# DC战略研究知识体系总结

> 生成时间：2026-06-03 | 基于 388 条消息、159 篇文档、19 个文件附件

---

## 一、知识体系架构

### 1. 核心主题

| 主题 | 文档数 | 核心内容 |
|------|--------|----------|
| 花园世界研究 | 22 | 产品机制、商业化、竞品对比、资源经济 |
| AI与Agent应用 | 109 | AI工作流、Agent工具、自动化流程 |
| 工作流优化 | 62 | 开发流程、AI工具集成、效率提升 |
| 竞品分析 | 59 | 市场调研、产品对比、策略分析 |
| 商业化策略 | 48 | 变现模型、付费设计、运营策略 |
| 产品策略 | 56 | 立项评估、产品规划、市场定位 |
| 技术实现 | 103 | 开发实践、技术方案、工具使用 |
| 美术资产 | 100 | AI生成、资产管线、美术工作流 |

### 2. 关键发现

#### 花园世界研究

- **产品机制**：四层结构（低压经营入口 → 横向收集展示 → 公会异步任务型GVG → 极致消耗引擎）
- **商业化**：极致消耗模型 + 社交拉氪模型 + 非战斗GVG
- **美国版策略**：六面承重墙（双层结构、竞赛放大器、氪金=被需要等）
- **资源经济**：消耗模型、付费点设计、资源流转拓扑

#### AI与Agent应用

- **Game Analyst Agent**：竞品分析自动化工具，六大能力，成本<1元/24h
- **AI工作流**：开发流程标准化，美术资产AI生成，研究工作流自动化
- **工具矩阵**：Codex + Claude Code + Obsidian + lark-cli + dws

#### 方法论

- **取败之道**：负期望博弈 + 极端幸存者偏差 + 没有筹码管理 = 取败之道
- **立项评估**：找已验证底座 + 放大能力的立项路径
- **非战斗GVG**：低协同、弱对抗、高覆盖、强分层的异步任务型GVG

---

## 二、知识库结构

### Obsidian 知识库

```
output/obsidian-vault/
├── 00-MOC/
│   ├── DC战略研究知识库.md (主索引)
│   ├── 花园世界研究总览.md
│   └── 战略研究体系.md
├── 01-产品研究/
│   ├── 我的花园世界-产品画像.md
│   ├── 花园世界-商业化分析.md
│   ├── 花园世界-美国版策略.md
│   └── ...
├── 02-方法论/
│   ├── AI-Agent工作流体系.md
│   ├── 竞品分析方法论.md
│   ├── 取败之道-战略反思.md
│   └── ...
├── 03-项目落地/
│   ├── Game-Analyst-Agent工具.md
│   ├── 云湖工作室项目选择.md
│   └── ...
├── 04-人物/
│   ├── 黄静雯.md
│   ├── 李志健.md
│   ├── 夏莲.md
│   └── ...
├── 05-行业趋势/
│   ├── AI军备竞赛.md
│   └── ...
└── 06-数据与索引/
    ├── 飞书文档知识库.md
    ├── 文件附件索引.md
    ├── 人物图谱.md
    └── ...
```

### 数据文件

```
data/
├── links/
│   ├── all_feishu_links.json (125个链接)
│   └── all_feishu_content.json
└── raw-messages/
    └── all_messages_combined.json (388条消息)

output/
├── feishu-docs/ (159篇文档)
├── downloaded-files/ (19个文件)
├── knowledge-graph/ (知识图谱)
├── reports/ (分析报告)
└── obsidian-vault/ (Obsidian知识库)
```

---

## 三、使用指南

### 1. 浏览知识库

1. 用 Obsidian 打开 `output/obsidian-vault/` 目录
2. 从 `DC战略研究知识库.md` 开始浏览
3. 通过 `[[wikilinks]]` 跳转到相关文档

### 2. 搜索内容

- **全局搜索**：Obsidian 的搜索功能
- **主题浏览**：通过 MOC 页面分类浏览
- **关联阅读**：点击链接发现关联内容

### 3. 数据分析

- **知识图谱**：`output/knowledge-graph/knowledge_graph.html`
- **分析报告**：`output/reports/` 目录下的报告
- **原始数据**：`data/` 目录下的 JSON 文件

---

## 四、下一步建议

1. **定期更新**：运行 `python scripts/daily_feishu_collector.py` 收集最新消息
2. **深度分析**：针对特定主题进行深度研究
3. **知识沉淀**：将重要发现整理到 Obsidian 知识库
4. **工具优化**：持续改进 AI 工作流和自动化工具