这是 LUNA 的研究范围声明。把要研究的东西缩小到两个方向，不再发散。 每研究一个新对象，先归入其中一个方向，再往里挂。
方向一：用 UI 表达 → 研究 Landing Page
问题：一个产品（或一次更新）的价值，怎么用界面本身说清楚？不靠文档、不靠讲解，用户打开首页的前几秒就懂。
研究什么：
- 首屏如何在 3-5 秒内传达「这是什么 + 为谁 + 为什么现在该看」
- 叙事结构：Hero → 问题 → 方案 → 证据 → CTA 的排布与节奏
- 表达层次：动效、插画、WebGL、排版如何服务于表达，而不是装饰
- 落地页面 → 数据验证：什么样的首屏结构能让人停留、往下滚动、点 CTA
站内已有案例：
| 案例 | 链接 | 关联 |
|---|---|---|
| TRIONN Hero 完整复刻 | /copies/trionn | WebGL 首屏：视差、Raycaster 与闪光反馈 |
| Honkish 拆解 | /copies/honkish | 另一条首屏表达路线 |
| 提炼模块 | /blocks | Reactive 3D Mark / Electric Guide Lines / Project CTA / Kinetic Title |
| 参数实验 | /playgrounds | Material & Light 实时调节 |
| 像素级前端生成流程 | /posts/prompt-driven-pixel-level-frontend-workflow | 先拆 layout、再拆 element、再做实现 diff |
方向二：基于 AI 构建有价值的数据
问题：传统方式（人工整理、静态报表、手工爬取）做数据又慢又旧。基于 AI 的数据流程应该是：有一个数据仓库（或数据源），去里面找数据，构建一条快速反馈迭代的管道——拉取、清洗、验证、产出、回流，每次循环都更快。
研究什么：
- AI 拉取与组织：从公开仓库 / 推文 / 榜单里持续抽取结构化数据
- 快速反馈迭代：评测闭环、自动验收、数据回流到下一轮生产
- 什么数据有价值：能验证一个 claim、能指导一个决策、能变成可复用的结论
- 反模式：传统 ETL 的慢循环、一次性调研、人工搬运
站内已有案例：
| 案例 | 链接 | 关联 |
|---|---|---|
| DeepSeek Harness 64 天 1.2 万次提交 | /posts/dsh-deepseek-harness-64-days-12k-commits | 数据仓库：把审批也自动化的迭代引擎 |
| 批量提交你能抄什么 | /posts/dsh-deepseek-harness-what-about-me | 5,651 个 merge 拆开：哪些机械、哪些真价值 |
| Composio 增长拆解 | /posts/composio-growth-deep-dive | 评测即数据闭环：内容 ↔ 产品数据互相喂 |
| Agent 产品界面地图 | /posts/agent-harness-product-map-big-tech | 按产品形态拆四类 Agent 的核心屏 |
| 独立开发成交能力地图 | /posts/indie-dev-growth-and-conversion-capability-map | 流量、展示、转化：总图起点 |
| 线索推荐 AI 产品盘点 | /posts/leading-ai-products-market-yc-reddit-map | 老牌 / YC / 个人产品三层结构 |
| 渠道优先级与 Upwork 关键词表 | /posts/channel-priority-table | 渠道职责 → 关键词维度 |
两个方向的交汇
真正值得研究的对象往往同时命中两个方向：
- Landing Page 用数据验证：方向一的产品形态（首屏结构、叙事），用方向二的方法（AI 拉取案例、量化首屏节奏、回流迭代）来验证
- AI 产品如何表达自己：AI 数据产品的 Landing Page 怎么把「数据管道」翻译成用户能感知的价值
- 交汇的产物：一份「首屏表达 ↔ 转化数据」的可复用地图，两个方向的案例都往里贡献
更新日志
- 2026-08-24：建立研究范围声明，挂载站内已有案例索引