1 files changed, 269 insertions, 0 deletions

diff --git a/.agents/skills/research-ideation/references/gap-analysis-guide.md b/.agents/skills/research-ideation/references/gap-analysis-guide.md
new file mode 100644
index 0000000..794847c
--- /dev/null
+++ b/.agents/skills/research-ideation/references/gap-analysis-guide.md
@@ -0,0 +1,269 @@
+# Gap Analysis Guide for Research
+
+## 概述
+
+Gap Analysis（研究空白分析）是识别现有研究中未被充分探索的领域、方法或应用的系统化过程。通过识别这些空白，研究者可以找到有价值的研究机会和创新方向。
+
+## 为什么需要 Gap Analysis
+
+**学术价值**:
+- 确保研究的原创性和新颖性
+- 避免重复已有的研究工作
+- 识别高影响力的研究方向
+
+**实践价值**:
+- 发现理论到实践的转化机会
+- 识别技术改进的空间
+- 找到跨学科合作的可能性
+
+
+## Gap Analysis 的类型
+
+### 1. 文献空白 (Literature Gap)
+
+**定义**: 尚未被充分研究或完全未被研究的主题或问题。
+
+**识别方法**:
+- 系统化文献综述发现研究较少的子领域
+- 分析综述论文中提到的"未来工作"
+- 识别被引用较少但重要的研究方向
+- 发现新兴技术或应用场景
+
+**示例**:
+- "Transformer 在时间序列预测中的应用研究较少"
+- "少样本学习在医疗影像中的研究刚刚起步"
+- "多模态学习在机器人控制中的应用尚未充分探索"
+
+### 2. 方法空白 (Methodological Gap)
+
+**定义**: 现有方法的局限性和改进机会。
+
+**识别方法**:
+- 分析现有方法的优缺点
+- 识别方法在特定场景下的失效情况
+- 发现计算效率或可扩展性问题
+- 识别理论与实践的差距
+
+**示例**:
+- "现有注意力机制在长序列上效率低下"
+- "当前强化学习方法样本效率不足"
+- "现有可解释性方法难以应用于大规模模型"
+
+
+### 3. 应用空白 (Application Gap)
+
+**定义**: 理论到实践的转化机会，或在新场景中的应用潜力。
+
+**识别方法**:
+- 识别理论研究缺乏实际应用验证
+- 发现成功方法在新领域的应用机会
+- 识别工业界需求与学术研究的脱节
+- 发现技术迁移的可能性
+
+**示例**:
+- "自监督学习在工业质检中的应用尚未充分探索"
+- "图神经网络在金融风控中的应用研究较少"
+- "联邦学习在医疗数据隐私保护中的实际部署案例不足"
+
+### 4. 跨学科空白 (Interdisciplinary Gap)
+
+**定义**: 不同领域交叉产生的研究机会。
+
+**识别方法**:
+- 识别不同领域的相似问题
+- 发现方法在跨领域迁移的可能性
+- 识别需要多学科协作的复杂问题
+- 发现新兴交叉领域
+
+**示例**:
+- "认知科学与深度学习的交叉研究"
+- "量子计算与机器学习的结合"
+- "生物学启发的神经网络架构设计"
+
+### 5. 时间空白 (Temporal Gap)
+
+**定义**: 随时间变化产生的新研究需求。
+
+**识别方法**:
+- 识别新技术带来的新问题
+- 发现数据分布随时间变化的影响
+- 识别社会需求变化带来的新挑战
+- 发现技术演进产生的新机会
+
+**示例**:
+- "大语言模型时代的提示工程研究"
+- "后疫情时代的远程协作技术"
+- "隐私法规变化对机器学习的影响"
+
+
+## 分析维度
+
+### 1. 研究主题的覆盖程度
+
+**评估指标**:
+- 相关论文数量和质量
+- 研究的深度和广度
+- 主流会议和期刊的关注度
+- 研究团队的活跃程度
+
+**判断标准**:
+- **充分研究**: >100篇高质量论文，多个活跃团队
+- **适度研究**: 20-100篇论文，有一定关注
+- **研究不足**: <20篇论文，关注度低
+- **未被研究**: 几乎没有相关文献
+
+### 2. 现有方法的优缺点对比
+
+**评估内容**:
+- 方法的理论基础
+- 实验性能表现
