docs: explore Endor as a coding agent traffic platform

Merge pull request '新增 Smalltalk-80 现代化研究导读与源码研究入口' (#13 ) from codex/smalltalk-guide into main
Reviewed-on: #13
2026-10-30 15:16:35 +08:00 · 2026-10-30 06:19:43 +00:00 · 2026-10-30 14:17:39 +08:00 · 2026-10-30 06:04:36 +00:00 · 2026-10-30 13:53:00 +08:00 · 2026-10-30 05:48:56 +00:00
31 changed files with 7042 additions and 1157 deletions
@@ -2,7 +2,6 @@ name: Verify and deploy Tabularium
 on:
  push:
    branches: [main]
-  pull_request:
  workflow_dispatch:

 concurrency:
@@ -11,6 +10,7 @@ concurrency:

 jobs:
  verify-and-deploy:
+    if: gitea.ref == 'refs/heads/main'
    runs-on: ces-control
    timeout-minutes: 45
    env:
@@ -98,13 +98,34 @@ AUTH_CONFIG_FILE=/private/tmp/tabularium-auth/config.json AUTH_COOKIE_SECURE=fal
 同一版本内容变化会拒绝导入，避免静默读取旧数据。回退代码时继续读取对应旧版本。
 所有修改都经过工作分支和 PR，部署仍等待人工合并主线。

-当前资料包含 986 条公司记录、10 类业务及待分类组、1,035 条证据记录和 75 条经营观测。
-其中保留 58 家个案资料，新增 928 条目录基础资料；目录项不等于完成财务和技术核验。
-它是定向试样，收入披露不足且统计时点不统一，不代表全部 AI 公司。
+当前资料包含 1,015 条公司/产品记录、10 类业务及待分类组、1,091 条证据记录和 183 条经营与技术观测。
+其中保留 86 家个案资料、913 条目录基础资料，并新增 16 个平台产品/业务样本；目录项不等于完成财务和技术核验。
+补充ThinkWheel与中国NaiveAI；MiroMind成立年未核，公开研发年份单列。保留灵初智能成立年排除、深度原理日期待核和Naive近名实体复核记录。
+新增7条Speedrun个案，保留标题/正文冲突、七位数数量级、币种不明、合同管线与履历归属排除记录；相对日期不充当同期收入时点。核查页优先按人工确认的公司ID关联明细，旧版本保留按证据归属回退；54条核查中43条指向具体公司、3条属于全局方法、8条是未纳入候选。明细反向列出关联核查；币种不明的声明保留原值，不绘制美元收入长度条。
+Bud保留为2025成立且YC标记已收购的案例；Rocket.new按前身2021成立、2025产品上线的转型对照记录，历史ARR不混入新成立公司同期统计。
+验收按2026-10-30确认的公开来源清单边界逐条核对并标明缺项；YC候选池有完整读取台账，其他来源目前为定向补充，不能把来源出现次数当作覆盖完成。收入披露不足且统计时点不统一，不代表全部 AI 公司。
 界面将公司自述、第三方估算、融资、客户收入和履历收入分开，未知收入不记为零。
 保留被撤回的声明作为核查记录，并排除收入比较；并购后业务、管理层预测与历史里程碑单列。
 团队规模下界在列表中显示比较符，商业成熟度展示公开交付证据，不等于技术能力排名。
-当前尚不能可靠计算领域 ARR 均值、离散排名或财务造假概率。
+Emergent的1亿美元ARR里程碑补足至2026年2月；Peec采用规模和Wonderful团队规模各保留其公告日期，不将较新非收入指标当作ARR更新。Wonderful按2026年9月官方综合平台定位归C05。
+公司披露的 ARR 尚未建立同期同口径比较组。新增平台 MRR 单独计算探索性样本统计，
+不能称行业平均 ARR、总体离散排名或财务造假概率。
+
+收入分布：`IncomeDistribution.tsx` 从数据库返回的观测中筛选平台 USD MRR，
+每个产品只保留符合条件的最新值，默认数据日期距截止日不超过7天。
+按业务类别、支付来源及可选收费模式分组，显示均值、中位数、样本CV（标准差分母n−1）、
+均值/中位数和移除最大值后的均值敏感性。n<3标注样本不足；n=1不计算CV。
+MRR×12仅作为显示单位转换，不改写为公司ARR；公司ARR、估算与近30日收入均不混入。
+`ai-income-analysis.json` 是独立Python复算的7日/90日快照参考，用于检查统计选择和计算，
+页面本身从同一SQLite中的公司与观测记录计算，不读取第二个数据库。
+
+平台同步时间、连接过期状态、业务描述的可编辑性和产品/法律主体未去重限制均保留。
+覆盖审计页位于 `/docs/other-research/ai-company-research/coverage`，分类链接 `overview?category=<id>` 的筛选数据。
+`python3 scripts/audit-ai-research.py --check` 检查候选池逐条计数与覆盖报告一致性；CI在ces-control运行此检查，未更改触发范围。
+收入快照报告位于 `/docs/other-research/ai-company-research/income-snapshot`，样本名称链接 `overview?company=<id>` 的公司明细。
+`python3 scripts/summarize-ai-income.py --check` 独立复核统计与报告一致性；不触发编译或构建。数据变更后先审查方法，再运行不带参数的命令更新固定快照。
+默认7日样本14个产品；90日窗口新增Gojiberry的8月历史点，营销样本的均值和CV随之明显变化。
+这提示先核查时间与样本构成，不能将高离散度直接解释为造假。两个近名营养应用按不同App Store ID分别建档。

 覆盖核查：从 yc-oss 非官方镜像发现 2025—2026 八个 YC 批次的 1,428 条候选，
 逐条读取对应 YC 官方公开页面，以页面中的成立年份、团队字段和业务描述筛选。
@@ -115,9 +136,15 @@ AUTH_CONFIG_FILE=/private/tmp/tabularium-auth/config.json AUTH_COOKIE_SECURE=fal

 新增业务分类优先匹配主营简介，再参考目录标签；未匹配者进入待分类组。
 初分规则位于 `scripts/classify-ai-profiles.py`，只生成待评审标签，不执行抓取或构建。
-所有新增项均标注规则初分，保留 `classificationBasis` 和 `directoryTags` 供复核。
+目录基础项保留 `classificationBasis` 和 `directoryTags` 供复核。
+当前目录基础项中160条已人工复核主营与买家，Contrario及14条收入声明/排除案例已深化为个案。`directoryOrigin`保留原发现来源，`profileOnly`只表示当前资料深度；深化不改变原候选池新增928条的审计分母。
+分类按主要工作任务和买家判断，例如Paragon归客户与收入运营，Oki归消费者应用，Lucidic归Agent设施。市场支出、采用规模、性能主张及客户收益均不作为公司收入。
+其中121条原待分类记录已按YC官方业务介绍人工复核主营业务，分类理由保存在公司字段与对应证据摘要中；
+仍有3条因简介不足保留待分类。人工复核分类不代表独立验证技术水平、客户效果或财务数据。
 AI 关键词可能出现在业务背景中，收入、买家和交付状态仍须逐家深查，不能把目录项的未知收入当作未披露。
-界面支持按资料深度、记录团队规模筛选；证据列表每页 30 条，避免一次渲染全部来源。
+技术专项评审用独立字段记录层级、日期、摘要与证据：未评审、已读技术自述、公开代码/模型材料可访问、有第三方独立评测记录。
+当前7条完成该字段的专项记录，其中3条确认材料可访问、1条记录第三方已发表评测（Gradium TTS Sep 2026）；本轮未自行运行模型测试。缺字段不表示无技术能力，代码或模型卡可读不证明性能。
+界面支持按资料深度、记录团队规模和技术验证证据筛选；证据列表每页 30 条，避免一次渲染全部来源。

 `pnpm test:research` 在远程 Runner 上验证同库持久化、重复读取、版本导入与回退、
 登录限流保留、引用完整性及收入排除规则。镜像冒烟检查会验证研究页面与 API 的认证、
@@ -126,6 +153,8 @@ AI 关键词可能出现在业务背景中，收入、买家和交付状态仍
 ## CI/CD 与缓存

 `.gitea/workflows/ci-deploy.yml` 使用已有 ces-control Runner，不修改共享 Runner 配置。
+当前工作流仅在 main 推送或针对 main 的手动运行时执行。工作分支PR完成本地静态核查后，
+完整类型、测试、构建与容器检查在用户手动合并后的主线CI运行；报告须区分未运行与已通过。

