tech-evolution-analysis

Tech Evolution Analysis · 技术进化趋势分析 7 步流水线

用途

把任何一个产品（如 TWS 耳机、AR 眼镜、扫地机器人、医疗内窥镜）拆解为可分析的最小功能单元，从全球 2亿级专利池经过 6 步收敛到 50 个左右的可决策节点，最终输出3 / 5 / 10 年下一代形态预测 + 灰犀牛技术（路径监控）+ 黑天鹅信号（事件监控）+ 旗舰概念形态。

核心方法论

• TRIZ 11 进化路线 — Altshuller 从不同行业/技术提炼的普适进化规律（公约数）；标引=把具体产品投影到普遍规律上读出"下一步该往哪走"。tier↑=沿路线内在方向更深≠更复杂：区分增益型路线（更结构化/智能）与裁剪型路线（路线 2、路线 1 末端=更简/更集成），理想度为共同终极方向（v0-v11 节点字典）
• SVOP 功能化 — Subject + Verb + Object + Parameter 四元组，剥离形态依赖让跨域类比成为可能
• 四轨检索 — 本域专利 / 本域论文 / 跨域专利 / 跨域论文 并行；论文轨补偿专利 18+ 月滞后、提供 1-3 年前瞻信号，每轨论文目标占比 ≥20%（不足记 sparse）
• 四独立性原则 — 物理学/矛盾/接口/生态四独立判别关键零部件
• 多维评分筛选 — 同族广度/引用强度/申请人质量/价值评级/运营信号 5 维加权
• 嵌套四层级树 — 产品/大系统/子系统/组件 + 关键零部件支树
• 进化森林（v3） — 主轴是路线不是组件；一个组件可有 1~N 条并列主干路线；主干节点上"数据驱动派生"出子路线（路线套路线），由 Step 5 spawns_new_route 埋点连边
• 三类节点（v3 重定义） — 特征点（派生子路线的拓扑分叉母节点，不再等于 breakthrough）/ 空白点（按 TRIZ 路线下一步应到达但全球无布局的预测靶点）/ 类比点（节点方案可被其他路线或组件借鉴的可移植性）
• 灰犀牛 vs 黑天鹅 — Step 7 必须把"突变信号"分成两类：灰犀牛 = 高概率 / 路径清晰 / 半年-年度路径监控 / 纳入路线图；黑天鹅 = 低概率 / 触发点不可预测 / 季度-事件监控 / 设置触发器与应急方案。同一议题可同时具备双重身份（如 PQC 抗量子）— 必须分别归类。v3.1 起用 BSS（10 分信号强度）+ TDI（100 分颠覆量级）量化打分替代纯定性计数（吸收自 black-swan-tech-radar）
• Web 行研哨兵层 — Step 3 在专利+论文之外并行跑五类 Web 哨兵（资本/成熟度/标准/监管/跨界玩家），捕捉专利库看不到的黑天鹅源头；信号不入评分池，作 Step 7 多源交叉验证证据

7 步流水线总览

调用流程

收到「分析 XX 产品的技术进化趋势」类请求时：

1. 先确认范围：产品具体形态、是否需要跨域、目标地域、目标时间窗口（3/5/10 年中的哪些）
2. 逐步执行：按 Step 1 → Step 7 顺序，每步完成后向用户简报，让用户确认前才进下一步（特别是 Step 1 的 4 层级拆解、Step 2 的 SVOP 锚定、Step 4 的评分权重 — 这些影响后续全部步骤）
3. 每步产物归档：所有产物保存到「产品名_技术趋势分析」文件夹下，沿用以下文件命名：
   • step1-2-components-svop.md（拆解 + SVOP）
   • patent_pool_step3.json / patent_pool_step4.json
   • triz_labeled_pool.json / breakthrough_index.json
   • evolution_trees.json / feature_points.json / blank_points.json / analogy_points.json
   • step6_evolution_forest_v3.html（进化森林可视化，Step 6 必出，由 render_forest.py 渲染）
   • step7_predictions.json / gray_rhinos.json / black_swans.json / concept_forms.json
   • 最终多风格 HTML 报告
4. 方法论参考：每步的详细规范见 references/ 下对应的 stepN-report.md

详细规范

每步的方法论规范在 references/ 下：

• references/step1-2-components-svop.md — 4 层级拆解 + 四独立性 + SVOP v4 规范
• references/step3-double-track-search.md — 四轨检索策略（本域/跨域 × 专利/论文；论文轨语义主导）
• references/step4-multi-dim-scoring.md — 5 维评分模型
• references/step5-triz-labeling.md — 19 路标引 + v0-v11 字典 + 抽查回归
• references/step6-evolution-tree.md — 进化森林（v3）：并列主干 + 路线套路线派生 + 三类节点重定义
• references/step7-prediction-report.md — 3/5/10 年预测 + 灰犀牛 vs 黑天鹅分类（v2）+ 概念形态 + LR-01-08 校验

固化资产（assets/）

三个产出物已固化，换产品时优先复用、不要从零手写，以保证版式与结构不漂移：

• Step 1 系统拆解思维导图 — assets/mindmap/（读 JSON 生成器）
  • python render_mindmap.py --data <案例>/mindmap_data.json --out <案例>/系统拆解思维导图.html
  • 换案例只写一份 mindmap_data.json（字段契约见脚本 docstring；范例 example_mindmap_data_plc.json）；CSS 锁在脚本内
• Step 6 进化森林 — assets/forest/（读 JSON 生成器）
  • python render_forest.py --records <案例>/triz_relabeled_records_v3.json --out <案例>/step6_evolution_forest_v3.html --title "..."
  • triz_forest_common.py 是通用渲染核（11 路线字典 + 三态 + CSS），永不改；换案例只改 render_forest.py 顶部 PART_NAME
• Step 7 最终报告（麦肯锡风格） — assets/report/（CSS + 14 章骨架模板）
  • 复制 report_skeleton_mckinsey.html，`` 逐字保留，逐章替换 <!-- FILL: ... -->，章节顺序与 class 照搬
  • 报告每章版面不同，故锁 CSS + 骨架而非读 JSON（理由见 assets/README.md）
• 三套均以 PLC 案例为基准范本，已回归校验 class 用量一致。详见 assets/README.md

触发场景示例

• 「帮我分析智能手表的下一代形态」
• 「AR 眼镜的技术进化趋势是什么」
• 「扫地机器人 5 年内会怎么演变」
• 「新能源车电池的黑天鹅信号有哪些」
• 「医疗内窥镜的进化树长什么样」
• 「找出 XX 行业未来 5 年的灰犀牛和黑天鹅技术」

不适用场景

• 单纯专利检索 → 用 patsnap MCP
• 跨领域功能解决方案查找 → 用 fos skill
• FTO 自由实施分析 → 不在本流水线范围（输出可作为 FTO 输入但不替代 FTO）
• 单一产品的简单功能解析 → 杀鸡用牛刀，建议直接对话讨论

使用前配置

本 Skill 依赖智慧芽开放平台 MCP 服务：

• 完成安装、初次使用时需进行自检，参见 README.md
• 用户需完成账号授权，并确保 Agent 环境已启用对应 MCP 工具
• 若未完成配置，本 Skill 只能提供分析框架，无法检索实时数据或生成基于数据库的结论
• 缺少MCP配置时，引导用户参照 README.md 在 [open.zhihuiya.com](https://open.zhihuiya.com/) 获取MCP。