用途：把产品/用户研究当作方法与知识库纪律来执行，选择与研究目标匹配的方法、诚实评估样本量，并把发现综合为可治理的洞察。核心规则：方法必须匹配目标，洞察需在独立参与者间重复出现，单一引述只是轶事。
主要能力：study_designer.py 根据研究目标与产品阶段映射方法并生成计划骨架，遇到实时 A/B 场景会转向实验设计工具；saturation_planner.py 按方法给出样本指引与置信度标签，涉及 Nielsen 问题发现、主题饱和与评估覆盖，不宣称小样本能得出流行率；insight_synthesizer.py 按标签聚类编码观察、统计不同参与者数、按跨参与者重复度排序，低于来源阈值的候选标记为 ANECDOTE。三个脚本仅用标准库，支持 --help、--sample、--output {human,json}。
使用方式：先填写 assets/research_plan_template.md 明确研究问题、方法理由、参与者标准、分析计划与知识库标签方案；运行 python3 scripts/study_designer.py --goal {discovery|evaluative|validation} --stage {concept|prototype|beta|live} --profile {b2b-saas|consumer-app|enterprise|marketplace|hardware|platform}；再运行 python3 scripts/saturation_planner.py --method {usability|thematic|evaluative-coverage} --segments N；实地完成后运行 python3 scripts/insight_synthesizer.py --input observations.json --min-sources 3，并把洞察按原子模式入库。首次可运行 python3 scripts/onboard.py 保存默认配置。
适用场景：规划生成式/评估式/验证式研究、需要可辩护的样本量说明、把原始编码观察综合为洞察、搭建或审计研究知识库。限制：不用于生成画像/旅程图、发现冲刺规划、实时 A/B 实验或市场调研；饱和指引不是功效计算；综合质量取决于上游编码；研究目标不清晰时需先澄清。