最近在做一个战略规划咨询项目。30多万字的素材，包括高管访谈记录、行业分析报告、企业经营数据、母公司规划文件……一个人要在有限时间内将它们消化、交叉比对、形成有依据的战略判断。
项目初期，我尝试了几种AI辅助方式。用飞书妙记做访谈转写和自动摘要，解决了基础记录的问题，但摘要是信息压缩，不是分析。它不能告诉你三位高管的观点在哪里一致、在哪里分歧。用Gemini Deep Research做行业研究，能搜集信息但产出更接近智能搜索——它不会主动套用波特五力、价值链分析、TAM-SAM-SOM这些分析框架，产出的是行业信息汇编而非基于框架的行业诊断。
在与AI配合的过程中，我所面临的问题和局限也逐渐显现。AI的产出质量不取决于它的智能水平，而取决于你赋予它什么样的工作方法。告诉AI做什么和给AI一套做事的方法论，是完全不同的两件事。而我，似乎还没有找到合适的方法论。
带着这个觉知，我开始使用Claude Code CLI。它与常规AI对话工具的根本区别在于：它是一个可配置的AI工作环境，核心架构包含MCP（外部工具接入）、Hook（自动化钩子）和Skill（方法论技能包）。其中Skill的意义最大——你可以给AI直接安装经过编码的专业方法论，让它按框架工作，而不是依赖每次对话中的提示词质量。
这彻底改变了我的工作方式。以下是完整的方法论复盘。
一、能力放大器：Find****Skill与方法论技能生态
我给我的Claude Code预装了一个叫 find-skills 的技能，功能是在一个开放的技能生态系统中搜索和发现可用的方法论包。
我做的第一件关键的事是向AI提出一个元问题——如果我要做好这个战略规划咨询项目，还需要具备哪些专业能力？你能帮我找到对应的方法论技能吗？
AI通过 find-skills 搜索了技能生态，找到了一系列适用于咨询场景的方法论技能。经过逐一评估适用性，我在整个项目中共使用了13个技能。
但有一条重要原则：方法论技能必须按需加载，而非一次性全部安装。原因有三：
1. 过多的方法论指令会让AI行为教条化——它会试图在每个分析中套用所有框架，失去针对性
2. 项目的不同阶段需要不同能力类型——研究阶段需要信息搜集能力，诊断阶段需要分析框架，构建阶段需要战略设计能力
3. 只有推进到某个阶段，才能准确判断下一步需要什么技能
最终的技能安装节奏如下：
阶段一（信息补全）4个研究类技能：
├── deep-research-agent 深度研究任务模板
├── market-research-reports 市场研究报告框架
├── market-analysis-patterns 波特五力/价值链等分析模式
└── business-strategy 竞争战略分析框架
│
▼ 阶段一完成后
阶段二（诊断分析）4个分析类技能：
├── swot-pestle-analysis SWOT/PESTLE标准化框架
├── strategic-planning 战略规划评估标准
├── ceo-advisor CEO视角决策建议
└── business-analyst 数据分析和推理方法
│
▼ 阶段二完成、方向变更后
阶段三（全新构建）3个战略类技能：
├── positioning-canvas Where to Play/How to Win
├── mckinsey-consultant MECE/金字塔原理/假说驱动
└── gap-analysis 结构化差距测量方法
这些技能的本质需要说明。
以 mckinsey-consultant 为例。它不是计算器或数据库，而是一组系统指令，告诉AI在做分析时遵循MECE原则（相互独立、完全穷尽），写报告时用金字塔原理（结论先行、以上统下），推理时用假说驱动法（先提假说、再找证据验证或推翻）。
每个Skill本质上是将一种专业方法论的思维方式编码为AI可执行的指令。安装 mckinsey-consultant 后，AI会自动按MECE原则拆解问题，无需在每次对话中重复提醒。
