{"_id":"30x-mckinsey-research-deck","name":"30x-mckinsey-research-deck","dist-tags":{"latest":"1.0.0"},"versions":{"1.0.0":{"name":"30x-mckinsey-research-deck","version":"1.0.0","description":"McKinsey-grade market research deck skills for Claude Code — adversarially verified numbers, 15 McKinsey methodologies as executable workflow, multi-agent pipeline. 一条指令产出敢被挑战的麦肯锡级市场研究 deck。","bin":{"30x-mckinsey-research-deck":"bin/cli.js"},"keywords":["claude-code","claude-skills","agent-skills","mckinsey","market-research","deck","presentation","consulting","multi-agent","30x"],"repository":{"type":"git","url":"git+https://github.com/norahe0304-art/30x-mckinsey-research-deck.git"},"license":"MIT","engines":{"node":">=16.7.0"},"gitHead":"077636a40ae9f28bb846ad84a5e1f2d90436aad4","_id":"30x-mckinsey-research-deck@1.0.0","bugs":{"url":"https://github.com/norahe0304-art/30x-mckinsey-research-deck/issues"},"homepage":"https://github.com/norahe0304-art/30x-mckinsey-research-deck#readme","_nodeVersion":"25.5.0","_npmVersion":"11.8.0","dist":{"integrity":"sha512-6wV2OlvGheSyreN3Th7FDyzICfzDoFZFnBsL+cOaO0+aMcNRa/XOMBchiZrN5XdBuuvoit+zLAdLTmtDyndbXw==","shasum":"30b650ff6d565b89807498f0ad76a18ae13958ad","tarball":"https://registry.npmjs.org/30x-mckinsey-research-deck/-/30x-mckinsey-research-deck-1.0.0.tgz","fileCount":12,"unpackedSize":96140,"signatures":[{"keyid":"SHA256:DhQ8wR5APBvFHLF/+Tc+AYvPOdTpcIDqOhxsBHRwC7U","sig":"MEQCIGuypexIWGj1QezP3EzwCFmxmxKVRq8sKlzaAMZQ+A8KAiBWgLqJaRMsvrR0/W5CJ9qfs/pHlBXoTe98zwx4jacsQA=="}]},"_npmUser":{"name":"norahe0304","email":"xiaoxiaoh750@gmail.com"},"directories":{},"maintainers":[{"name":"norahe0304","email":"xiaoxiaoh750@gmail.com"}],"_npmOperationalInternal":{"host":"s3://npm-registry-packages-npm-production","tmp":"tmp/30x-mckinsey-research-deck_1.0.0_1781050635734_0.6402621312475592"},"_hasShrinkwrap":false}},"time":{"created":"2026-06-10T00:17:15.670Z","1.0.0":"2026-06-10T00:17:15.920Z","modified":"2026-06-10T00:17:16.145Z"},"maintainers":[{"name":"norahe0304","email":"xiaoxiaoh750@gmail.com"}],"description":"McKinsey-grade market research deck skills for Claude Code — adversarially verified numbers, 15 McKinsey methodologies as executable workflow, multi-agent pipeline. 一条指令产出敢被挑战的麦肯锡级市场研究 deck。","homepage":"https://github.com/norahe0304-art/30x-mckinsey-research-deck#readme","keywords":["claude-code","claude-skills","agent-skills","mckinsey","market-research","deck","presentation","consulting","multi-agent","30x"],"repository":{"type":"git","url":"git+https://github.com/norahe0304-art/30x-mckinsey-research-deck.git"},"bugs":{"url":"https://github.com/norahe0304-art/30x-mckinsey-research-deck/issues"},"license":"MIT","readme":"# 30x-mckinsey-research-deck\n\n> **一条指令，产出一份敢被挑战的麦肯锡级市场研究 deck。**\n> McKinsey-grade market research decks for Claude Code — adversarially verified numbers, 15 McKinsey methodologies as an executable workflow, built-in multi-agent pipeline.\n\n## 安装\n\n```bash\nnpx 30x-mckinsey-research-deck            # 安装到 ~/.claude/skills/ (全局, 推荐)\nnpx 30x-mckinsey-research-deck --project  # 只装进当前项目 ./.claude/skills/\n```\n\n装完在 Claude Code 里说一句：\n\n```\n帮我做一份 XX 的麦肯锡市场研究 deck\n```\n\n包内两个 skill：\n- **`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\n- **`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`\n\n---\n\n## 它产出什么\n\n一份 HTML 翻页演示 + 印刷级 PDF，包含：\n\n| 部分 | 内容 |\n|---|---|\n| **§0 The Answer** | 金字塔原理执行摘要：一句话答案 + 3–4 根支柱结论，30 秒电梯测试 |\n| **§1 市场** | 规模、增速、与重新定义这个品类的结构性转变 |\n| **§2 竞争格局** | Good/Better/Best 阶梯 + 逐玩家画像 + 能力热力图 |\n| **§3 产品/模块** | 每个子品类一页：竞品价格阶梯 + 有据可查的痛点 + 主体的产品线 |\n| **§4 痛点** | 用户原话级证据，每条都标注来源 |\n| **§5 机会** | 痛点 → 产品方向，按可防御性排序 |\n| **§6 方案** | 定位、定价、产品线，**加三页决策页**（自底向上市场规模 / 单位经济 / 商业案例），最后是论点页 |\n| **源注册表** | 每个 URL 编号、可点击、与正文逐一对应 |\n\n实测案例：\n- **Figmint**（Target 厨具自有品牌，实物商品原型）：44 SKU 产品线决策，175 个源\n- **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\"**\n\n## 为什么它和 AI 做 PPT 工具不一样\n\n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：\n\n### 1. 