 1. 对实际构建输入计算 SHA-256：前端源码、Markdown、图片、Python 制图源码、依赖锁文件、Dockerfile 和构建脚本。
 2. 命中 `verified-<scope>-<摘要>` 镜像时跳过依赖安装和 Next.js build，只做认证、实际路由与资源冒烟检查。
@@ -185,10 +185,10 @@ async function main() {
  assert.equal(researchResponse.status, 200, "authenticated research API");
  assert.ok(researchResponse.headers.get("cache-control")?.includes("no-store"));
  const research = await researchResponse.json();
-  assert.equal(research.companies.length, 986);
+  assert.equal(research.companies.length, 1015);
  assert.equal(research.categories.length, 11);
-  assert.equal(research.evidence.length, 1035);
-  assert.equal(research.observations.length, 75);
+  assert.equal(research.evidence.length, 1091);
+  assert.equal(research.observations.length, 183);
  assert.equal((await request("/api/research/ai-companies", { method: "POST", headers })).status, 405);
  const researchPage = await request("/docs/other-research/ai-company-research/overview", { headers });
  assert.equal(researchPage.status, 200);
@@ -1,15 +1,17 @@
 import { useEffect, useMemo, useRef, useState } from "react";
+import { useRouter } from "next/router";
+import IncomeDistribution from "./IncomeDistribution";
 import {
-  categorySummary, evidenceUrl, type ResearchEvidence, type ResearchSnapshot,
+  categorySummary, evidenceUrl, technicalReviewLabels, reviewCompanyIds, type ResearchEvidence, type ResearchReview, type ResearchSnapshot,
 } from "@/lib/ai-research";

 const pageSize = 12;
 const evidencePageSize = 30;
-const revenueLabels = { self: "公司披露，待核口径", estimate: "仅第三方估算", unknown: "暂无可用收入数字" };
+const revenueLabels = { self: "公司披露，待核口径", estimate: "仅第三方估算", platform: "仅支付平台记录", unknown: "暂无可用收入数字" };
 const useLabels: Record<string, string> = {
-  signal: "公司披露信号", estimate: "第三方估算", historical: "历史里程碑",
+  platform: "支付平台记录", signal: "公司披露信号", estimate: "第三方估算", historical: "历史里程碑",
  "historical-estimate": "其他时点估算", excluded: "排除收入比较", scale: "团队规模", adoption: "采用规模",
-  funding: "融资", crosscheck: "同一里程碑的其他资料",
+  funding: "融资", technical: "第三方技术评测", crosscheck: "同一里程碑的其他资料",
 };
 const money = (value: number, unit = "USD") => unit === "USD"
  ? new Intl.NumberFormat("zh-CN", { style: "currency", currency: "USD", maximumFractionDigits: 0 }).format(value)
@@ -29,18 +31,30 @@ function Evidence({ item, prefix = "evidence" }: { item: ResearchEvidence; prefi
 }