这和之前用Deep Research的体验形成了根本性对比。之前是我的提示词能力决定AI的产出质量，现在是加载的方法论框架决定AI的工作方式。
能力的天花板不再是我的提示词水平，而是我选择加载哪些方法论。
**二、三阶段方法论全景**
整个项目经历了三个阶段。这三个阶段不是事先规划好的，而是在推进过程中逐步成型的——方法论本身也在与客户的互动中演进。
**三阶段演进**
```javascript
阶段一：信息补全
"我们不知道的东西是什么？"
│
▼ 行业研究完成后发现底层假设被推翻
阶段二：诊断分析
"现有规划的问题出在哪？"
│
▼ 诊断完成后客户决定推翻重来
阶段三：全新构建
"我们要提出什么新方案？"
两次阶段转换的触发条件值得关注：
阶段一→二：行业研究完成后，发现客户所在行业出现了历史性拐点，现有规划的全部增长假设失效。从补充信息自然过渡到系统性诊断。
阶段二→三：诊断清单完成后，我看到30个章节中25个需要修改的结论，做出了关键决定——不再修补旧版，从零开始编制新规划。从诊断旧方案彻底转向构建新方案。
两个转折点都非预设，第一个来自数据发现，第二个来自人的决策。
好的咨询方法论不是线性计划，而是一个有明确决策点的响应式框架。
---
**阶段一：信息补全——差距驱动的并行研究**
差距分析而非从零研究
进入研究阶段后的第一个动作，让AI通读客户已有的20万字行业报告，回答一个问题：这份报告缺了什么？
这是差距分析的思维方式——先有基线，再找缺口，效率远高于从零开始。
AI通读全文后，识别出六个关键信息缺口：竞争对手深度画像、细分市场客户研究、成功企业案例对标、供应链与产业链分析、政策趋势更新、最新年度行业数据。
并行Agent架构
六个研究方向相互独立，不存在依赖关系。Claude Code的Task工具允许同时启动多个子Agent，我一次性启动了六个研究Agent并行工作。
每个Agent的任务描述包含四个要素：
```javascript
单个研究Agent的任务设计 ────────────────────────────
- 明确的研究问题 ✗ "研究一下竞争对手" ✓ "找到这8家上市企业的最新营收、 净利率、业务结构和战略方向"
- 数据来源指引 优先国家统计局、上市公司年报、 券商研究报告等权威来源
- 输出格式要求 Markdown表格、带来源编号标注、 数据截止日期标注
- 与客户的关联分析 "这个发现对客户的战略选择 意味着什么？"
第四点是关键设计。如果只要求AI搜集数据，产出就只是数据。加上对客户意味着什么"的要求，AI会在数据之上多做一步分析，产出从信息汇编升级为有判断的分析。
质量控制体系
并行研究的风险是质量参差不齐。四项控制措施：
1. **来源标注制度**：每个数据点标注来源编号，最终主报告包含89个参考文献链接
2. **交叉验证**：同一数据在不同子报告中出现时，检查一致性
3. **主报告整合**：6份子报告完成后，另启一个Agent通读全部子报告，提取核心发现，写成含执行摘要的整合报告
4. **人工审核**：客户对关键数据和结论进行确认，发现问题则修正
六个Agent产出6份子报告合计约22万字，加1份整合主报告。
关键发现
这一阶段最重要的产出不是某个具体数字，而是几个改变了整个规划底层假设的发现：
-
客户所在行业在上一年度出现了有史以来的首次负增长——现有规划中所有基于"行业持续增长"的假设全部失效
-
有企业通过精品路线做到了远超行业平均水平的利润率——"做精做专"有实证支持
-
多家追求规模扩张的企业反而陷入困境——规模不等于安全
这些发现直接触发了从阶段一到阶段二的转换。
阶段二：诊断分析——从数据到洞察
事实基座构建
诊断阶段的第一步是建立事实基座。先有事实，再做判断。三项基础工作：
经营趋势分析：客户过去五年的经营数据拉出趋势线，不看绝对值，看方向。结果发现：表面收入在增长，但拆分业务结构后，核心自营业务实际在萎缩，增长主要靠一项占比越来越大的合作类业务支撑。公司看似在增长，核心能力实际在退化。
高管共识矩阵：这是我在访谈素材处理上的方法论设计。三位高管的访谈合计9万字，让AI全量阅读后不做简单摘要，而是做分类提取：
