Hello，我是Niko。16年程序员老兵，专注分享 AI编程实战经验、宝藏工具资源、前沿技术动态。不玩套路，多讲干货。
最近我发现了一个 1.1 万 star 的 AI Skill 仓库 khazix-skills，里面有 4 个 Skill。
我重点试了其中的 hv-analysis（横纵分析法），8 分钟跑出了一份 1.5 万字的研究报告，质量超出预期。下面具体说说。
先说这个仓库是什么
khazix-skills 是卡兹克（数字生命卡兹克）开源的 AI Skill 合集，目前包含 4 个 Skill：
兼容 Claude Code、Codex、OpenCode、OpenClaw 等主流 Agent 环境。MIT 协议开源。
安装方式很简单，跟你的 Agent 说一句：
帮我安装这个 skill：https://github.com/KKKKhazix/khazix-skills/tree/main/hv-analysisAgent 会自动下载文件到 .claude/skills/ 目录，装完就能用。
为什么这个 Skill 仓库能拿 1.1 万 star
我觉得核心原因是三个字：方法论。
卡兹克在他公众号文章里讲了横纵分析法的来源：
这个方法其实脱胎于社会科学和语言学的一些经典研究视角。语言学里面有一个非常经典的分析维度，是索绪尔提出来的，叫历时分析和共时分析。
说白了就是两条轴：
• 纵轴：沿时间线还原一个东西从诞生到现在的完整故事 • 横轴：在当下这个时间点，跟同赛道的竞品放在一起比
然后把两条轴交叉起来看，得出单独看任何一条轴都看不到的判断。
这不是什么新发明。但把它封装成一个可执行的 Skill，让 AI Agent 按这个框架自动跑研究，这件事做得好的人不多。
大部分人做 Skill 的思路是"让 AI 帮我做某件事"。卡兹克的思路不一样，他是把自己做研究的方法论教给 AI。前者你得到一个工具，后者你完成了一次能力迁移。
实测：8 分钟生成一份 1.5 万字的 PDF 研究报告
我想研究的主题是"图片提示词设计"——从 DALL-E 到 GPT-image-2，这几年到底发生了什么变化，各种流派之间是什么关系。
按以前的做法，我得搜一圈中英文资料，整理成笔记，再形成自己的判断。保守估计半天时间。
这次我直接跟 Claude Code 说了一句"帮我研究一下图片提示词的设计"，再丢了三条参考推文进去。
Skill 启动后做了这几件事。
先是获取参考素材。它用 web-access 打开了三条推文，提取了完整内容。这三条推文分别来自 Adrian Punk（黑白极简封面提示词框架）、小小东（字体美学视觉化）、Larus Canus（GPT-image-2 的 13 个实操案例）。
然后启动并行研究。它同时派出了两个子 Agent：
• 一个负责纵向研究：追踪图片提示词从 2021 年到 2026 年的演进历程 • 一个负责横向研究：对比当前各流派的方法论差异
两个 Agent 各自联网搜索、整理信息，互不干扰。
跑完之后，主 Agent 把所有素材整合成一份完整的报告，按"纵向分析 → 横向分析 → 横纵交汇洞察"的结构输出。最后调用内置的 md_to_pdf.py 脚本，把 Markdown 转成排版好的 PDF，所有产物有三种格式。
全程 8 分钟，产出 600KB 的 PDF，约 1.5 万字。纵向从 2021 年 DALL-E 1 追溯到 2026 年 GPT-image-2，横向对比了五个流派的方法论差异，最后交叉出了自己的判断。
说实话，质量比我预期高不少。不是那种干巴巴的信息堆砌，读下来有叙事节奏，有观点立场，因果链条也理得清楚。
产出质量怎么样
说几个让我觉得"这不像是 AI 随便搜搜就能写出来"的点。
纵向线有因果逻辑，不是流水账。它不只是列了"2022年3月 Midjourney 上线、8月 SD 开源、10月 NovelAI 泄露"这些事件，而是解释了为什么这三件事同时发生会导致"咒语时代"的爆发。Midjourney 选 Discord 创造了公开提示词文化，SD 开源降低了门槛，NovelAI 泄露推动了标签式提示词在中文社区的传播。三件事各自的因果都交代清楚了。
横向对比有结构，不是功能罗列。它把当前的提示词方法论分成了五个流派：关键词堆叠、自然语言描述、结构化框架、视觉隐喻、极简意图。每个流派都说清了阵地在哪、典型写法长什么样、为什么有效、局限是什么、适合谁用。
交汇洞察有判断。最后的结论不是"各有优劣"这种废话，而是给出了一个明确的趋势判断：
提示词从「给机器的指令」变成了「人类审美判断的表达」。
