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-atlas
Chokepoint 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.md |
| ④ 比较与优先级层 | 多条研究线横向比较 | lane_ranking.json |
| ⑤ 输出与应用层 | 研究 memo、图谱可视化、事件 watchlist | catalyst_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.json(NVIDIA DSX AI Factory:HBM 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.py | examples/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.py | examples/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.py | examples/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