高管共识矩阵 ──────────────────────────── 三人一致 → 列为"硬约束" （规划必须尊重的底线） 两人一致 → 列为"强倾向" （规划应该考虑的方向） 三人分歧 → 列为"待决策项" （需要管理层拍板的选择）
这个矩阵的价值在于后续任何战略设计都可以对照检查，是否触碰了硬约束，是否回应了强倾向，是否明确处理了分歧项。决策有据可依，而非猜测管理层意图。
偏离度量化：将现有规划中的各项目标值与过去五年实际达成值逐项对比。不做定性判断，用数字说话——偏离多少、方向是否正确、趋势是否支持。
SWOT/PESTLE深度刷新
使用 swot-pestle-analysis 技能。SWOT谁都会画，关键不在于框架本身，而在于用什么数据填充框架，将阶段一的全部研究成果加上事实基座的数据一次性输入，设定四个要求：
-
每一条必须有具体数据支撑，不允许泛泛而谈
-
每个象限从常规4条扩展到8-10条
-
标注每条的来源报告和数据依据
-
每条附加"对客户的具体含义"
产出：包含34项要素的SWOT矩阵加6维度29项要素的PESTLE分析，每一条可追溯到具体数据来源。这和大多数咨询报告中"笼统写几条优劣势"的SWOT在信息密度上有本质区别。
逐章诊断
这一步工作量最大。让AI对客户现有规划全文（约5万字）逐章逐节做诊断，使用 strategic-planning 和 ceo-advisor 两个技能提供评估标准和决策视角。
每一节给出三种判断之一：
诊断标准 ──────────────────────────── ✓ 保留 逻辑合理、数据可靠、与新事实不矛盾 ⚠ 需修订 方向对但数据过时或表述有问题 ✗ 需重写 存在根本性问题（假设错误、数据虚高、 回避核心矛盾）
结果：30个章节中，✓保留5个、⚠需修订17个、✗需重写8个。
关键转折点
这份诊断清单成为整个项目的转折点。
我看完这份清单后，做出了一个改变项目走向的决定，大意是不是要在原来的规划上改数据改指标，而是需要提出自己的新想法和理念。
现有规划从工作底稿降级为参考文件。项目性质从修订变为全新编制。这个决定之所以能做出来，正是因为前两个阶段的工作足够充分。30个章节逐一诊断、每个问题有数据支撑——诊断的充分度给了我做出这个决定的依据。
阶段三：全新构建——五步法
技能缺口审计
方向变了，方法必须重新设计。首先做技能清单审计：现有技能能否支撑全新编制？结论是——研究类和分析类够用，缺少战略设计类。
通过FindSkill搜索并安装了三个新技能：
- positioning-canvas：提供Roger Martin的"Where to Play / How to Win"战略选择级联框架。将"做精做专"从模糊口号转化为可执行的战略选择路径
- mckinsey-consultant：提供MECE分解、假说驱动分析和金字塔原理写作方法。确保新规划论证结构逻辑严密
- gap-analysis：提供"当前状态→目标状态"的结构化差距测量方法。量化需要弥补的能力缺口
五步法设计
五步法不是预先设计的，而是在技能审计完成后，根据工具能力与项目需求的交叉点自然形成：
五步法：从定位到落地 ──────────────────────────── 步骤1：战略定位论证 "在哪竞争？怎么赢？" 使用 positioning-canvas + mckinsey-consultant │ ▼ 客户确认赛道和路径后 步骤2：能力差距分析 "现在能力够不够？差在哪？" 使用 gap-analysis │ ▼ 客户确认建设优先级后 步骤3：财务测算模型 "能赚多少？钱从哪来？" 自下而上的SOM测算法 │ ▼ 客户确认财务目标后 步骤4：实施路线图 "每年具体做什么？" 使用 strategic-planning │ ▼ 客户确认节奏后 步骤5：完整规划文档 整合1-4步成果 使用 document-writing + mckinsey-consultant
四个设计原则：
