如何快速上手Chokepoint Atlas从一句话主题到结构化研究包的完整教程【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlasChokepoint Atlas 是一款免费的开源 AI 供应链“卡脖子”研究工具能把一句话主题变成带证据链的结构化研究包。它用供应链瓶颈思维拆解 AI 算力、先进封装、供电液冷等方向找出最可能“堵车”的环节最后产出一整套可复用的研究交付物。本教程带你在 10 分钟内从克隆项目到跑出第一个研究包。30秒看懂Chokepoint Atlas 能做什么一句话概括它的核心思路不问“哪只票会涨”而是问“如果需求翻倍产业链哪一层会先卡住”整条流水线分 5 层层级做什么典型产出① 原始输入层主题输入 / 单条 thesis / 多条 lane / 原始材料一句话“HBM 测试与先进封装”② 结构化抽取层证据分层、来源置信度、证据链Confirmed / Inferred / Weak 标签③ 研究包生成层一键生成研究交付物quick_scan.md、graph_mermaid.md④ 比较与优先级层多条研究线横向比较lane_ranking.json⑤ 输出与应用层研究 memo、图谱可视化、事件 watchlistcatalyst_watch.md它和普通“问 AI 买什么”最大的区别不先甩股票清单而是按定系统 → 拆栈 → 找瓶颈 → 拉证据 → 先给方向、再给公司的顺序推进。它不是替你拍脑袋而是帮你把研究流程做扎实。快速上手克隆项目并运行第一个研究包第一步克隆仓库git clone https://gitcode.com/gh_mirrors/ch/chokepoint-atlas.git第二步运行单线研究包脚本项目自带现成示例输入examples/ai_factory_lane_input.jsonNVIDIA DSX AI FactoryHBM 测试与先进封装方向直接跑python scripts/build_research_pack.py --input examples/ai_factory_lane_input.json --output output/打开output/目录第一个研究包就出生了。✅ 仅依赖 Python 标准库无需安装任何第三方包。项目提供 3 个入口按需选择使用场景脚本示例输入已知道研究线直接出研究包scripts/build_research_pack.pyexamples/ai_factory_lane_input.json没想好先研究哪条线横向比较排优先级scripts/compare_lanes.pyexamples/lane_compare_input.json手上已有财报/新闻/研报材料直接整理成研究包scripts/run_source_pipeline.pyexamples/source_bundle_input.json研究包怎么读12 个产出文件的作用单条研究线最终会落成一组结构化文件新手按这个顺序读最高效quick_scan.md—— 1 分钟速览核心结论、瓶颈、风险提示evidence_memo.md—— 证据备忘录每条判断的依据evidence_trace.md/evidence_trace.json—— 证据溯源这句结论从哪来graph.json/graph_mermaid.md—— 供应链图谱可渲染成关系图scorecard.json—— 评分卡约束、证据、共识、错价、催化剂 5 个维度打分catalyst_watch.md—— 催化剂 watchlist接下来盯什么事件validation_report.json—— 输入校验报告从原始材料到研究包一键流水线用法如果你手里已经有一堆材料财报电话会、新闻、研报摘要不想手动整理用流水线入口python scripts/run_source_pipeline.py --input examples/source_bundle_input.json --output output/它分两层输出01_draft/先从原始材料里抽取 evidence、signal、quote 原句并给每个来源打置信度、补链接理由02_final_pack/接着生成最终研究包上面那 12 个文件如果只想要第一步的“抽取草稿”也可以单独跑scripts/extract_sources_to_pack.py。写好输入让研究包更扎实的 4 个要点输入 JSON 由 7 大板块组成meta、thesis、stack_layers、bottlenecks、evidence、companies、catalysts可对照examples/ai_factory_lane_input.json学习。新手容易忽略的 4 点写清“什么会打破论点”thesis_breaker和weakest_assumption是必填项强制你自证弱点证据分级每条证据标 A/B/C/D 档自动映射为 Confirmed / Inferred / Weak / Needs verification规则见references/evidence-ladder.md评分是 1-5 分5 个维度constraint / evidence / consensus / mispricing / catalyst打分不是精确值别过度解读小数栈拆成 6-9 层从最终需求一路拆到材料层每层都要能回答“谁在这里拿钱、瓶颈是什么”参考文档速查清单想解决的问题看哪个文件完整中文产品说明docs/PRODUCT_CN.md英文版介绍docs/PRODUCT_EN.md研究流程主规则skill 定义SKILL.md完整使用手册references/product-manual.md证据分级标准references/evidence-ladder.md图谱结构规范references/graph-schema.md研究线/公司评分框架references/scoring-framework.md催化剂监控模板references/catalyst-watch.md输出格式模板references/output-formats-v2.md总结Chokepoint Atlas 不是一个“给我几个代码”的工具而是一条把热门叙事翻译成供应链研究的流水线从一句话主题出发拆栈、找瓶颈、拉证据最后产出一套可溯源、可比较、可持续跟踪的结构化研究包。克隆项目、跑通示例、再换成你自己的主题——这就是完整上手路径。【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlas创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何快速上手Chokepoint Atlas从一句话主题到结构化研究包的完整教程【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlasChokepoint Atlas 是一款免费的开源 AI 供应链“卡脖子”研究工具能把一句话主题变成带证据链的结构化研究包。