 export default function AICompanyResearch() {
+  const router = useRouter();
  const [data, setData] = useState<ResearchSnapshot | null>(null);
  const [error, setError] = useState(false);
  const [attempt, setAttempt] = useState(0);
  const [query, setQuery] = useState("");
-  const [category, setCategory] = useState("");
+  const [categoryChoice, setCategoryChoice] = useState<{ route: string; id: string } | null>(null);
+  const linkedCategory = router.query.category;
+  const category = categoryChoice && categoryChoice.route === router.asPath ? categoryChoice.id
+    : router.isReady && typeof linkedCategory === "string" && data?.categories.some((c) => c.id === linkedCategory)
+      ? linkedCategory : "";
+  function setCategory(id: string) { setCategoryChoice({ route: router.asPath, id }); }
  const [cohort, setCohort] = useState("");
  const [income, setIncome] = useState("");
  const [page, setPage] = useState(0);
  const [sourcePage, setSourcePage] = useState(0);
  const [depth, setDepth] = useState("");
  const [teamBand, setTeamBand] = useState("");
-  const [selected, setSelected] = useState<string | null>(null);
+  const [technicalLevel, setTechnicalLevel] = useState("");
+  const [selection, setSelection] = useState<{ route: string; id: string | null } | null>(null);
+  const linkedCompany = router.query.company;
+  const selected = selection && selection.route === router.asPath ? selection.id
+    : router.isReady && typeof linkedCompany === "string" && data?.companies.some((c) => c.id === linkedCompany)
+      ? linkedCompany : null;
+  function setSelected(id: string | null) { setSelection({ route: router.asPath, id }); }
  const [tab, setTab] = useState<"companies" | "revenue" | "sources" | "reviews">("companies");
  const companySection = useRef<HTMLElement>(null);
  const detailSection = useRef<HTMLElement>(null);
@@ -62,21 +76,28 @@ export default function AICompanyResearch() {
    const depthMatch = !depth || (depth === "profile" ? c.profileOnly : !c.profileOnly);
    const teamMatch = !teamBand || (teamBand === "unknown" ? c.team === null || (!!c.teamBound && c.team < 51)
      : c.team !== null && (teamBand === "xl" ? c.team >= 51 : !c.teamBound && (teamBand === "small" ? c.team <= 5 : teamBand === "medium" ? c.team >= 6 && c.team <= 20 : c.team >= 21 && c.team <= 50)));
-    return depthMatch && teamMatch && (!category || c.cat === category) && yearMatch && (!income || c.revenueStatus === income)
+    return (!technicalLevel || (c.technicalReview?.level ?? "unreviewed") === technicalLevel) && depthMatch && teamMatch && (!category || c.cat === category) && yearMatch && (!income || c.revenueStatus === income)
      && search.includes(query.trim().toLocaleLowerCase());
-  }) ?? [], [data, query, category, cohort, income, depth, teamBand]);
+  }) ?? [], [data, query, category, cohort, income, depth, teamBand, technicalLevel]);
  if (error) return <div className="research-message" role="alert">研究数据库暂时不可用。<button onClick={() => { setError(false); setAttempt((n) => n + 1); }}>重新读取</button></div>;
  if (!data) return <p className="research-message" role="status">正在读取研究数据库…</p>;
  const categories = new Map(data.categories.map((c) => [c.id, c]));
  const selectedCompany = data.companies.find((c) => c.id === selected);
  const observed = data.observations.filter((o) => ["signal", "estimate"].includes(o.selection));
-  const revenueCompanies = new Set(observed.map((o) => o.company)).size;
+  const disclosedCompanies = new Set(observed.map((o) => o.company)).size;
+  const revenueCompanies = data.companies.filter((c) => c.revenueStatus !== "unknown").length;
  const selectedObservations = data.observations.filter((o) => o.company === selected);
  const selectedEvidenceIds = new Set([
    ...(selectedCompany?.evidenceIds ?? []), ...(selectedCompany?.pricingEvidence ? [selectedCompany.pricingEvidence] : []),
+    ...(selectedCompany?.technicalReview?.evidenceIds ?? []),
    ...selectedObservations.map((o) => o.evidence),
  ]);
  const selectedEvidence = data.evidence.filter((e) => e.companyId === selected || selectedEvidenceIds.has(e.id));
+  const reviewCompanies = (review: ResearchReview) => {
+    const ids = new Set(reviewCompanyIds(data, review));
+    return data.companies.filter((c) => ids.has(c.id));
+  };
+  const selectedReviews = data.reviews.filter((r) => selected && reviewCompanyIds(data, r).includes(selected));
  function chooseCategory(id: string) {
    setCategory(id); setPage(0); setTab("companies");
    companySection.current?.scrollIntoView({ behavior: "smooth", block: "start" });
@@ -84,9 +105,9 @@ export default function AICompanyResearch() {
  return <div className="ai-research not-prose">
    <div className="research-meta"><span>资料截至 {data.asOf}</span><span>首批研究 · 持续补全</span></div>
    <div className="research-stats">
-      <div><strong>{data.companies.length}</strong><span>已收录公司</span></div>
+      <div><strong>{data.companies.length}</strong><span>公司/产品记录</span></div>
      <div><strong>{data.categories.length}</strong><span>业务类别</span></div>
-      <div><strong>{revenueCompanies}</strong><span>找到收入信号的公司</span></div>
+      <div><strong>{revenueCompanies}</strong><span>有收入线索的记录</span></div>
      <div><strong>{data.evidence.length}</strong><span>证据记录</span></div>
    </div>
    <div className="research-scope"><p>{data.scope}</p>
@@ -97,7 +118,7 @@ export default function AICompanyResearch() {
    </div>
    <section aria-labelledby="research-categories-title" className="research-section">
      <h2 id="research-categories-title">业务分类</h2><p className="research-muted">点击类别查看对应公司。数量反映本次采集覆盖，不是市场份额。</p>
-      <div className="research-categories">{summaries.map((c) => <button key={c.id} onClick={() => chooseCategory(c.id)} aria-label={`查看${c.name}的${c.count}家公司`}>
+      <div className="research-categories">{summaries.map((c) => <button key={c.id} onClick={() => chooseCategory(c.id)} aria-label={`查看${c.name}的${c.count}条记录`}>
        <div><span>{c.name}</span><strong>{c.count}</strong></div>
        <span className="research-bar" aria-hidden="true"><i style={{ width: `${c.count / Math.max(1, ...summaries.map((s) => s.count)) * 100}%` }} /></span>
        <small>{c.description}</small>
@@ -106,7 +127,7 @@ export default function AICompanyResearch() {
    <section ref={companySection} className="research-section" aria-labelledby="research-records-title">
      <h2 id="research-records-title">研究数据</h2>
      <div className="research-tabs" role="group" aria-label="研究数据视图">
-        {([['companies','公司数据'],['revenue','收入观测'],['sources','原始证据'],['reviews','核查记录']] as const).map(([id,label]) =>
+        {([['companies','公司与产品'],['revenue','收入观测'],['sources','原始证据'],['reviews','核查记录']] as const).map(([id,label]) =>
          <button key={id} aria-pressed={tab === id} onClick={() => setTab(id)}>{label}</button>)}
      </div>
      {tab === "companies" && <>
@@ -116,37 +137,42 @@ export default function AICompanyResearch() {
          <label>成立或发布<select value={cohort} onChange={(e) => { setCohort(e.target.value); setPage(0); }}><option value="">全部组别</option><option value="2025">2025 年成立</option><option value="2026">2026 年成立</option><option value="other">公开发布与转型对照</option></select></label>
          <label>资料深度<select value={depth} onChange={(e) => { setDepth(e.target.value); setPage(0); }}><option value="">全部资料</option><option value="case">原有个案研究</option><option value="profile">目录基础资料</option></select></label>
          <label>记录团队规模<select value={teamBand} onChange={(e) => { setTeamBand(e.target.value); setPage(0); }}><option value="">全部规模</option><option value="small">1—5 人</option><option value="medium">6—20 人</option><option value="large">21—50 人</option><option value="xl">至少 51 人</option><option value="unknown">未披露或分组不确定</option></select></label>
-          <label>收入资料<select value={income} onChange={(e) => { setIncome(e.target.value); setPage(0); }}><option value="">全部状态</option><option value="self">找到公司披露</option><option value="estimate">仅第三方估算</option><option value="unknown">暂无可用数字</option></select></label>
+          <label>技术验证证据<select value={technicalLevel} onChange={(e) => { setTechnicalLevel(e.target.value); setPage(0); }}><option value="">全部验证层级</option>{Object.entries(technicalReviewLabels).map(([value, label]) => <option key={value} value={value}>{label}</option>)}</select></label>
+          <label>收入资料<select value={income} onChange={(e) => { setIncome(e.target.value); setPage(0); }}><option value="">全部状态</option><option value="self">找到公司披露</option><option value="estimate">仅第三方估算</option><option value="platform">仅支付平台记录</option><option value="unknown">暂无可用数字</option></select></label>
        </div>
-        <div className="research-result-count" role="status">{filtered.length} 家匹配公司<button onClick={() => { setCategory(""); setQuery(""); setCohort(""); setIncome(""); setDepth(""); setTeamBand(""); setPage(0); }}>清除筛选</button></div>
-        <div className="research-table-wrap"><table><caption className="sr-only">公司分类与经营资料。选择公司名称查看指标和原始证据。</caption><thead><tr><th>公司 / 地区</th><th>业务与买家</th><th>成立 / 发布组别</th><th>团队规模</th><th>商业成熟度</th><th>收入资料</th></tr></thead><tbody>
+        <p className="research-muted">技术验证层级记录我们查到了什么，不是能力强弱评分。技术专项评审与业务分类复核分别记录。</p>
+        <div className="research-result-count" role="status">{filtered.length} 条匹配记录<button onClick={() => { setCategory(""); setQuery(""); setCohort(""); setIncome(""); setDepth(""); setTeamBand(""); setTechnicalLevel(""); setPage(0); }}>清除筛选</button></div>
+        <div className="research-table-wrap"><table><caption className="sr-only">公司/产品分类与经营资料。选择名称查看指标和原始证据。</caption><thead><tr><th>公司或产品 / 地区</th><th>业务与买家</th><th>成立 / 发布组别</th><th>团队规模</th><th>交付与技术验证证据</th><th>收入资料</th></tr></thead><tbody>
          {filtered.slice(page * pageSize, (page + 1) * pageSize).map((c) => <tr key={c.id} data-selected={selected === c.id || undefined}>
            <td><button className="research-company-name" aria-expanded={selected === c.id} aria-controls="research-company-detail" onClick={() => setSelected(c.id)}>{c.name}</button><small>{c.location ?? "地区未注明"}</small></td>
-            <td><span className="research-tag">{categories.get(c.cat)?.name}</span>{c.profileOnly && <small>规则初分 · 待复核</small>}<p>{c.business}</p><small>买家：{c.buyer}</small></td>
-            <td>{c.cohort}</td><td>{c.team !== null && c.teamBound}{c.team ?? "未披露"}{c.team !== null && " 人"}</td><td>{c.stage}</td><td>{c.profileOnly ? "收入尚未逐一核验" : revenueLabels[c.revenueStatus]}</td>
+            <td><span className="research-tag">{categories.get(c.cat)?.name}</span>{c.profileOnly && <small>目录基础资料 · 分类依据见明细</small>}<p>{c.business}</p><small>买家：{c.buyer}</small></td>
