用途：在已有原始研究资料（访谈转写、笔记、问卷开放题、支持工单等）后，把零散内容整理成可信、可驱动产品决策的洞察。它不负责访谈设计、招募或提纲，那是研究收集类技能的范畴。
主要能力：一是按来源、日期、细分人群整理原始条目并做主题聚类；二是对候选洞察按置信度、具体性、可行动性、偏见风险打分，保留高/中质量洞察，把低质量降级为后续研究问题；三是生成结构化发现简报，含研究问题、结论、证据、建议、局限与方法学说明。
用法：技能提供的脚本为 python3 research-summarizer/scripts/research_synthesis_organizer.py --input research_items.json --format markdown、python3 research-summarizer/scripts/insight_quality_scorer.py --input insights.json --format markdown、python3 research-summarizer/scripts/findings_brief_generator.py --input findings.json --format markdown。使用前建议先确认研究问题、受众与决策、资料类型与数量；若信息缺失应先询问，用户要求直接起草时则在文首列出假设。
分析框架：采用“观察→模式→洞察→建议”的推论阶梯，不能从单条观察直接跳到建议；并提示常见偏见（确认、顺从、回忆、选择、近因、锚定、需求特征）及定性样本量参考（探索 5-8、验证假设 8-12、画像 12-20、跨细分每段 5-8）。另外提供三份参考文档，分别覆盖综合方法、洞察质量与偏见、研究结果沟通。
适用场景：综合 5-30 份用户访谈、从开放题中提取主题、分析支持工单、为利益相关方写发现简报、为高管准备研究汇报、审计现有研究总结的偏见与可靠性。
限制：资料未提供具体价格、平台兼容性或效果数据。该技能依赖已有原始资料与脚本运行环境；输出质量受样本量、样本代表性与解释者判断影响，仍需人工复核，不能替代真实的用户研究收集工作。