Best Practice Scout
技术决策时找到行业最佳实践和跨学科的垂直深度洞见。
核心原则
跨学科映射不是为了类比而类比，必须带来本行业没有的深刻见解：
- 不是平行类比（"并发 ≈ 交通"），而是垂直深挖（针对具体盲点的精细化机制）
- 必须落到可执行的细节（算法/模型/决策树，不是原则）
- 必须指出本行业现有方案的盲点，跨学科方案填补了什么空白
Step 1. 本地语境
用 investigate 理解问题在代码库中的位置和约束。
完成标准：能用一句话说清"解决什么问题、在什么约束下"。
Step 2. 行业实践 + 盲点识别
启动一个或多个 research 子 agent（一个技术栈一个 agent）：
任务
- 搜索本技术栈同类问题的主流解法
- 优先 official docs、production cases、ADRs
- 识别共同局限：所有方案都假设什么？都没覆盖什么场景？
输出
- 3-5 个主流方案 + 各自 tradeoffs
- 至少 1 个具体的、可验证的盲点
完成标准：每个方案带来源 + 至少 1 条 tradeoff；盲点必须是可验证的具体局限（不是"可能不够灵活"这种模糊表述）。
Step 3. 跨学科深挖（针对盲点）
等 Step 2 完成后，针对每个识别出的盲点，启动一个或多个 research 子 agent（一个学科/领域一个 agent）。
任务
- 输入：一个具体盲点
- 搜索：哪个学科有专门处理这个局限的成熟框架/模型/算法
- 提取：可迁移的具体机制（不是"参考思路"）
输出
每个跨学科方案必须包含：
- 盲点定位：本行业方案的共同局限是什么
- 深度机制：该学科中针对这个局限的精细化框架/模型/算法（带术语、流程、公式）
- 可迁移机制：这个机制可以直接用在当前问题的哪个环节
- 差异化价值：为什么本行业没有（本行业的假设/约束导致这个盲点）
完成标准：
- 不允许平行类比（"X 和 Y 都有资源调度"）
- 必须给出可执行机制（算法步骤/决策树/公式）
- 必须说明本行业为什么没有
- 新颖性核实：用该机制的本行业说法回搜本行业（文档、论文、主流实现）。搜到已有实现就降级为「本行业已有」，附来源；没搜到就写明搜索词与范围，结论标「推断」
- 跨学科术语与机制都要有来源引用，不凭记忆举例
示例对比
❌ 空泛映射： "并发控制和交通管理都涉及资源调度，可以参考交通管理的思路。"
❌ 未核实的「深度」映射（术语真实，新颖性不成立）： "交通管理的动态车道分配（FHWA：按路况动态开关单条车道并提前预警）和可逆车道切换的清空间隔（MUTCD：黄 X → 红 X，等车辆驶离再放对向进入）可迁移为：高竞争时动态调整锁粒度。现有并发方案没有这个维度。"
新颖性核实否决了最后一句：数据库早已有锁升级，竞争高时也会降级到更细的锁（SQL Server 锁升级文档、Silberschatz《Database System Concepts》）。正确产出是「本行业已有」，不是新洞见。
✅ 合格产出同时满足：盲点有证据；跨学科机制有来源、有步骤；迁移落到当前问题的具体环节；本行业回搜未见同等机制，并写明搜索范围。
Step 4. 综合推荐
基于本地语境 + 行业实践 + 跨学科深挖，输出：
1. 主流方案总结
| 方案 | 适用场景 | 局限 | 来源 |
|---|
2. 跨学科补充
每个跨学科方案：
- 针对盲点：[具体盲点]
- 来源学科：[学科名] / [框架/模型名]
- 可迁移机制：[具体步骤/算法]
- 适用场景：[边界场景/主流方案失效时]
3. 分场景推荐
- 主流场景：推荐 [方案 A]，理由 [...]
- 边界场景：推荐 [跨学科方案 B]，理由 [...]
完成标准：推荐有明确依据，tradeoffs 覆盖性能/维护性/学习曲线。
边界
- 只读调研，不改代码
- 给推荐，不替用户决策
- 跨学科方案必须有垂直深度，不做平行类比