并且用三条推文的作者做了一个"人机分工光谱"的类比：Adrian Punk 是人做所有决策、AI 执行；小小东是人定义方法论、AI 在框架内自主决策；Larus Canus 是人只给方向、AI 做所有决策。
这种跨素材的综合判断，是我觉得这个 Skill 真正有价值的地方。不是搜索结果的拼接，是真的在做分析。
跟 ChatGPT Deep Research 比怎么样
卡兹克自己在文章里也提到了，横纵分析法有 Prompt 版本和 Skill 版本。Prompt 版本可以直接丢给 ChatGPT Deep Research、Claude 深度研究、豆包专家模式等工具用。
我对比了一下两种用法的差异：
Skill 版本快在哪？它能调用 web-access 的 CDP 能力直接打开网页提取内容（包括需要登录态的页面），能并行派子 Agent 加速研究，最后还能自动生成排版好的 PDF。
Prompt 版本赢在零安装成本，任何 AI 都能用。
如果你日常用 Claude Code 或 Codex，装 Skill 版本体验更好。如果你只是偶尔想研究个东西，Prompt 版本复制粘贴就行。
顺便聊聊仓库里的其他 Skill
虽然 hv-analysis 是我这次重点实测的，但另外三个 Skill 也值得提一嘴。
khazix-writer（卡兹克写作） — 这个 Skill 我自己也在用它的思路。卡兹克在 4 月 7 号的公众号文章里详细讲了他怎么迭代这个 Skill 的：
第一步，扔两三篇有代表性的文章进去总结风格。第二步，让 AI 按 Skill 写一篇。第三步，自己动手改。第四步，把 AI 版本和自己改的版本同时丢回去，让 AI 分析差异，迭代回 Skill。重复 3-4 轮。
这个迭代方法比"把文章丢给 AI 总结风格"靠谱得多。AI 总结出来的是它认为的你的风格，跟你实际的风格之间有 gap。只有通过"写→改→对比→迭代"的循环才能磨平。
里面还有一套四层自检体系：硬性规则扫描 → 风格一致性 → 内容质量 → 活人感终审。最后一层最主观也最重要：读完这篇文章，你觉得是一个有见识的人在跟你聊天，还是 AI 在输出信息？
neat-freak（洁癖） — 解决的是"代码改了但文档没跟上"的问题。任务完成后跑一下 /neat，它会自动同步 CLAUDE.md、README、Agent 记忆三个层面的内容。经常用 Agent 写代码的人应该有感触，文档和记忆的"脑腐"是真实存在的。
aihot（AI HOT 资讯） — 每日 AI 新闻摘要查询，支持按日期、分类、关键词筛选。不需要 API key，跨平台兼容。适合每天花两分钟扫一眼 AI 圈发生了什么。
不足和提醒
报告质量依赖模型能力。hv-analysis 在 Claude Opus 4.7 上跑效果很好，换能力弱一些的模型，产出质量会明显下降。卡兹克自己也说了，用支持深度研究的工具效果比普通联网搜索好很多。
信息准确性需要自己验证。AI 生成的报告不能直接当结论用。卡兹克的原话是：
它更像是一个你对这个领域研究的起点，帮你快速建立地图，然后你再根据这个地图去做更深入的探索。
我自己的做法也是这样：先通读一遍建立框架，然后针对有疑问的点再深入搜资料。
Skill 版本目前主要在 Claude Code / Codex 等 Agent 环境下使用。如果你不用这些工具，可以先试 Prompt 版本。
还有一个小坑：PDF 生成依赖 weasyprint 和 markdown 两个 Python 包。我第一次跑的时候遇到了 SSL 证书问题，加了 --trusted-host 参数才装上。
一句话总结
如果你经常需要快速了解一个陌生领域，不管是调研竞品、研究新技术、还是单纯满足好奇心，hv-analysis 能帮你在 10 分钟内建立一个相当完整的认知框架。
卡兹克在文章结尾说了一句我很认同的话：
这个时代做研究，真正稀缺的不再是信息，而是你对这个世界有多好奇。
工具能帮你加速找答案，但问什么问题、从什么角度看，还是得你自己定。
参考资料：
• khazix-skills GitHub 仓库[1] • 分享一个我用了2年的深度研究Prompt，半小时帮你搞懂任何陌生领域（数字生命卡兹克，2026-04-13） • 今天，我决定把「卡兹克风格创作.skill」开源了（数字生命卡兹克，2026-04-07）
引用链接
[1] khazix-skills GitHub 仓库: https://github.com/KKKKhazix/khazix-skills
