1 files changed, 162 insertions, 0 deletions
diff --git a/.agents/skills/research-ideation/references/5w1h-framework.md b/.agents/skills/research-ideation/references/5w1h-framework.md
new file mode 100644
index 0000000..d584134
--- /dev/null
+++ b/.agents/skills/research-ideation/references/5w1h-framework.md
@@ -0,0 +1,162 @@
+# 5W1H Framework for Research Ideation
+
+## 概述
+
+5W1H 框架是一个系统化的思维工具，帮助研究者从多个维度构思和评估研究想法。通过回答6个关键问题，可以快速建立对研究主题的全面理解。
+
+## 框架组成
+
+### What (什么)
+
+**核心问题**: 研究什么问题或现象？
+
+**思考维度**:
+- 具体的研究对象是什么
+- 要解决的核心问题是什么
+- 研究的范围和边界在哪里
+- 预期的研究成果是什么
+
+**示例**:
+- "研究 Transformer 模型的可解释性"
+- "探索少样本学习在医疗图像分析中的应用"
+- "分析强化学习中的样本效率问题"
+
+
+### Why (为什么)
+
+**核心问题**: 为什么这个问题重要？
+
+**思考维度**:
+- 这个问题的学术价值是什么
+- 解决这个问题有什么实际意义
+- 当前研究的局限性是什么
+- 为什么现在是研究这个问题的好时机
+
+**评估标准**:
+- **学术重要性**: 是否推动领域发展
+- **实际影响**: 是否解决真实问题
+- **时效性**: 是否符合当前研究趋势
+- **可行性**: 是否有足够的资源和技术支持
+
+### Who (谁)
+
+**核心问题**: 目标受众和利益相关者是谁？
+
+**思考维度**:
+- 谁会关心这个研究
+- 谁会使用研究成果
+- 谁会从中受益
+- 需要与谁合作
+
+**利益相关者分类**:
+- **学术界**: 同领域研究者、审稿人、引用者
+- **工业界**: 产品团队、工程师、决策者
+- **用户**: 最终使用者、受影响群体
+- **合作者**: 导师、同事、跨学科专家
+
+### When (何时)
+
+**核心问题**: 研究的时间范围和背景是什么？
+
+**思考维度**:
+- 研究的时间跨度是多久
+- 何时是最佳的研究时机
+- 相关技术和数据何时可用
+- 预期何时产出成果
+
+**时间规划**:
+- **短期** (3-6个月): 初步探索、文献综述、方法验证
+- **中期** (6-12个月): 完整实验、论文撰写、投稿
+- **长期** (1-2年): 系统研究、多篇论文、理论贡献
+
+
+### Where (何处)
+
+**核心问题**: 研究的应用场景和领域是什么？
+
+**思考维度**:
+- 研究应用在哪些具体场景
+- 在哪些领域或行业有价值
+- 地理或文化背景是否重要
+- 实验在哪里进行
+
+**应用场景分类**:
+- **学术场景**: 理论验证、方法比较、基准测试
+- **工业场景**: 产品开发、系统优化、问题诊断
+- **社会场景**: 政策制定、公共服务、社会影响
+- **跨领域**: 多学科交叉、技术迁移
+
+### How (如何)
+
+**核心问题**: 初步的研究方法思路是什么？
+
+**思考维度**:
+- 采用什么研究方法或技术路线
+- 需要什么数据和资源
+- 如何验证研究假设
+- 预期的技术挑战是什么
+
+**方法类型**:
+- **理论研究**: 数学证明、理论分析、模型推导
+- **实验研究**: 算法设计、实验验证、性能评估
+- **应用研究**: 系统开发、案例研究、用户测试
+- **综合研究**: 文献综述、元分析、系统评价
+
+
+## 使用示例
+
+### 示例 1: Transformer 可解释性研究
+
+**What**: 研究 Transformer 模型的注意力机制可解释性
+**Why**: 提高模型透明度，增强用户信任，满足监管要求
+**Who**: NLP 研究者、模型开发者、监管机构
+**When**: 6-12个月，当前 Transformer 广泛应用但缺乏解释
+**Where**: 文本分类、机器翻译、问答系统等 NLP 任务
+**How**: 设计可视化工具，分析注意力权重，进行消融实验
+
+### 示例 2: 少样本学习在医疗影像中的应用
+
+**What**: 探索少样本学习方法在医疗图像诊断中的有效性
+**Why**: 医疗数据标注成本高，少样本学习可降低数据需求
+**Who**: 医疗 AI 研究者、放射科医生、医院
+**When**: 12-18个月，随着少样本学习技术成熟
+**Where**: X光片、CT扫描、MRI 等医疗影像诊断
+**How**: 元学习、迁移学习、数据增强，在真实医疗数据集上验证
+
+
+## 最佳实践
+
+### 1. 迭代式思考
+
+不要期望一次性回答所有问题。先快速过一遍6个问题，然后反复迭代细化。
+
+### 2. 优先级排序
+
+根据研究阶段调整关注重点：
+- **早期**: 重点关注 What, Why, Who
+- **中期**: 重点关注 How, When, Where
+- **后期**: 全面审视所有维度
+
+### 3. 团队协作
+
+与导师、同事讨论 5W1H 问题，获得多角度反馈。
+
+### 4. 文档记录
+
+将 5W1H 分析结果记录下来，作为研究提案的基础。
+
+## 与 superpowers:brainstorming 集成
+
+可以调用 `superpowers:brainstorming` skill 进行交互式头脑风暴：
+
+**使用场景**:
+- 需要快速生成多个研究想法
+- 需要评估想法的可行性
+- 需要团队协作式讨论
+
+**集成方式**:
+1. 使用 5W1H 框架初步构思想法
+2. 调用 superpowers:brainstorming 进行深入探索
+3. 将头脑风暴结果整理回 5W1H 框架
+4. 形成结构化的研究提案
+