Evilom
0a2a2e811a
- 创建 DC战略研究知识库.md 主索引 - 创建文件附件索引.md - 创建 AI-Agent工作流体系.md - 创建竞品分析方法论.md - 更新人物页面（黄静雯、李志健、夏莲、陈楚真、王雨默、林云龙） - 更新 MOC 页面链接 - 创建 DC战略研究知识体系总结.md 知识库结构： - 00-MOC：3 个主索引页面 - 01-产品研究：10 个页面 - 02-方法论：7 个页面（新增 2 个） - 03-项目落地：3 个页面 - 04-人物：6 个页面（新增 4 个） - 05-行业趋势：2 个页面 - 06-数据与索引：4 个页面（新增 1 个）
4.2 KiB
4.2 KiB
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
- 用 Obsidian 打开
output/obsidian-vault/目录 - 从
DC战略研究知识库.md开始浏览 - 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
- 定期更新：运行
python scripts/daily_feishu_collector.py收集最新消息 - 深度分析：针对特定主题进行深度研究
- 知识沉淀：将重要发现整理到 Obsidian 知识库
- 工具优化：持续改进 AI 工作流和自动化工具