vibe-coding-cn/research/research-value-application-map.md

研究价值与应用地图

字多不看

• 当前研究体系已经覆盖 17 个独立研究域，17 个均已完成 L2 深度研究。
• 这些研究不是为了介绍外部项目，而是为了把外部项目拆成可验证事实、核心机制、迁移边界和本仓可执行改进项。
• 17 个研究域的 analysis.md 已统一为对标拆解、改良迭代、可迁移清单、不可迁移清单和验证动作格式。
• 17 个研究域的 deep-dive.md 已补齐 L2 证据层、关键机制、迁移边界和 L3 验证任务。
• 用户获得的直接价值是少走弯路、看见范式、拿到可落地路线。
• 本仓获得的直接价值是形成 getting-started、references、workflow、skills、assets、scripts 和 research 的改进输入。
• 新增的 研究迁移综合 专门回答“这些研究怎么变成可执行动作”。
• 研究结论稳定后必须下沉，不应长期停在 research。

当前覆盖

层级	数量	状态	说明
研究域	17	已建立	每个外部仓库一个独立研究域，均有 raw 原始事实层、analysis.md 和 deep-dive.md
L2 深度研究	17	已完成	覆盖工具、课程、资源索引、项目实践、中文主题雷达和归档工具样本
L1 观察研究	0	已清空	P3 仍是低采用优先级，不再代表研究深度缺口

用户能获得什么

研究到行动

用户不应该只看到“这个仓库值得研究”。每个研究对象都应该进一步提供：

• 对标拆解：成熟对象为什么有效。
• 改良迭代：本仓应该如何改成自己的版本。
• 杂交创新：多个对象的有效机制如何组合。
• 验证指标：下一步动作怎样判断成功或失败。

因此，研究阅读顺序应调整为：

1. 先读单个研究域的 analysis.md，拿到可迁移动作。
2. 再读 deep-dive.md，确认动作背后的证据。
3. 最后读 研究迁移综合，理解多个对象如何组合成本仓路线。

少走弯路

用户不需要自己从大量仓库里判断哪些值得学、哪些只是资源堆、哪些适合照搬、哪些只能参考。 研究域已经把外部对象拆成：

• 对象是什么。
• 强项在哪里。
• 能借鉴什么。
• 不能照搬什么。
• 下一步应该沉淀到哪里。

这让用户从“到处收藏链接”转为“按证据选择路径”。

看见 AI Coding 的真实范式

这批研究共同说明：AI Coding 不是 prompt 技巧集合，而是一个工程系统。成熟形态通常包括：

• 上下文入口：AGENTS.md、llms.txt、规则文件、skills。
• 执行控制面：CLI、脚本、工具调用、沙箱、审批、Git 状态。
• 验证闭环：lint、test、link check、benchmark、human-in-the-loop。
• 资源治理：结构化资源表、状态字段、最后检查时间、归档策略。
• 学习产品：学习路径、demo、assignments、部署产出、可视化解释。

用户因此能理解：真正要学的不是“让 AI 写一段代码”，而是如何稳定地把目标、上下文、约束、 工具和验证交给 AI。

获得可执行路线

研究结果可以直接变成用户路线：

• 新手用户：按学习路径从第一个可部署产物开始。
• 开发者：按 Git、测试、脚本、agent 控制面建立可靠工作流。
• 维护者：按资源治理、metadata、AI 引用入口维护知识库。
• 高阶用户：按 skills、workflow、HITL、MCP、Agent 编排构建自己的 AI 工程系统。

核心启示

一、AI Coding 的底座是控制面

来自 openai/codex、aider、cline 的共同启示是：成熟 coding agent 依赖控制面，而不是只依赖 聊天能力。

可迁移结论：

• scripts/ 不是杂物间，而是仓库控制面。
• AGENTS.md 不是贡献说明，而是 Agent 上下文接口。
• skills/ 不是 prompt 收藏，而是可复用能力单元。
• metadata/ 和 llms-full.txt 是 AI 可读入口，不是附属索引。
• 高风险执行必须有权限、沙箱、审批、dry-run 或审计说明。

二、教程价值来自路径和产出

来自 easy-vibe、vibe-vibe、CS146S_CN 的共同启示是：教程不是内容越多越好，而是路径越清楚、 产出越具体、验证越明确越好。

可迁移结论：

• 入门内容应先说明“你会做出什么”，再解释工具和概念。
• 学习路径应按用户身份、目标和阶段组织，而不是只按技术栈组织。
• 每个关键概念最好配 demo、assignment 或最小验证任务。
• 部署上线应进入早期路径，因为交付感会强化学习闭环。

三、资源索引必须治理化

来自 awesome-claude-code、awesome-vibe-coding 和本仓外部资源表的共同启示是：awesome list 只能做雷达，不能直接做采用结论。

可迁移结论：

• 资源必须有结构化主表。
• 资源必须有分类、来源、许可证、状态、最后检查时间和失效原因。
• 资源从发现到采用应经过 raw、analysis、deep-dive、下沉四步。
• 资源展示可以自动生成，但事实字段必须稳定。