它用供应链瓶颈思维拆解 AI 算力、先进封装、供电液冷等方向找出最可能“堵车”的环节最后产出一整套可复用的研究交付物。本教程带你在 10 分钟内从克隆项目到跑出第一个研究包。30秒看懂Chokepoint Atlas 能做什么一句话概括它的核心思路不问“哪只票会涨”而是问“如果需求翻倍产业链哪一层会先卡住”整条流水线分 5 层层级做什么典型产出① 原始输入层主题输入 / 单条 thesis / 多条 lane / 原始材料一句话“HBM 测试与先进封装”② 结构化抽取层证据分层、来源置信度、证据链Confirmed / Inferred / Weak 标签③ 研究包生成层一键生成研究交付物quick_scan.md、graph_mermaid.md④ 比较与优先级层多条研究线横向比较lane_ranking.json⑤ 输出与应用层研究 memo、图谱可视化、事件 watchlistcatalyst_watch.md它和普通“问 AI 买什么”最大的区别不先甩股票清单而是按定系统 → 拆栈 → 找瓶颈 → 拉证据 → 先给方向、再给公司的顺序推进。它不是替你拍脑袋而是帮你把研究流程做扎实。快速上手克隆项目并运行第一个研究包第一步克隆仓库git clone https://gitcode.com/gh_mirrors/ch/chokepoint-atlas.git第二步运行单线研究包脚本项目自带现成示例输入examples/ai_factory_lane_input.jsonNVIDIA DSX AI FactoryHBM 测试与先进封装方向直接跑python scripts/build_research_pack.py --input examples/ai_factory_lane_input.json --output output/打开output/目录第一个研究包就出生了。✅ 仅依赖 Python 标准库无需安装任何第三方包。项目提供 3 个入口按需选择使用场景脚本示例输入已知道研究线直接出研究包scripts/build_research_pack.pyexamples/ai_factory_lane_input.json没想好先研究哪条线横向比较排优先级scripts/compare_lanes.pyexamples/lane_compare_input.json手上已有财报/新闻/研报材料直接整理成研究包scripts/run_source_pipeline.pyexamples/source_bundle_input.json研究包怎么读12 个产出文件的作用单条研究线最终会落成一组结构化文件新手按这个顺序读最高效quick_scan.md—— 1 分钟速览核心结论、瓶颈、风险提示evidence_memo.md—— 证据备忘录每条判断的依据evidence_trace.md/evidence_trace.json—— 证据溯源这句结论从哪来graph.json/graph_mermaid.md—— 供应链图谱可渲染成关系图scorecard.json—— 评分卡约束、证据、共识、错价、催化剂 5 个维度打分catalyst_watch.md—— 催化剂 watchlist接下来盯什么事件validation_report.json—— 输入校验报告从原始材料到研究包一键流水线用法如果你手里已经有一堆材料财报电话会、新闻、研报摘要不想手动整理用流水线入口python scripts/run_source_pipeline.py --input examples/source_bundle_input.json --output output/它分两层输出01_draft/先从原始材料里抽取 evidence、signal、quote 原句并给每个来源打置信度、补链接理由02_final_pack/接着生成最终研究包上面那 12 个文件如果只想要第一步的“抽取草稿”也可以单独跑scripts/extract_sources_to_pack.py。写好输入让研究包更扎实的 4 个要点输入 JSON 由 7 大板块组成meta、thesis、stack_layers、bottlenecks、evidence、companies、catalysts可对照examples/ai_factory_lane_input.json学习。新手容易忽略的 4 点写清“什么会打破论点”thesis_breaker和weakest_assumption是必填项强制你自证弱点证据分级每条证据标 A/B/C/D 档自动映射为 Confirmed / Inferred / Weak / Needs verification规则见references/evidence-ladder.md评分是 1-5 分5 个维度constraint / evidence / consensus / mispricing / catalyst打分不是精确值别过度解读小数栈拆成 6-9 层从最终需求一路拆到材料层每层都要能回答“谁在这里拿钱、瓶颈是什么”参考文档速查清单想解决的问题看哪个文件完整中文产品说明docs/PRODUCT_CN.md英文版介绍docs/PRODUCT_EN.md研究流程主规则skill 定义SKILL.md完整使用手册references/product-manual.md证据分级标准references/evidence-ladder.md图谱结构规范references/graph-schema.md研究线/公司评分框架references/scoring-framework.md催化剂监控模板references/catalyst-watch.md输出格式模板references/output-formats-v2.md总结Chokepoint Atlas 不是一个“给我几个代码”的工具而是一条把热门叙事翻译成供应链研究的流水线从一句话主题出发拆栈、找瓶颈、拉证据最后产出一套可溯源、可比较、可持续跟踪的结构化研究包。克隆项目、跑通示例、再换成你自己的主题——这就是完整上手路径。【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlas创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
![洛谷 P7912：[CSP-J 2021 T4] 小熊的果篮 ← 双向链表](http://pic.xiahunao.cn/yaotu/洛谷 P7912：[CSP-J 2021 T4] 小熊的果篮 ← 双向链表)
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