+            <td>{c.cohort}</td><td>{c.team !== null && c.teamBound}{c.team ?? "未披露"}{c.team !== null && " 人"}</td><td>{c.stage}<small>{technicalReviewLabels[c.technicalReview?.level ?? "unreviewed"]}</small></td><td>{c.profileOnly ? "收入尚未逐一核验" : revenueLabels[c.revenueStatus]}</td>
          </tr>)}
        </tbody></table></div>
        {!filtered.length && <p className="research-message">没有匹配公司，请调整筛选条件。</p>}
        {filtered.length > pageSize && <nav className="research-pagination" aria-label="公司数据分页"><button disabled={page === 0} onClick={() => setPage((n) => n - 1)}>上一页</button><span>{page + 1} / {Math.ceil(filtered.length / pageSize)}</span><button disabled={(page + 1) * pageSize >= filtered.length} onClick={() => setPage((n) => n + 1)}>下一页</button></nav>}
      </>}
      {tab === "revenue" && <>
-        <p className="research-notice">目前找到 {revenueCompanies} 家公司的收入信号。大多是缺少日历时点的历史里程碑，且 ARR 与年化收入尚未统一。领域均值和离散度暂不计算。</p>
+        <IncomeDistribution data={data} onSelect={setSelected} />
+        <h3>公司披露与估算的历史里程碑</h3>
+        <p className="research-notice">这一组包含 {disclosedCompanies} 家公司的披露或估算信号，多为异时点历史里程碑，ARR 与年化收入口径仍待核对，暂不计算其同期领域均值。币种未确认的记录仅显示原值，不绘制美元长度条。上面的平台MRR统计与这一组分开。</p>
        <div className="research-revenue-chart" aria-label="不同时间的公开收入里程碑，线性长度，非同行排名">{observed.map((o) => <div key={o.id}>
          <div><button onClick={() => setSelected(o.company)}>{o.name}</button><strong>{o.bound !== "=" && o.bound}{money(o.value, o.unit)}</strong></div>
-          <span className="research-bar" data-estimate={o.selection === "estimate" || undefined} aria-hidden="true"><i style={{width: `${o.value / Math.max(...observed.map((v) => v.value)) * 100}%`}} /></span>
+          {o.unit === "USD" && <span className="research-bar" data-estimate={o.selection === "estimate" || undefined} aria-hidden="true"><i style={{width: `${o.value / Math.max(1, ...observed.filter((v) => v.unit === "USD").map((v) => v.value)) * 100}%`}} /></span>}
          <small>{o.kind} · {useLabels[o.selection]} · {o.timing}</small>
        </div>)}</div>
-        <div className="research-table-wrap"><table><caption>当前研究数据中的收入可得性，目录项未逐一检索；未建立同期、同龄、同口径比较组</caption><thead><tr><th>业务分类</th><th>公司披露数</th><th>仅估算数</th><th>暂无可用数字</th><th>同期均值 / 离散度</th></tr></thead><tbody>{summaries.map((c) => <tr key={c.id}><td><button onClick={() => chooseCategory(c.id)}>{c.name}</button></td><td>{c.self}</td><td>{c.estimate}</td><td>{c.unknown}</td><td>条件不足</td></tr>)}</tbody></table></div>
+        <div className="research-table-wrap"><table><caption>当前研究数据中的收入可得性，目录项未逐一检索；未建立同期、同龄、同口径比较组</caption><thead><tr><th>业务分类</th><th>公司披露数</th><th>仅估算数</th><th>仅平台数</th><th>暂无可用数字</th><th>同期均值 / 离散度</th></tr></thead><tbody>{summaries.map((c) => <tr key={c.id}><td><button onClick={() => chooseCategory(c.id)}>{c.name}</button></td><td>{c.self}</td><td>{c.estimate}</td><td>{c.platform}</td><td>{c.unknown}</td><td>条件不足</td></tr>)}</tbody></table></div>
        <p className="research-muted">离散度用于筛选值得核查的异常，还需排除公司年龄、口径和披露偏差；不能据此认定财务造假。</p>
      </>}
      {tab === "sources" && <><p className="research-muted">来源链接保留原始位置。相同 URL 的记录可能属于同一披露，不能按记录数计算独立证据数量。</p><ul className="research-evidence-list">{data.evidence.slice(sourcePage * evidencePageSize, (sourcePage + 1) * evidencePageSize).map((e) => <Evidence key={e.id} item={e} />)}</ul>{data.evidence.length > evidencePageSize && <nav className="research-pagination" aria-label="原始证据分页"><button disabled={sourcePage === 0} onClick={() => setSourcePage((n) => n - 1)}>上一页</button><span>{sourcePage + 1} / {Math.ceil(data.evidence.length / evidencePageSize)}</span><button disabled={(sourcePage + 1) * evidencePageSize >= data.evidence.length} onClick={() => setSourcePage((n) => n + 1)}>下一页</button></nav>}</>}
-      {tab === "reviews" && <ul className="research-review-list">{data.reviews.map((r) => <li key={r.id}><span className="research-tag">{r.type}</span><h3>{r.company}</h3><p>{r.summary}</p><p>{r.handling}</p><div>{r.evidenceIds.map((id) => { const e=data.evidence.find((item) => item.id === id); return e ? <External key={id} url={e.url}>{id}</External> : null; })}</div></li>)}</ul>}
+      {tab === "reviews" && <ul className="research-review-list">{data.reviews.map((r) => <li key={r.id}><span className="research-tag">{r.type}</span><h3>{r.company}</h3>{r.scope === "dataset" && <small>全局数据方法核查</small>}{r.scope === "excluded-candidate" && <small>未纳入公司表的候选</small>}<p>{r.summary}</p><p>{r.handling}</p><div>{reviewCompanies(r).map((c) => <button key={c.id} className="research-company-name" onClick={() => setSelected(c.id)}>查看 {c.name} 明细</button>)}</div><div>{r.evidenceIds.map((id) => { const e=data.evidence.find((item) => item.id === id); return e ? <External key={id} url={e.url}>{id}</External> : null; })}</div></li>)}</ul>}
    </section>
-    {selectedCompany && <section id="research-company-detail" ref={detailSection} tabIndex={-1} className="research-detail research-section" aria-label={`${selectedCompany.name}公司明细`}>
+    {selectedCompany && <section id="research-company-detail" ref={detailSection} tabIndex={-1} className="research-detail research-section" aria-label={`${selectedCompany.name}资料明细`}>
      <div className="research-detail-heading"><h2>{selectedCompany.name}</h2><button onClick={() => setSelected(null)} aria-label="关闭公司明细">关闭</button></div>
-      <p><External url={selectedCompany.url}>公司资料入口</External>　{selectedCompany.extraUrl && <External url={selectedCompany.extraUrl}>额外核验入口</External>}</p>
-      <dl className="research-company-facts"><div><dt>主营业务</dt><dd>{selectedCompany.business}</dd></div><div><dt>样本组别</dt><dd>{selectedCompany.cohort}</dd></div><div><dt>买家</dt><dd>{selectedCompany.buyer}</dd></div><div><dt>收费方式</dt><dd>{selectedCompany.price}</dd></div><div><dt>交付证据</dt><dd>{selectedCompany.delivery}</dd></div><div><dt>团队口径</dt><dd>{selectedCompany.teamBasis ?? "本轮未核验人数"}</dd></div><div><dt>分类依据</dt><dd>{selectedCompany.classificationBasis ?? "原有个案分类；随研究复核"}</dd></div><div><dt>技术水平</dt><dd>尚未独立测试，不据融资或收入作能力排名。</dd></div><div><dt>身份与限制</dt><dd>{selectedCompany.notes}</dd></div></dl>
-      <h3>经营指标与排除记录</h3>
+      <p><External url={selectedCompany.url}>资料入口</External>　{selectedCompany.extraUrl && <External url={selectedCompany.extraUrl}>额外核验入口</External>}</p>
+      <dl className="research-company-facts"><div><dt>主营业务</dt><dd>{selectedCompany.business}</dd></div><div><dt>样本组别</dt><dd>{selectedCompany.cohort}</dd></div><div><dt>买家</dt><dd>{selectedCompany.buyer}</dd></div><div><dt>收费/交付模式</dt><dd>{selectedCompany.businessModel ?? "待进一步核验"}</dd></div><div><dt>收费方式</dt><dd>{selectedCompany.price}</dd></div><div><dt>交付证据</dt><dd>{selectedCompany.delivery}</dd></div><div><dt>团队口径</dt><dd>{selectedCompany.teamBasis ?? "本轮未核验人数"}</dd></div><div><dt>分类依据</dt><dd>{selectedCompany.classificationBasis ?? "原有个案分类；随研究复核"}</dd></div><div><dt>技术验证证据</dt><dd>{technicalReviewLabels[selectedCompany.technicalReview?.level ?? "unreviewed"]}<p>{selectedCompany.technicalReview?.summary ?? "本轮未形成专项技术评审记录；不表示公司没有技术能力。"}</p>{selectedCompany.technicalReview && <small>评审日期：{selectedCompany.technicalReview.reviewedAt}</small>}{selectedCompany.technicalReview?.testScope && <p>测试范围：{selectedCompany.technicalReview.testScope}</p>}<p>材料可访问仅确认可查看，不证明性能、可靠性或商业交付质量；不同任务不作统一能力排名。</p></dd></div><div><dt>观测主体</dt><dd>{selectedCompany.entityBasis ?? "公司或经营品牌，法律主体未逐一核验"}</dd></div><div><dt>身份与限制</dt><dd>{selectedCompany.notes}</dd></div></dl>
+      <h3>经营与技术观测</h3>
+      {!!selectedReviews.length && <details><summary>关联核查记录（{selectedReviews.length}）</summary><ul>{selectedReviews.map((r) => <li key={r.id}><strong>{r.type}：{r.summary}</strong><p>{r.handling}</p><div>{r.evidenceIds.map((id) => { const item = data.evidence.find((e) => e.id === id); return item ? <External key={id} url={item.url}>{id}</External> : null; })}</div></li>)}</ul></details>}
      {selectedObservations.length ? <div className="research-table-wrap"><table><thead><tr><th>指标 / 归属</th><th>原始数值</th><th>数据时点</th><th>用途及限制</th><th>证据</th></tr></thead><tbody>{selectedObservations.map((o) => <tr key={o.id}><td>{o.kind}<small>{o.scope}</small></td><td>{o.bound !== "=" && o.bound}{money(o.value,o.unit)}</td><td>{o.timing}</td><td>{useLabels[o.selection] ?? o.selection}<small>{o.reason}</small></td><td><a href={`#detail-evidence-${o.evidence}`}>{o.evidence}</a></td></tr>)}</tbody></table></div> : <p>本轮尚未找到可记录的量化经营指标。收入保持未知。</p>}
      <h3>原始证据</h3><ul className="research-evidence-list">{selectedEvidence.map((e) => <Evidence key={e.id} prefix="detail-evidence" item={e} />)}</ul>
    </section>}
@@ -0,0 +1,75 @@
+import { useMemo, useState } from "react";
+import type { ResearchSnapshot } from "@/lib/ai-research";
+import { groupIncome, platformIncomeSample } from "@/lib/research-statistics";
+
+const usd = (value: number | null) => value === null ? "—" : new Intl.NumberFormat("zh-CN", {
+  style: "currency", currency: "USD", maximumFractionDigits: 0,
+}).format(value);
+const percent = (value: number | null) => value === null ? "—" : `${(value * 100).toFixed(1)}%`;
+
+export default function IncomeDistribution({ data, onSelect }: {
+  data: ResearchSnapshot; onSelect: (id: string) => void;
+}) {
+  const [dateWindow, setDateWindow] = useState("7");
+  const [year, setYear] = useState("");
+  const [annualize, setAnnualize] = useState(false);
+  const [splitModels, setSplitModels] = useState(true);
+  const [logScale, setLogScale] = useState(true);
+  const sample = useMemo(() => platformIncomeSample(data, {
+    windowDays: dateWindow === "all" ? null : Number(dateWindow), foundedYear: year ? Number(year) : undefined, annualize,
+  }), [data, dateWindow, year, annualize]);
+  const groups = useMemo(() => groupIncome(sample.points, splitModels).sort((a, b) =>
+    a.category.localeCompare(b.category) || a.provider.localeCompare(b.provider) || a.model.localeCompare(b.model)), [sample.points, splitModels]);
+  const categories = new Map(data.categories.map((category) => [category.id, category.name]));
+  const metric = annualize ? "MRR×12参考年化" : "平台MRR";
+  const values = sample.points.map((point) => point.value);
+  const minValue = Math.min(...values);
+  const maxValue = Math.max(1, ...values);
+  const axisMin = logScale && minValue > 0 && Number.isFinite(minValue) ? 10 ** Math.floor(Math.log10(minValue)) : 0;
+  const axisMax = Math.max(axisMin * 10, 10 ** Math.ceil(Math.log10(maxValue)));
+  const scale = logScale ? (value: number) => Math.log10(value + 1) : (value: number) => value;
+  const left = 250, right = 865;
+  const x = (value: number) => left + (scale(value) - scale(axisMin)) / (scale(axisMax) - scale(axisMin)) * (right - left);
+  const ticks = logScale ? [0, 1, 10, 100, 1000, 10000, 100000, 1000000, 10000000]