真方法论，不是贴标签\n- **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\"）\n- **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\n- **MECE、80/20、电梯测试**：全部是带检查项的硬规则，不是装饰词\n\n### 2. 对抗性验证（最值钱的部分）\n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。**\n\n### 3. Source Bar（来源质量门禁）\n- 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\n- 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\n- 密度下限：每内容页 ≥1.5 个独立 URL，≥50% 是 T1+T2；**禁止塞凑数 URL**\n\n### 4. 交付前强制自检，不过 QC 不出门\n- 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\n- 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\n\n## 融入了哪些麦肯锡方法论\n\n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：\n\n| 方法论 | 在 skill 里落在哪 |\n|---|---|\n| **金字塔原理**（Minto Pyramid） | §0 The Answer 页：答案先行，3–4 根支柱支撑，全 deck 是它的证明 |\n| **SCQA 叙事弧** | Governing thought 按\"情境-冲突-问题-答案\"压缩成一句；故事线全程沿 SCQA 展开 |\n| **Dot-dash 故事线 / Ghost deck** | Phase 1.5：先写纯标题大纲再排版，不合格页面在花排版功夫前砍掉 |\n| **横向逻辑** | 只读全部标题必须连成一篇有说服力的短文——交付前程序化抽出标题复检 |\n| **纵向逻辑** | §0 每根支柱必须被后文某一节证明；§0 数字与验证后决策页逐一对账 |\n| **Action titles** | 硬性法则：标题必须是完整结论句，永远不是话题标签 |\n| **MECE** | 子品类必须无重叠、无遗漏地切分整个品类（数据 schema 里的强制注释） |\n| **假设驱动 / Day-1 answer** | Phase 0 先写答案草稿，研究去证伪它；被推翻就在 deck 里公开承认 |\n| **80/20** | 研究深度由假设导向：只深挖能确认或杀死假设的分支 |\n| **电梯测试** | 交付门禁：§0 + 论点页必须 30 秒独立卖出结论 |\n| **自底向上 Market Sizing** | 决策页 1：乘法链算出 TAM/SAM/SOM，top-down 数字只做一致性校验、禁止当答案 |\n| **Good / Better / Best** | §2 竞争阶梯 + §6 产品线设计的统一框架 |\n| **竞争反应压力测试** | 麦肯锡市场进入研究（60% 失败死于低估竞争）→ 保守情景必须点名对手反击 |\n| **\"So what?\" 纪律** | 每个 exhibit 以 READ/SO WHAT 收尾；只装饰不承重的图表被砍 |\n| **诚实规则** | 假设全标注、承重假设单独点名、冲突口径调和不平均、报防守得住的数字 |\n\n## 价值点全集\n\n**数字可信 — 查得到的都有来源，算出来的都被重算过**\n\ndeck 里每个数字都被两张安全网之一罩着：\n- **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\n- **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\n- 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\n\n**工程可靠**\n- 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\n- 单一引擎真相源（canonical `deck_engine.py`）：一处修复，所有 deck 受益\n- 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\n\n**流程自动 + 多 agent 编排**\n- 一句指令端到端：研究 → 故事线 → 渲染 → 验证 → 配图 → QC → 交付\n- **内置 Workflow 多 agent 编排**，每页决策走完整流水线：\n  **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）\n  ——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\n- 三种品类原型开箱即用，算术与词汇按原型分叉、互不串味\n- 图片交接模板：缺图自动生成 handoff 文档给任意图像工具\n\n**诚实性（最稀缺的价值点）**\n- 假设被证伪会公开写在 §0 第一句\n- 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\n- deck 自带能力边界声明：defensible estimates，不是 diligence\n\n## 三种品类原型，开箱即用\n\n骨架通用，算术和词汇按原型分叉，互不串味：\n\n| 原型 | 决策页算术 | 例子 |\n|---|---|---|\n| **实物商品** | 货架价阶梯 → 到岸成本（关税建模到金属含量）→ 毛利 | 厨具、家居 |\n| **SaaS** | 套餐/ACV → CAC → 回本期 | 任何订阅软件 |\n| **OSS/服务** | 采用漏斗 → 付费转化 → 单 logo 贡献 | 开源项目、咨询 |\n\n## 怎么用\n\n```\n你: 帮我做一份 XX 的麦肯锡市场研究 deck\n```\n\n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。\n\n**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。\n\n**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。\n\n## 诚实声明（这也是方法论的一部分）\n\n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。\n\n---\n\n*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`*\n","readmeFilename":"README.md","_rev":"1-33024ea80ac51b92907e0765e140614f"}