Corpus Research 是一个以证据为核心的决策研究技能，其出发点是“一个问题、匹配证据、不制造虚假确定性”。
用途：当你需要比较选项、评估 API、库或产品、测算市场规模、梳理竞争对手，或需要在证据足以支撑时再下结论时，可以使用它。它强调先明确要做的决策，而不是先追逐第一个看起来不错的答案。
主要方法：
- 锁定决策本身，以及细分人群、范围、时间跨度和“什么证据会推翻当前答案”。先梳理选项与反面证据。只有在范围确实存在实质歧义时才向人提问，且提问方式是先给建议、再列两三个真实选项及各选项的代价。
- 按主张类型匹配相应证据：标准或合同看现行规范；API 支持看对应版本的文档、源码或可执行契约；产品行为看安全可复现的实测；性能对比看方法与数据匹配、包含方差信息的基准测试；因果看控制替代解释且带不确定性的设计；流行度看披露抽样框与分母的数据；行为者意图看同期第一方记录；用户体验看经过抽样并披露方法的研究。
- 对每个关键来源记录出处、日期、版本、方法、总体、样本量、利益冲突，以及它报告的是观察还是推断。因混杂、选择性报告、间接性、过时、不精确、方法未披露或矛盾未解决而降低证据等级；仅在设计更强或独立复现时上调等级，并说明理由。
- 市场、客户与竞品研究需固定细分市场、地理范围和时间跨度。定价只能证明价格，营销材料只能证明定位，抽样评论只能证明被抽样者的体验。使用“大多数”“常见”“用户期望”等表述时，需要给出搜索过的总体、分母和反例。合成受访者只能产生假设，必须标注，并指出用真实数据验证的检查方式。市场规模需展示公式、单位、带日期的来源、假设、敏感性，并分别给出 TAM、SAM、SOM。
- 在法律、安全和成本可接受的前提下，实地验证产品当前行为；记录版本、账号、地区、日期、操作和未改动的输出。无法触达的主张标注为未确认。只有指出具体缺陷才拒绝某个来源，不能仅因来源渠道而拒绝。
- 置信度分级：高（直接、近期、细分匹配且经独立三角验证）、中（直接但部分）、低（间接、过时、小样本、单一来源、营销或合成）、极低（假设过多），并逐项说明降级原因。
输出结构：使用固定头部（type: research，id: RESEARCH-{{slug}}），正文只保留承载信息的章节：问题与范围、方法与覆盖、发现、选项、待解问题、建议。每条发现分配稳定编号 R-NNN，包含单一主张、精确证据、置信度与决策相关性；观察、来源主张、推断和建议分开表述；建议关联到发现编号；证据不足时指出需要什么测试来支撑方向。最终决策由人做出。
成果存放：写入 ~/.agents/artifacts/<workspace>/<ID>.md（~ 展开），<workspace> 为仓库或工作目录的基本名。证据回执、运行笔记等附属文件放在同目录并互相链接。不覆盖已有文件，冲突时询问新名称。目录不可写时提供授权重试、改用其他用户目录或取消，绝不回退到仓库、厂商目录或临时路径。本地来源引用相对于成果文件书写，交接时给出绝对路径。最终只返回指向成果及其附属文件的可点击链接，标签形式为 ~/.agents/...，目标为绝对路径；仅解释阻塞、写入失败、验证不完整或不可逆操作的确认。收尾时若下游不再需要，向人询问一次：删除、保留或提升为项目自有记录；删除后确认每个路径都已不存在。
适用场景：技术选型、API 与库评估、产品对比、市场规模测算、竞品梳理等需要证据支撑的决策研究。
限制：资料未提供具体安装方式、运行命令、支持的平台、是否收费及价格信息，这些事实暂未提供。