+    .filter((value) => value >= axisMin && value <= axisMax) : [0, .25, .5, .75, 1].map((fraction) => fraction * axisMax);
+  return <section className="research-distribution" aria-labelledby="income-distribution-title">
+    <h3 id="income-distribution-title">收入分布与均值敏感性</h3>
+    <p>单独比较支付平台显示的 USD MRR。每个点是一个产品或业务，法律主体与支付账户的独立性尚未全部核实；这不是行业总体或公司财报样本。</p>
+    <div className="research-filters">
+      <label>最后同步日期窗口<select value={dateWindow} onChange={(event) => setDateWindow(event.target.value)}><option value="7">截止日前 7 天内</option><option value="30">截止日前 30 天内</option><option value="90">截止日前 90 天内</option><option value="all">全部已知日期（混合历史）</option></select></label>
+      <label>资料中的创立年<select value={year} onChange={(event) => setYear(event.target.value)}><option value="">2025 与 2026</option><option value="2025">2025</option><option value="2026">2026</option></select></label>
+      <label>显示单位<select value={annualize ? "annualized" : "mrr"} onChange={(event) => setAnnualize(event.target.value === "annualized")}><option value="mrr">MRR（美元/月）</option><option value="annualized">MRR×12参考年化（美元/年）</option></select></label>
+    </div>
+    <div className="income-options"><label><input type="checkbox" checked={splitModels} onChange={(event) => setSplitModels(event.target.checked)} /> 按收费与交付模式细分</label><label><input type="checkbox" checked={logScale} onChange={(event) => setLogScale(event.target.checked)} /> 对数横轴</label></div>
+    <p className="research-notice">资料截至 {data.asOf}，纳入 {sample.points.length} 个产品，另有 {sample.excluded.length} 个 MRR 观测未纳入。{annualize ? "乘12只改变显示单位，不证明全年收入、续约或ARR；CV与相对敏感性不变。" : "MRR不等于近30日收款；平台数据连接也不等于财务审计。"}{dateWindow === "all" && " 当前包含不同时间的历史观测，不能称为同期对照。"}</p>
+    {sample.points.length ? <>
+      <figure>
+        <div className="research-table-wrap"><svg className="income-distribution-chart" viewBox={`0 0 900 ${groups.length * 70 + 65}`} role="group" aria-label={`${metric}分布，${logScale ? "对数" : "线性"}横轴；圆点为产品，竖线为均值，菱形为中位数`}>
+          {ticks.map((tick) => <g key={tick}><line x1={x(tick)} x2={x(tick)} y1={15} y2={groups.length * 70 + 10} stroke="#dfe6e0" /><text x={x(tick)} y={groups.length * 70 + 35} textAnchor="middle" fontSize="11" fill="#637066">{usd(tick)}</text></g>)}
+          {groups.map((group, index) => {
+            const y = index * 70 + 40;
+            return <g key={group.key}>
+              <text x={8} y={y - 8} fontSize="12" fill="#202724">{categories.get(group.category)}</text>
+              <text x={8} y={y + 10} fontSize="10" fill="#637066">{group.provider} · {group.model} · n={group.stats.n}</text>
+              <line x1={x(group.stats.min)} x2={x(group.stats.max)} y1={y} y2={y} stroke="#95b4a6" strokeWidth={2} />
+              <line x1={x(group.stats.mean)} x2={x(group.stats.mean)} y1={y - 17} y2={y + 17} stroke="#b17725" strokeWidth={3}><title>样本均值 {usd(group.stats.mean)}</title></line>
+              <path d={`M${x(group.stats.median)},${y - 7} l7,7 l-7,7 l-7,-7 Z`} fill="#8a78ad"><title>样本中位数 {usd(group.stats.median)}</title></path>
+              {group.points.map((point, position) => <g key={point.company.id} role="button" tabIndex={0} aria-label={`查看${point.company.name}，${metric} ${usd(point.value)}`} onClick={() => onSelect(point.company.id)} onKeyDown={(event) => { if (event.key === "Enter" || event.key === " ") { event.preventDefault(); onSelect(point.company.id); } }}>
+                <title>{point.company.name} · {usd(point.value)} · 数据日期 {point.observation.observedAt}{point.observation.connectionExpired ? " · 连接提示过期" : ""}</title>
+                <circle cx={x(point.value)} cy={y + ((position % 5) - 2) * 4} r={10} fill="transparent" />
+                <circle cx={x(point.value)} cy={y + ((position % 5) - 2) * 4} r={4.5} fill="#27745b" stroke="white" />
+              </g>)}
+            </g>;
+          })}
+        </svg></div>
+        <figcaption>圆点：产品观测　竖线：样本均值　菱形：样本中位数。按业务类别与支付来源分组，点击点或下表产品名可看原始证据。</figcaption>
+      </figure>
+      <div className="research-table-wrap"><table><caption>{metric}样本统计；金额按显示值计算，CV使用样本标准差</caption><thead><tr><th>类别 / 来源 / 模式</th><th>n</th><th>均值</th><th>中位数</th><th>均值/中位数</th><th>CV</th><th>去除最大值后的均值 / 下降幅度</th><th>产品与限制</th></tr></thead><tbody>{groups.map((group) => <tr key={group.key}>
+        <td>{categories.get(group.category)}<small>{group.provider} · {group.model}</small></td><td>{group.stats.n}</td><td>{usd(group.stats.mean)}</td><td>{usd(group.stats.median)}</td><td>{group.stats.meanMedianRatio?.toFixed(2) ?? "—"}</td><td>{group.stats.cv?.toFixed(2) ?? "—"}</td><td>{usd(group.stats.meanWithoutLargest)}<small>{percent(group.stats.largestRemovalDrop)}</small></td>
+        <td>{group.points.map((point) => <span key={point.company.id}><button className="research-company-name" onClick={() => onSelect(point.company.id)}>{point.company.name}</button>{" "}</span>)}<small>{group.stats.n < 3 ? "样本少于3，不能据此判断领域典型收入。" : "自选的小样本，须结合产品年龄、成本与留存评估。"}</small></td>
+      </tr>)}</tbody></table></div>
+    </> : <p className="research-message">当前窗口和创立年份没有符合条件的 MRR 记录。</p>}
+    <details><summary>统计规则与解释</summary><p>每个产品只取符合条件的最新一条平台 MRR；币种为美元，要求有效数据日期、确定数值及支付来源。公司 ARR、估算、融资、目标和近30日收入均不进入这里。未知值不补零。</p><p>CV＝样本标准差÷均值，标准差分母为 n−1；n=1 不算 CV。n=2 时均值必然等于中位数，不能据此认为均值有代表性。较大的均值/中位数差距、CV或移除最大值的变化，仅提示进一步核查样本构成。</p><p>支付商与平台的退款、试用、年付、币种及指标计算可能不同（<a href="https://trustmrr.com/faq" target="_blank" rel="noopener noreferrer">平台方法说明</a>）。不能将 MRR 与收款差异、单个高值或高离散度直接解释为财务造假。比较商业模式还需要毛利、获客成本、留存、人工交付和客户集中度。</p></details>
+    {sample.excluded.length > 0 && <details><summary>未纳入的 MRR 记录（{sample.excluded.length}）</summary><ul>{sample.excluded.map(({ observation, reason }) => <li key={observation.id}><button onClick={() => onSelect(observation.company)}>{observation.name}</button>：{usd(observation.value)} / 月，{observation.observedAt ?? "日期未知"}；{reason}</li>)}</ul></details>}
+  </section>;
+}
@@ -1,17 +1,31 @@
 export type ResearchCategory = { id: string; name: string; description: string };
+export const technicalReviewLabels = {
+  unreviewed: "技术证据尚未专项评审",
+  description: "已读技术自述",
+  "public-artifact": "公开代码/模型材料可访问",
+  "independent-test": "有第三方独立评测记录",
+};
 export type ResearchCompany = {
  id: string; name: string; url: string; cat: string; year: number | null;
  team: number | null; teamBound?: ">" | "≥"; location: string | null; business: string; buyer: string;
  delivery: string; notes: string; cohort: string; teamBasis: string | null;
  price: string; stage: string; sourceType: string; evidenceIds: string[];
-  revenueStatus: "self" | "estimate" | "unknown";
+  revenueStatus: "self" | "estimate" | "platform" | "unknown";
  extraUrl?: string; pricingEvidence?: string;
+  businessModel?: string; entityBasis?: string;
  profileOnly?: boolean; classificationBasis?: string; directoryTags?: string[];
+  directoryOrigin?: "yc-2025-2026";
+  technicalReview?: {
+    level: "description" | "public-artifact" | "independent-test";
+    reviewedAt: string; summary: string; evidenceIds: string[]; testScope?: string;
+  };
 };
 export type ResearchObservation = {
  id: string; company: string; name: string; kind: string; value: number;
  unit: string; timing: string; evidence: string; scope: string;
  selection: string; reason: string; bound: string; comparisonGroup: string | null;
+  metric?: "mrr" | "arr" | "revenue-30d" | "annualized-revenue";
+  observedAt?: string; provider?: string; connectionExpired?: boolean; origin?: "payment-platform";
 };
 export type ResearchEvidence = {
  id: string; companyId: string | null; title: string; url: string;
@@ -21,6 +35,7 @@ export type ResearchEvidence = {
 export type ResearchReview = {
  id: string; type: string; company: string; summary: string;
  evidenceIds: string[]; handling: string;
+  scope?: "companies" | "dataset" | "excluded-candidate"; companyIds?: string[];
 };
 export type ResearchCoverage = {
  source: string; accessedAt: string; candidateRecords: number; profilesRead: number;
@@ -56,8 +71,19 @@ export function validateResearch(snapshot: ResearchSnapshot) {
  unique(snapshot.observations.map((o) => o.id), "observations");
  unique(snapshot.reviews.map((r) => r.id), "reviews");
  for (const c of snapshot.companies) {
+    const technical = c.technicalReview;
+    if (technical && (!["description", "public-artifact", "independent-test"].includes(technical.level) ||
+        !/^\d{4}-\d{2}-\d{2}$/.test(technical.reviewedAt) ||
+        Number.isNaN(Date.parse(technical.reviewedAt)) ||
+        new Date(technical.reviewedAt).toISOString().slice(0, 10) !== technical.reviewedAt ||
+        technical.reviewedAt > snapshot.asOf || !technical.summary.trim() ||
+        !technical.evidenceIds.length || technical.evidenceIds.some((id) => !evidence.has(id)) ||
+        (technical.level === "independent-test" && !technical.testScope?.trim())))
+      throw new Error(`Invalid technical review: ${c.id}`);
    if (c.profileOnly && (c.revenueStatus !== "unknown" || !c.classificationBasis))
      throw new Error(`Invalid profile-only research record: ${c.id}`);
+    if (c.directoryOrigin && (c.directoryOrigin !== "yc-2025-2026" || !/^YC\d+$/.test(c.id)))
+      throw new Error(`Invalid research directory origin: ${c.id}`);
    if (!categories.has(c.cat) || !evidenceUrl(c.url) ||
        c.evidenceIds.some((id) => !evidence.has(id)) ||
        (c.pricingEvidence && !evidence.has(c.pricingEvidence)))
@@ -76,18 +102,32 @@ export function validateResearch(snapshot: ResearchSnapshot) {
  if (coverage && (coverage.profilesRead + coverage.failedProfiles !== coverage.candidateRecords ||
      coverage.matchingProfiles !== coverage.existingProfiles + coverage.newProfiles ||
      coverage.matchingProfiles + coverage.otherOrMissingYear + coverage.unclearAI + coverage.dateConflicts !== coverage.profilesRead ||
-      snapshot.companies.filter((c) => c.profileOnly).length !== coverage.newProfiles || !evidenceUrl(coverage.source)))
+      snapshot.companies.filter((c) => c.profileOnly || c.directoryOrigin === "yc-2025-2026").length !== coverage.newProfiles || !evidenceUrl(coverage.source)))
    throw new Error("Invalid research coverage accounting");
  for (const r of snapshot.reviews)
-    if (r.evidenceIds.some((id) => !evidence.has(id)))
+    if (r.evidenceIds.some((id) => !evidence.has(id)) ||
+        (r.companyIds && (new Set(r.companyIds).size !== r.companyIds.length ||
+          r.companyIds.some((id) => !companies.has(id)))) ||
+        (r.scope && !["companies", "dataset", "excluded-candidate"].includes(r.scope)) ||
+        (r.scope === "companies" && !r.companyIds?.length) ||
+        (r.scope && r.scope !== "companies" && !!r.companyIds?.length))
      throw new Error(`Invalid research review: ${r.id}`);
 }