第一，每一步有明确决策点。AI不会一口气做完五步。每步完成后暂停，等客户确认后再继续。战略规划的选择权必须在人手中。AI可以把三条路和各自的利弊数据摆出来，但走哪条路只能由了解企业的人来定。
第二，步骤间存在严格依赖。步骤2不可能在步骤1的赛道选择确认前开始，因为需要什么能力取决于选了什么赛道。
第三，每步对应独立交付物文件。便于客户逐步审阅、随时修改、分头汇报。
第四，财务方法论的根本转变，从自上而下到自下而上。旧方法是先定宏大目标再倒推增长率。新方法是先算每个细分市场可获取的份额再加总。每个数字都有推导来源。
四重并行审查
文档整合后，启动四个审查Agent做最终质量检查：
四重并行审查 ──────────────────────────── Agent 1：财务一致性审查 文档中所有数字是否前后一致？ Agent 2：可行性审查 目标 vs 历史实绩 vs 行业趋势， 是否合理？ Agent 3：逻辑连贯性审查 论证是否存在跳跃或矛盾？ Agent 4：高管共识对照审查 是否触碰了硬约束？ 是否回应了分歧项？
四个Agent同时工作、互不影响，各自产出独立审查报告。每个Agent只关注一个维度，比一个人从头到尾检查要系统得多。
三、项目管理：单一真相来源
AI对话有上下文长度限制。当对话内容过多时，早期信息会被压缩或遗忘。如果方法论和决策只存在于对话中，会随对话增长逐渐丢失。
解决方案是创建 PROJECT_PLAN.md 文件作为项目的单一真相来源。每次新对话开始时，AI第一个动作就是读取这个文件，确认进度和下一步。
文件包含：
- 当前状态：一句话说明项目进度
- 核心原则：任务定义、关键规则，防止偏离主线
- 决策记录表：客户做过的每个决策有案可查
- 每步详细方法：使用什么技能、读取什么文件、输出什么、什么时候暂停
- 交付物清单：最终要交付的全部文件
将规则和进度写入文件而非依赖对话记忆，是AI项目管理中看似简单但至关重要的做法。
七、人机协作的边界与价值
实际形成的协作模式 ──────────────────────────── 人 → 做访谈、提问题、做选择、把关质量 ↕ AI → 搜数据、跑分析、做对比、写文档 ↕ 到决策点暂停 人 → 审核、做决策、给出新方向 ↕ AI → 按新方向继续下一步
AI擅长的领域：大规模文本的全量处理与交叉比对、多任务并行研究、结构化报告生成、长文档一致性检查、方法论框架的即时切换。
必须由人完成的工作：战略选择本身、高管访谈中言外之意的把握、价值判断（某项业务占比是否合理取决于对企业定位的理解）、向客户呈现结论的节奏与方式。
分工的本质是信息处理和结构化分析归AI，判断和选择归人。
回看整个项目，传统咨询有一个很少被提及的现实：受限于时间和人力，分析师往往只能选择性阅读素材。你看了1000页中的300页，然后基于这300页做判断。
这次AI把剩下的700页也看了。6个方向的补充研究也做了。9万字的高管访谈也全量分析了。当所有信息都被消化之后，每一个战略判断背后都站着更完整的事实基础。
从飞书妙记的转写，到Deep Research的搜索式分析，再到Claude Code加载方法论技能后的框架式分析——这三步工具演进对应的是三种不同的AI使用深度。第一种是让AI做基础工作；第二种是让AI做信息搜集；第三种是给AI赋予专业方法论，让它按框架做分析。第三种和前两种之间的差距，不是量的差别，是质的差别。
而这套方法论的核心框架——差距驱动的信息补全→基于事实的系统诊断→有决策点的全新构建——可以迁移到任何行业的战略规划咨询中。需要替换的是研究主题、分析维度和技能包选择。不变的是：差距分析的思维方式、并行Agent加速信息搜集、决策点暂停的人机协作模式、以及自下而上的目标设定方法。
AI正在改变咨询的工作方式，但没有改变咨询的本质——帮客户在不确定中做出有依据的选择。AI改变的是到达这个选择之前的路径，让信息更充分，分析更系统，推演更有据可依。让一个人能够交付以前需要一个团队才能完成的工作。
而最终让一份规划从文件变成行动的，仍然是人对业务的理解、对组织的洞察、和对选择的承担。
如果你的企业正在做战略规划或方向梳理，欢迎交流。