四、实践项目是概念的验收层

来自 ai-coding-lab、CS146S_CN 和课程型仓库的共同启示是：没有实践项目，概念会停在认知层； 没有测试和验收，实践会停在演示层。

可迁移结论：

• concepts 负责解释概念。
• workflow 负责执行过程。
• references 负责模板和清单。
• practice 或 examples 负责可运行验证。
• research 负责未稳定的外部对象。

五、Agent 工程会走向任务系统

来自 cline、aider、claude-code-best-practice、CS146S_CN 的共同启示是：当模型能写代码后， 下一层瓶颈会变成任务拆分、上下文分发、状态管理、并行执行、人工审批和结果验收。

可迁移结论：

• 单次提示不是最终形态，任务树和工作流才是长期形态。
• HITL 不是低效，而是高风险节点的责任边界。
• Agent 编排的核心不是“多个 Agent”，而是职责、输入、输出、依赖和验收标准。

研究到应用的转化矩阵

研究来源	用户价值	本仓应用位置	可执行产物
openai/codex	理解 coding agent 控制面	scripts/、skills/、references/	脚本风险分级、沙箱/审批清单、Agent 控制面模板
aider	理解 Git 驱动 AI 修改闭环	workflow/、references/	AI 修改到提交的标准流程、文档 map / repo map 机制
cline	理解多入口 agent 平台	metadata/、llms.txt、skills/	人类入口、AI 入口、脚本入口、skill 入口的入口契约
awesome-claude-code	理解资源治理	assets/external-resources/	资源 schema、生命周期字段、资源校验脚本
claude-code-best-practice	理解方法论资产化	concepts/、workflow/、skills/	方法论分流规则、agent teams 任务编排契约
easy-vibe	理解课程产品化	getting-started/	按用户目标组织的新手学习路径
vibe-vibe	理解零基础路线	getting-started/、workflow/	基础/进阶/实践/持续追踪四层路径
awesome-vibe-coding	发现国际生态	assets/、research/、metadata/	候选资源雷达、关键词候选、P1/P2 研究候选
ai-coding-lab	理解项目矩阵	workflow/、references/、skills/	实践项目模板、Skill 打包和评测模式
CS146S_CN	理解 assignments 验证	getting-started/、workflow/	prompt、tool calling、RAG、MCP、agent workflow 练习
P3 低优先级对象	保留低频雷达	research/、assets/	候选观察、术语补充、按需下沉队列

优先应用清单

P0：研究体系继续稳定

• 保持“一对象一研究域”。
• raw 原始事实层必须可复查。
• 动态事实只进 domain.yml。
• L1 写理解，L2 写源码/结构证据，L3 才迁入稳定文档。

P1：重构用户学习路径

目标位置：docs/getting-started/

应落地产物：

• 用户身份分流：零基础、开发者、创业者、维护者、高阶 Agent 用户。
• 阶段分流：第一个产物、完整交付、质量门禁、Agent 工程、资源治理。
• 每阶段明确产出：能做出什么、如何验证、卡住看哪里。

P1：建立 scripts 控制面

目标位置：scripts/

应落地产物：

• manifest.yml 或等价脚本登记表。
• 脚本风险等级：只读、写仓库、高风险、外部副作用。
• owner、输入、输出、dry-run、CI 状态和审计说明。
• Agent 可自动执行与必须人工确认的边界。

P1：资源治理本地化

目标位置：assets/external-resources/

应落地产物：

• 资源 schema。
• active、stale、archived、removed 等生命周期状态。
• last_checked、license、source、category、risk 字段。
• 资源索引生成和校验流程。

P2：实践项目和 assignments

目标位置：docs/workflow/ 或未来独立实践层。

应落地产物：

• 最小实践项目模板。
• 每个项目包含目标、前置条件、运行命令、验收命令、常见失败。
• prompt、tool calling、RAG、MCP、workflow、HITL 的最小练习。

P2：Skills 工程化

目标位置：skills/

应落地产物：

• Skill 触发条件、输入输出、验证方式。
• Skill 打包说明。
• Skill 评测提示词。
• Skill 归档和替代策略。

用户如何使用这些研究

用户类型	推荐读法	直接收益
零基础用户	先读教程型研究，再走 getting-started	知道从哪里开始、做出什么、如何验证
开发者	先读 Codex、Aider、Cline 深度研究	建立 AI 修改、测试、提交、回滚闭环
仓库维护者	先读资源治理和本仓自研研究	建立资源表、metadata、AI 引用入口和门禁
Agent 高阶用户	先读 control plane、skills、workflow、HITL 相关研究	设计自己的 Agent 工作流和任务系统
内容贡献者	先读研究域治理契约和本地图	知道资料应该进入 research、references 还是 workflow

不应该怎么用

• 不要把 awesome list 当作推荐结论。
• 不要把教程型仓库当作企业级工程规范。
• 不要把官方 agent 源码当作本仓必须复制的实现。
• 不要让 research 无限变厚；成熟结论必须下沉。
• 不要跳过 raw 事实层直接写判断。

下一步执行路线

1. 将本地图作为研究转化入口加入索引和 AI 引用入口。
2. 从 P1 应用清单中选择一个方向落地：学习路径、scripts 控制面或资源治理。
3. 每完成一个下沉方向，回到对应研究域补充 decisions.md 或下游链接。
4. P3 对象已经完成 L2 研究，但只在出现采用需求、生态变化或交叉证据时下沉到稳定层。