+/** Explicit reviewed associations take priority; older revisions use evidence ownership. */
+export function reviewCompanyIds(snapshot: ResearchSnapshot, review: ResearchReview): string[] {
+  if (review.companyIds) return review.companyIds;
+  const evidenceIds = new Set(review.evidenceIds);
+  return [...new Set(snapshot.evidence.flatMap((e) =>
+    e.companyId && evidenceIds.has(e.id) ? [e.companyId] : []))];
+}
+
 export function categorySummary(snapshot: ResearchSnapshot) {
  return snapshot.categories.map((category) => {
    const companies = snapshot.companies.filter((c) => c.cat === category.id);
    return { ...category, count: companies.length,
      self: companies.filter((c) => c.revenueStatus === "self").length,
+      platform: companies.filter((c) => c.revenueStatus === "platform").length,
      estimate: companies.filter((c) => c.revenueStatus === "estimate").length,
      unknown: companies.filter((c) => c.revenueStatus === "unknown").length };
  });
@@ -0,0 +1,82 @@
+import type { ResearchCompany, ResearchObservation, ResearchSnapshot } from "./ai-research";
+
+export type IncomePoint = { company: ResearchCompany; observation: ResearchObservation; value: number };
+export type IncomeStats = {
+  n: number; mean: number; median: number; min: number; max: number;
+  sampleDeviation: number | null; cv: number | null; meanMedianRatio: number | null;
+  largestShare: number | null; meanWithoutLargest: number | null; largestRemovalDrop: number | null;
+};
+
+/** Describes the supplied sample only; missing values never become zero. */
+export function describeIncome(values: number[]): IncomeStats | null {
+  if (!values.length || values.some((value) => !Number.isFinite(value) || value < 0)) return null;
+  const ordered = [...values].sort((a, b) => a - b);
+  const n = ordered.length;
+  const total = ordered.reduce((sum, value) => sum + value, 0);
+  const mean = total / n;
+  const median = n % 2 ? ordered[(n - 1) / 2] : (ordered[n / 2 - 1] + ordered[n / 2]) / 2;
+  const sampleDeviation = n > 1 ? Math.sqrt(ordered.reduce((sum, value) => sum + (value - mean) ** 2, 0) / (n - 1)) : null;
+  const max = ordered[n - 1];
+  const meanWithoutLargest = n > 1 ? (total - max) / (n - 1) : null;
+  return { n, mean, median, min: ordered[0], max, sampleDeviation,
+    cv: sampleDeviation !== null && mean > 0 ? sampleDeviation / mean : null,
+    meanMedianRatio: median > 0 ? mean / median : null,
+    largestShare: total > 0 ? max / total : null, meanWithoutLargest,
+    largestRemovalDrop: meanWithoutLargest !== null && mean > 0 ? (mean - meanWithoutLargest) / mean : null };
+}
+
+function calendarDay(value: string | undefined): number | null {
+  if (!value || !/^\d{4}-\d{2}-\d{2}$/.test(value)) return null;
+  const time = Date.parse(`${value}T00:00:00Z`);
+  return Number.isFinite(time) && new Date(time).toISOString().slice(0, 10) === value ? time / 86400000 : null;
+}
+
+/** Latest dated platform MRR per product, never ARR, cash collections or estimates. */
+export function platformIncomeSample(snapshot: ResearchSnapshot, options: {
+  windowDays: number | null; foundedYear?: number; annualize?: boolean;
+}) {
+  const end = calendarDay(snapshot.asOf);
+  if (end === null || (options.windowDays !== null && (!Number.isInteger(options.windowDays) || options.windowDays < 0)))
+    throw new Error("Invalid income sample window");
+  const companies = new Map(snapshot.companies.map((company) => [company.id, company]));
+  const latest = new Map<string, ResearchObservation>();
+  const excluded: { observation: ResearchObservation; reason: string }[] = [];
+  const candidates = snapshot.observations.filter((o) => o.selection === "platform" && o.metric === "mrr");
+  for (const observation of candidates) {
+    const company = companies.get(observation.company);
+    const day = calendarDay(observation.observedAt);
+    let reason = "";
+    if (!company || ![2025, 2026].includes(company.year ?? 0)) reason = "创立年份未纳入2025—2026组";
+    else if (options.foundedYear && company.year !== options.foundedYear) reason = "不属于所选创立年份";
+    else if (observation.origin !== "payment-platform" || observation.unit !== "USD" || observation.bound !== "=" ||
+        observation.comparisonGroup !== "trustmrr-usd-mrr" || !observation.provider || !Number.isFinite(observation.value) || observation.value < 0)
+      reason = "来源、币种、指标或数值口径不满足条件";
+    else if (day === null) reason = "缺少有效数据日期";
+    else if (day > end) reason = "数据日期晚于研究截止日";
+    else if (options.windowDays !== null && end - day > options.windowDays) reason = "最后同步日期超出所选窗口";
+    if (reason) { excluded.push({ observation, reason }); continue; }
+    const previous = latest.get(observation.company);
+    if (!previous || observation.observedAt! > previous.observedAt!) {
+      if (previous) excluded.push({ observation: previous, reason: "同一产品的较早观测" });
+      latest.set(observation.company, observation);
+    } else excluded.push({ observation, reason: "同一产品已选较新或同日观测" });
+  }
+  const points: IncomePoint[] = [...latest.values()].map((observation) => ({
+    company: companies.get(observation.company)!, observation,
+    value: observation.value * (options.annualize ? 12 : 1),
+  }));
+  return { points, excluded };
+}
+
+export function groupIncome(points: IncomePoint[], splitModels = true) {
+  const groups = new Map<string, { category: string; provider: string; model: string; points: IncomePoint[] }>();
+  for (const point of points) {
+    const category = point.company.cat;
+    const provider = point.observation.provider!;
+    const model = splitModels ? point.company.businessModel ?? "收费模式未核验" : "全部收费模式";
+    const key = JSON.stringify([category, provider, model]);
+    if (!groups.has(key)) groups.set(key, { category, provider, model, points: [] });
+    groups.get(key)!.points.push(point);
+  }
+  return [...groups.entries()].map(([key, group]) => ({ key, ...group, stats: describeIncome(group.points.map((point) => point.value))! }));
+}
@@ -1470,3 +1470,13 @@ svg { flex-shrink: 0; }
  .research-tabs { gap: 16px; }
  .research-layout .reading-main { padding: 22px 16px 0; }
 }
+
+.research-distribution { margin: 24px 0 38px; }
+.research-distribution figure { margin: 20px 0; }
+.income-distribution-chart { display: block; width: 100%; min-width: 900px; height: auto; }
+.income-distribution-chart [role="button"] { cursor: pointer; outline: none; }
+.income-distribution-chart [role="button"]:focus circle:last-child { stroke: #b17725; stroke-width: 3; }
+.research-distribution figcaption { color: var(--muted); font-size: 11px; line-height: 1.7; margin: 10px 0; }
+.income-options { display: flex; flex-wrap: wrap; gap: 18px; margin: 12px 0; font-size: 12px; }
+.income-options label { display: flex; gap: 6px; align-items: center; }
+.research-distribution details { margin: 16px 0; font-size: 12px; line-height: 1.8; }
@@ -5,11 +5,13 @@ import { join } from "node:path";
 import { tmpdir } from "node:os";
 import seed from "../../../content/research/ai-companies.seed.json";
 import coverageAudit from "../../../content/research/ai-companies.coverage.json";
+import incomeReference from "../../../content/research/ai-income-analysis.json";
 import { readResearchSnapshot } from "../src/lib/ai-research-store";
 import { openSiteDatabase } from "../src/lib/site-database";
-import { categorySummary, evidenceUrl, validateResearch, type ResearchSnapshot } from "../src/lib/ai-research";
+import { categorySummary, evidenceUrl, reviewCompanyIds, validateResearch, type ResearchSnapshot } from "../src/lib/ai-research";
 import { consumeCode, initializeStore } from "../src/lib/auth-store";
 import { newAuthConfig } from "../src/lib/auth";
+import { describeIncome, groupIncome, platformIncomeSample } from "../src/lib/research-statistics";