+- 计算复杂度
+- 可扩展性和泛化能力
+- 实际应用的可行性
+
+**空白识别**:
+- 所有方法都存在的共同局限
+- 特定场景下的失效情况
+- 理论与实践的差距
+
+
+### 3. 实验设置的完整性
+
+**评估内容**:
+- 实验场景的多样性
+- 基准数据集的覆盖范围
+- 评估指标的全面性
+- 消融实验的充分性
+
+**空白识别**:
+- 缺少特定场景的实验验证
+- 评估指标不够全面
+- 缺少与强基线的对比
+
+### 4. 数据集和基准的可用性
+
+**评估内容**:
+- 公开数据集的数量和质量
+- 标准基准的建立情况
+- 数据集的多样性和代表性
+- 数据标注的质量
+
+**空白识别**:
+- 缺少特定领域的数据集
+- 现有数据集存在偏差或局限
+- 缺少标准化的评估基准
+
+### 5. 理论与实践的差距
+
+**评估内容**:
+- 理论假设与实际情况的匹配度
+- 方法在实际应用中的可行性
+- 理论保证与实验结果的一致性
+- 工业界采用情况
+
+**空白识别**:
+- 理论研究缺乏实际验证
+- 实际问题缺乏理论支持
+- 技术转化存在障碍
+
+
+## 使用方法
+
+### Step 1: 系统化文献综述
+
+- 收集相关领域的代表性论文（20-100篇）
+- 按主题、方法、应用场景分类
+- 识别研究趋势和热点
+
+### Step 2: 构建对比矩阵
+
+创建表格对比现有研究：
+
+| 研究 | 方法 | 数据集 | 性能 | 局限性 |
+|------|------|--------|------|--------|
+| Paper A | Method X | Dataset 1 | 85% | 计算复杂度高 |
+| Paper B | Method Y | Dataset 2 | 82% | 泛化能力弱 |
+
+### Step 3: 识别空白模式
+
+- 所有研究都未涉及的主题
+- 所有方法都存在的共同局限
+- 缺少的实验场景或数据集
+- 理论与实践的脱节
+
+### Step 4: 评估空白的价值
+
+对每个识别的空白评估：
+- **重要性**: 解决这个空白的学术/实践价值
+- **新颖性**: 是否有人正在研究
+- **可行性**: 是否有足够的资源和技术支持
+
+
+## 示例分析
+
+### 示例 1: Transformer 在时间序列预测中的应用
+
+**文献综述发现**:
+- Transformer 在 NLP 领域应用广泛（>1000篇论文）
+- 在计算机视觉中也有大量研究（>500篇论文）
+- 在时间序列预测中的研究较少（<50篇论文）
+
+**识别的空白**:
+- **文献空白**: 时间序列领域的 Transformer 研究不足
+- **方法空白**: 现有方法未充分利用时间序列的特性
+- **应用空白**: 缺少在金融、能源等领域的应用验证
+
+**研究机会**: 设计专门针对时间序列的 Transformer 变体
+
+### 示例 2: 联邦学习的隐私保护
+
+**文献综述发现**:
+- 联邦学习理论研究充分（>200篇论文）
+- 隐私保护机制研究较多（>150篇论文）
+- 实际部署案例较少（<20篇论文）
+
+**识别的空白**:
+- **应用空白**: 理论到实践的转化不足
+- **方法空白**: 现有方法在实际场景中效率低
+- **时间空白**: 新隐私法规带来的新挑战
+
+**研究机会**: 开发高效的隐私保护联邦学习系统
+
+
+## 最佳实践
+
+### 1. 保持客观性
+
+避免为了找空白而找空白。真正的研究空白应该是：
+- 有学术或实践价值的
+- 可行的（有资源和技术支持）
+- 符合研究兴趣的
+
+### 2. 多维度分析
+
+不要只关注一种类型的空白，综合考虑：
+- 文献空白 + 方法空白 = 创新方法
+- 应用空白 + 跨学科空白 = 新应用场景
+- 时间空白 + 文献空白 = 新兴研究方向
+
+### 3. 验证空白的真实性
+
+在确定研究方向前，再次验证：
+- 是否有最新的相关工作（搜索最近3个月的论文）
+- 是否有人正在研究（检查 arXiv 预印本）
+- 是否有技术或数据限制
+
+### 4. 记录分析过程
+
+将 Gap Analysis 的结果记录下来：
+- 识别的空白列表
+- 每个空白的评估（重要性、新颖性、可行性）
+- 选择的研究方向和理由
+
+### 5. 与导师和同行讨论
+
+Gap Analysis 的结果应该与导师、同事讨论：
+- 验证空白的真实性和价值
+- 获得不同角度的反馈
+- 避免主观偏见
+