Target 厨具自有品牌，实物商品原型）：44 SKU 产品线决策，175 个源
• Swall（开源 agent 管理平台，OSS 原型）：26 页 launch 决策，38 个源，3 年 SOM 算出来只有 $0.78M——它没有为了好看而撒谎，结论是"阶段性下注 + 第 12 个月 kill gate"

为什么它和 AI 做 PPT 工具不一样

市面上的 AI deck 工具生成的是"好看的话题标签页"。这条生产线生成的是敢被挑战的论证文档，靠四套互相咬合的质量系统：

1. 真方法论，不是贴标签

• Day-1 假设：研究开始前先写下答案草稿，让研究去证伪它——假设被推翻时，deck 会公开承认（Swall 那份的 §0 第一句话就是"我们的初始假设错了一半"）
• Ghost deck / dot-dash 故事线：先写纯标题大纲，跑横向逻辑测试——只读标题必须连成一篇有说服力的短文（SCQA 弧线），不合格的页面在排版前就砍掉
• MECE、80/20、电梯测试：全部是带检查项的硬规则，不是装饰词

2. 对抗性验证（最值钱的部分）

三页决策页不是模型一口气写完的。流水线是：分析师 agent 出页（每行算式可查）→ 怀疑论 EM agent 重新推导每个数字——查重复计算、查单位混淆、专杀过于乐观的转化率/毛利/回本期。Swall 那次，验证者把团队渗透率从 40% 砍到 25%、star 转化率从 0.5 砍到 0.2。敢输出难看的数字，是这个 skill 和"AI 画饼工具"的本质区别。

3. Source Bar（来源质量门禁）

• 四级分级：T1 一手源（厂商定价页/财报/repo 数据）> T2 具名研究（Gartner/官方调查）> T3 实践者原帖 > T4 SEO 聚合站
• 硬规则：价格只认 T1；市场规模至少 T2，聚合站只能伴随原始研究出现；痛点必须有真人原话；承重假设要么双源、要么明标 judgment call
• 密度下限：每内容页 ≥1.5 个独立 URL，≥50% 是 T1+T2；禁止塞凑数 URL

4. 交付前强制自检，不过 QC 不出门

• 麦肯锡级视觉语言开箱即得 — 你拿到的就是能直接进会议室的版面
• 程序化 QC：逐页渲染目检、源注册连续性校验、§0 数字与验证后决策页数字逐一对账

融入了哪些麦肯锡方法论

不是引用名词，每一条都落成了可执行的 phase 或可勾选的 QC 项：

价值点全集

数字可信 — 查得到的都有来源，算出来的都被重算过

deck 里每个数字都被两张安全网之一罩着：

• 事实类数字（市场规模、竞品价格、采用率）→ Source Bar 门禁：价格只认厂商一手页、市场规模至少具名研究、全部带采集日期与编号来源
• 推导类数字（TAM/SAM/SOM、毛利、回本期）→ 对抗验证流水线：分析师推一遍，怀疑论者重推一遍，砍完才落盘
• 外加闭环：§0 执行摘要数字与验证后决策页机器对账 — 读者看到的每个数字，要么有编号来源，要么被重推过

工程可靠

• 单一数据真相源（<brand>-data.json）：整个 deck 是它的确定性渲染，可复跑、可改数重出
• 单一引擎真相源（canonical deck_engine.py）：一处修复，所有 deck 受益
• 程序化 QC：div 平衡断言、逐页渲染目检、注册表连续性校验、已知缺陷对照表

流程自动 + 多 agent 编排

• 一句指令端到端：研究 → 故事线 → 渲染 → 验证 → 配图 → QC → 交付
• 内置 Workflow 多 agent 编排，每页决策走完整流水线： 分析师 agent（强制 JSON schema 输出，每行算式可查）→ 对抗验证 agent（重推每个数字、查重复计算、查单位混淆、杀乐观偏差）→ 验证后落盘 _decision_*.json（可审计、可复跑） ——不是单模型一口气写完，是一条真正的多角色流水线，三页并行
• 三种品类原型开箱即用，算术与词汇按原型分叉、互不串味
• 图片交接模板：缺图自动生成 handoff 文档给任意图像工具

诚实性（最稀缺的价值点）

• 假设被证伪会公开写在 §0 第一句
• 结论可以是"不要做"或"阶段性下注 + kill gate"——它不为了好看而撒谎
• deck 自带能力边界声明：defensible estimates，不是 diligence

三种品类原型，开箱即用

骨架通用，算术和词汇按原型分叉，互不串味：

怎么用

你: 帮我做一份 XX 的麦肯锡市场研究 deck

就这一句。流程自动走：Scope + Day-1 假设 → 联网研究落进单一数据文件（每个数字带 sourceUrl 和采集日期）→ ghost deck 故事线 → 渲染 → Workflow 对抗性验证决策页 → 图片 → QC → 交付 HTML + PDF。

环境要求：Claude Code + 联网搜索 + macOS 上的 Chrome（headless 导出 PDF）。封面图可选——给一张深蓝底图最佳，没有就程序化生成一张。

配套 skill：mckinsey-deck（轻量版）——只要排版不要研究时用它；它持有唯一的渲染引擎 deck_engine.py，本 skill 从它那里取引擎，一处修复全局生效。

诚实声明（这也是方法论的一部分）

这是桌面研究生产线：输出的是 defensible estimates（可辩护的估算），不是 diligence（尽调结论）。没有专家访谈、没有一手内部数据，承重假设全部明标。拿去做内部决策、融资叙事、给正式研究当 80% 起点——非常好用。直接当尽调签字——不行，它自己会在 deck 里告诉你不行。

文件结构：SKILL.md（流程主干）· references/methodology.md（研究方法 + source bar + 决策页算术）· references/design-system.md(视觉契约) · references/qc-checklist.md（交付门禁）· references/image-handoff.md（配图交接）· 引擎在 ../mckinsey-deck/assets/deck_engine.py