 test("research revisions share the authentication database and preserve replay limits", () => {
  const dir = mkdtempSync(join(tmpdir(), "site-research-"));
@@ -21,9 +23,9 @@ test("research revisions share the authentication database and preserve replay l
    for (let i = 0; i < 20; i++) consumeCode(config, "invalid");
    assert.equal(consumeCode(config, "invalid"), "limited");
    const initial = readResearchSnapshot();
-    assert.equal(initial.companies.length, 986);
-    assert.equal(initial.evidence.length, 1035);
-    assert.equal(initial.observations.length, 75);
+    assert.equal(initial.companies.length, 1015);
+    assert.equal(initial.evidence.length, 1091);
+    assert.equal(initial.observations.length, 183);
    assert.deepEqual(readResearchSnapshot(), initial, "reopening does not duplicate records");
    const db = openSiteDatabase();
    const tables = db.prepare("SELECT name FROM sqlite_master WHERE type='table'").all() as { name: string }[];
@@ -58,18 +60,83 @@ test("research validation rejects broken evidence and unsafe source links", () =
  assert.equal(evidenceUrl("https://example.com/evidence"), "https://example.com/evidence");
 });

+test("reviews link explicit companies without turning global or excluded cases into companies", () => {
+  const snapshot = structuredClone(seed) as ResearchSnapshot;
+  assert.equal(snapshot.reviews.filter((r) => r.scope === "companies").length, 43);
+  assert.equal(snapshot.reviews.filter((r) => r.scope === "dataset").length, 3);
+  assert.equal(snapshot.reviews.filter((r) => r.scope === "excluded-candidate").length, 8);
+  const review = snapshot.reviews.find((r) => r.id === "R4")!;
+  assert.deepEqual(reviewCompanyIds(snapshot, review), ["AI007", "AI013", "AI021", "AI034"]);
+  assert.deepEqual(reviewCompanyIds(snapshot, snapshot.reviews.find((r) => r.id === "CN-R-PSI")!), []);
+  const oldReview = structuredClone(snapshot.reviews.find((r) => r.id === "TECH-GRAD-R-SCOPE")!);
+  delete oldReview.scope;
+  delete oldReview.companyIds;
+  assert.deepEqual(reviewCompanyIds(snapshot, oldReview), ["AI051"], "old revisions retain evidence-owner fallback");
+  review.companyIds = ["unknown-company"];
+  assert.throws(() => validateResearch(snapshot), /research review/);
+  review.companyIds = ["AI007", "AI007"];
+  assert.throws(() => validateResearch(snapshot), /research review/);
+  review.companyIds = [];
+  assert.throws(() => validateResearch(snapshot), /research review/);
+});
+
 test("disclosure counts exclude client income, biographies, targets and duplicate milestones", () => {
  const snapshot = seed as ResearchSnapshot;
  const summary = categorySummary(snapshot);
-  assert.equal(summary.reduce((n, c) => n + c.count, 0), 986);
-  assert.equal(summary.reduce((n, c) => n + c.self, 0), 8);
+  assert.equal(summary.reduce((n, c) => n + c.count, 0), 1015);
+  assert.equal(summary.reduce((n, c) => n + c.self, 0), 26);
  assert.equal(summary.reduce((n, c) => n + c.estimate, 0), 1);
-  assert.equal(summary.reduce((n, c) => n + c.unknown, 0), 977);
+  assert.equal(summary.reduce((n, c) => n + c.platform, 0), 16);
+  assert.equal(summary.reduce((n, c) => n + c.unknown, 0), 972);
  assert.equal(snapshot.companies.find((c) => c.name === "Rork")?.revenueStatus, "unknown");
  assert.equal(snapshot.companies.find((c) => c.name === "Result")?.revenueStatus, "unknown");
  assert.ok(snapshot.observations.filter((o) => o.selection === "signal").every((o) => o.scope === "公司整体"));
 });

+test("technical reviews keep accessible materials separate from tested capabilities", () => {
+  const snapshot = structuredClone(seed) as ResearchSnapshot;
+  assert.equal(snapshot.companies.filter((c) => c.technicalReview).length, 7);
+  assert.equal(snapshot.companies.filter((c) => c.technicalReview?.level === "public-artifact").length, 3);
+  assert.equal(snapshot.companies.filter((c) => c.technicalReview?.level === "independent-test").length, 1);
+  assert.equal(snapshot.companies.find((c) => c.id === "AI051")?.revenueStatus, "unknown");
+  assert.match(snapshot.companies.find((c) => c.id === "AI051")!.technicalReview!.testScope!, /Sep 2026/);
+  assert.ok(snapshot.observations.filter((o) => o.id.startsWith("TECH-GRAD-O-")).every((o) => o.selection === "technical" && o.comparisonGroup === null));
+  const company = snapshot.companies.find((c) => c.id === "AI061")!;
+  const review = company.technicalReview!;
+  review.evidenceIds = ["missing-technical-evidence"];
+  assert.throws(() => validateResearch(snapshot), /technical review/);
+  review.evidenceIds = ["TECH-NAIVE-HF"];
+  review.reviewedAt = "2026-02-30";
+  assert.throws(() => validateResearch(snapshot), /technical review/);
+  review.reviewedAt = "2099-01-01";
+  assert.throws(() => validateResearch(snapshot), /technical review/);
+  review.reviewedAt = snapshot.asOf;
+  review.level = "independent-test";
+  assert.throws(() => validateResearch(snapshot), /technical review/,
+    "an accessible artifact cannot become a test record without a stated test scope");
+});
+
+test("ambiguous ARR claims retain currency, precision and attribution limits", () => {
+  const snapshot = seed as ResearchSnapshot;
+  const variant = snapshot.observations.filter((o) => o.company === "AI066");
+  assert.deepEqual(variant.filter((o) => o.selection === "crosscheck").map((o) => o.value).sort(), [500000, 600000]);
+  assert.equal(variant.filter((o) => o.selection === "signal").length, 0);
+  assert.ok(variant.filter((o) => [2500000, 40000000].includes(o.value)).every((o) => o.selection === "excluded"));
+  const codos = snapshot.observations.find((o) => o.id === "SR-O-AI065-arr")!;
+  assert.equal(codos.bound, "≥");
+  assert.equal(codos.unit, "币种未注明");
+  assert.equal(codos.comparisonGroup, null);
+  assert.ok(snapshot.observations.filter((o) => o.id.startsWith("SR-O-")).every((o) => o.comparisonGroup === null && o.unit !== "USD"));
+  assert.equal(snapshot.companies.find((c) => c.id === "AI071")?.year, 2021);
+  const rocket = snapshot.observations.find((o) => o.id === "ROCKET-O-arr")!;
+  assert.equal(rocket.selection, "historical");
+  assert.equal(rocket.comparisonGroup, null);
+  assert.notEqual(rocket.scope, "公司整体");
+  assert.equal(snapshot.companies.find((c) => c.id === "AI070")?.revenueStatus, "unknown");
+  assert.equal(snapshot.observations.filter((o) => o.company === "AI070").length, 0,
+    "unreadable announcement summaries do not become numeric ARR");
+});
+
 // Retractions and forecasts must stay visible for review without becoming revenue signals.
 test("retracted ARR and projected margins remain excluded", () => {
  const snapshot = seed as ResearchSnapshot;
@@ -100,13 +167,91 @@ test("directory coverage reconciles every candidate and keeps profile-only incom
  assert.equal(count("ai-unclear"), coverage.unclearAI);
  for (const row of coverageAudit.records.filter((r) => r.status === "imported")) {
    const company = snapshot.companies.find((c) => c.id === `YC${row.ycId}`)!;
-    assert.ok(company.profileOnly);
+    assert.ok(company.profileOnly || company.directoryOrigin === "yc-2025-2026");
    assert.equal(company.url, row.source);
-    assert.equal(company.revenueStatus, "unknown");
+    if (company.profileOnly) assert.equal(company.revenueStatus, "unknown");
    assert.equal(company.year, row.foundedYear);
    assert.ok([2025, 2026].includes(company.year!));
  }
  const invalid = structuredClone(snapshot);
  invalid.coverage!.newProfiles += 1;
  assert.throws(() => validateResearch(invalid), /coverage accounting/);
+  const promoted = snapshot.companies.find((c) => c.id === "YC30215")!;
+  assert.equal(promoted.profileOnly, false);
+  assert.equal(promoted.directoryOrigin, "yc-2025-2026");
+  assert.equal(promoted.revenueStatus, "self");
+  const lostOrigin = structuredClone(snapshot);
+  delete lostOrigin.companies.find((c) => c.id === promoted.id)!.directoryOrigin;
+  assert.throws(() => validateResearch(lostOrigin), /coverage accounting/);
+});
+
+test("income descriptions report sample dispersion and maximum-value sensitivity", () => {
+  const stats = describeIncome([100, 200, 300])!;
+  assert.equal(stats.mean, 200);
+  assert.equal(stats.median, 200);
+  assert.equal(stats.sampleDeviation, 100);
+  assert.equal(stats.cv, .5);
+  assert.equal(stats.largestShare, .5);
+  assert.equal(stats.meanWithoutLargest, 150);
+  assert.equal(stats.largestRemovalDrop, .25);
+  assert.equal(describeIncome([5])!.cv, null);
+  assert.equal(describeIncome([0, 0])!.mean, 0, "observed zero is distinct from missing");
+  assert.equal(describeIncome([0, 0])!.cv, null);
+  assert.equal(describeIncome([]), null);
+  assert.equal(describeIncome([100, NaN]), null);
+  assert.equal(describeIncome([-1]), null);
+  assert.ok(describeIncome([1, 2, 100])!.largestRemovalDrop! > .95);
+});
+
+test("platform samples exclude stale data and keep ARR, estimates and collections separate", () => {
+  const snapshot = seed as ResearchSnapshot;
+  const recent = platformIncomeSample(snapshot, { windowDays: 7 });
+  assert.equal(recent.points.length, 14);
+  assert.equal(recent.excluded.length, 3);
+  assert.ok(recent.points.every((p) => p.observation.metric === "mrr" && p.observation.selection === "platform"));
+  assert.deepEqual(new Set(recent.excluded.map((p) => p.observation.company)), new Set(["AI016", "MR013", "MR014"]));
+  assert.ok(recent.points.some((p) => p.company.name === "TrackAI" && p.observation.connectionExpired), "dated recent value is not a claim of active connection");
+  const older = platformIncomeSample(snapshot, { windowDays: 90 });
+  assert.equal(older.points.length, 15);
+  assert.ok(older.points.some((p) => p.company.id === "AI016"));
+  const scaled = platformIncomeSample(snapshot, { windowDays: 7, annualize: true });
+  const monthlyGroups = groupIncome(recent.points);
+  const annualGroups = groupIncome(scaled.points);
+  for (const group of monthlyGroups) {
+    const annual = annualGroups.find((g) => g.key === group.key)!;
+    assert.ok(Math.abs(annual.stats.mean - group.stats.mean * 12) < 1e-6);
+    if (group.stats.cv !== null) assert.ok(Math.abs(annual.stats.cv! - group.stats.cv) < 1e-10);
+  }
+  const invalid = structuredClone(snapshot);
+  invalid.observations = invalid.observations.filter((o) => o.company === "MR001" && o.metric === "mrr");
+  const first = invalid.observations[0];
+  invalid.observations.push({ ...first, id: "future", observedAt: "2026-11-01", value: 999999 });
+  invalid.observations.push({ ...first, id: "bad-date", observedAt: "2026-02-30", value: 999999 });
+  invalid.observations.push({ ...first, id: "currency", unit: "EUR", value: 999999 });
+  invalid.observations.push({ ...first, id: "older", observedAt: "2026-10-28", value: 1 });
+  const selected = platformIncomeSample(invalid, { windowDays: 7 });
+  assert.equal(selected.points.length, 1);
+  assert.equal(selected.points[0].observation.id, first.id, "bad newer data and older duplicate must not replace latest valid point");
+  assert.equal(selected.excluded.length, 4);
+  assert.throws(() => platformIncomeSample(snapshot, { windowDays: -1 }), /window/);
+});
+
+test("distribution statistics match independently calculated snapshot references", () => {
+  const snapshot = seed as ResearchSnapshot;
+  assert.equal(incomeReference.sourceVersion, snapshot.version);
+  for (const reference of incomeReference.windows) {
+    const sample = platformIncomeSample(snapshot, { windowDays: reference.days });
+    assert.deepEqual(new Set(sample.points.map((p) => p.company.id)), new Set(reference.products));
+    const groups = groupIncome(sample.points);
+    assert.equal(groups.length, reference.groups.length);
+    for (const expected of reference.groups) {
+      const actual = groups.find((g) => g.category === expected.category && g.provider === expected.provider && g.model === expected.model)!;
+      assert.equal(actual.stats.n, expected.n);
+      for (const metric of ["mean", "median", "sampleDeviation", "cv", "meanWithoutLargest", "largestRemovalDrop"] as const) {
+        const value = expected[metric];
+        if (value === null) assert.equal(actual.stats[metric], null);
+        else assert.ok(Math.abs(actual.stats[metric]! - value) < 1e-6, metric);
+      }
+    }
+  }
 });
@@ -1,5 +1,10 @@
 {
  "collections": [
+    {
+      "path": "smalltalk",
+      "title": "Smalltalk-80 研究导读",
+      "description": "从消息、类与集合到图形、开发工具和经典 MVC。"
+    },
    {
      "path": "pretext",
      "title": "Pretext 源码教程",
@@ -59,6 +64,13 @@
      "slug": "endor/endor-purpose-draft",
      "category": "Endor"
    },
+    "08-coding-agent-traffic-platform-draft": {
+      "group": "奇思妙想",
+      "description": "从 AI 供给、注意力与获客成本，探索伪装成 coding agent 的需求与能力分发平台。",
+      "draft": true,
+      "slug": "endor/coding-agent-traffic-platform-draft",
+      "category": "Endor"
+    },
    "05-object-graphs-gc": {
      "collection": "对象关系与垃圾回收",
      "group": "运行时基础",
@@ -219,6 +231,92 @@
    "pretext/12-chapter": {
      "slug": "source-studies/pretext/applying-the-design",
      "category": "源码研究"
+    },
+    "ai-company-research/01-income-snapshot": {
+      "collection": "AI 公司研究",
+      "group": "公司与市场",
+      "description": "查看14个产品的平台MRR分布、均值与离散度、历史点敏感性和逐项证据入口。",
+      "slug": "other-research/ai-company-research/income-snapshot",
+      "category": "其他研究"
+    },
+    "ai-company-research/02-coverage-and-gaps": {
+      "collection": "AI 公司研究",
+      "group": "公司与市场",
+      "description": "核对候选池、来源偏差、分类与验证完成度，区分全量读取和定向补充。",
+      "slug": "other-research/ai-company-research/coverage",
+      "category": "其他研究"
+    },
+    "smalltalk/00-overview": {
+      "slug": "source-studies/smalltalk/overview",
+      "category": "源码研究",
+      "group": "阅读地图",
+      "description": "Smalltalk-80：从消息到交互系统；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/01-messages": {
+      "slug": "source-studies/smalltalk/messages",
+      "category": "源码研究",
+      "group": "语言核心",
+      "description": "消息与对象：理解执行模型；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/02-syntax-and-blocks": {
+      "slug": "source-studies/smalltalk/syntax-and-blocks",
+      "category": "源码研究",
+      "group": "语言核心",
+      "description": "语法与块：读懂一段 Smalltalk；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/03-classes-and-methods": {
+      "slug": "source-studies/smalltalk/classes-and-methods",
+      "category": "源码研究",
+      "group": "语言核心",
+      "description": "类、方法与元类：行为放在哪里；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/04-object-protocol": {
+      "slug": "source-studies/smalltalk/object-protocol",
+      "category": "源码研究",
+      "group": "对象模型",
+      "description": "对象协议：身份、复制与依赖；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/05-reflection": {
+      "slug": "source-studies/smalltalk/reflection",
+      "category": "源码研究",
+      "group": "对象模型",
+      "description": "类的架构与反射：系统怎样描述自己；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/06-collections-and-streams": {
+      "slug": "source-studies/smalltalk/collections-and-streams",
+      "category": "源码研究",
+      "group": "类库与执行",
+      "description": "基础类库：数值、集合与流；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/07-processes": {
+      "slug": "source-studies/smalltalk/processes",
+      "category": "源码研究",
+      "group": "类库与执行",
+      "description": "进程与同步：协作执行的对象；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/08-graphics": {
+      "slug": "source-studies/smalltalk/graphics",
+      "category": "源码研究",
+      "group": "交互系统",
+      "description": "图形系统：坐标、位图与绘制；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/09-live-environment": {
+      "slug": "source-studies/smalltalk/live-environment",
+      "category": "源码研究",
+      "group": "交互系统",
+      "description": "开发环境：浏览、检查与调试；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/10-mvc": {
+      "slug": "source-studies/smalltalk/mvc",
+      "category": "源码研究",
+      "group": "交互系统",
+      "description": "MVC 与曲线案例：连接数据和界面；依据原书章节整理，区分历史机制与补充说明。"
+    },
+    "smalltalk/11-reference": {
+      "slug": "source-studies/smalltalk/reference",
+      "category": "源码研究",
+      "group": "阅读地图",
+      "description": "术语、练习与原书对照；依据原书章节整理，区分历史机制与补充说明。"
    }
  }
 }
@@ -0,0 +1,150 @@
+# 一个伪装成 coding agent 的流量平台
+
+> **奇思妙想 · 探索草案，2026-10-30**：记录一次关于 AI、注意力和 Endor 定位的推演。这不是已确认的产品战略、商业模式或架构规范，也不表示下面描述的发现、推荐、交易与结算能力已经实现。本提案保留在 `codex/wild-ideas` 分支，暂不合并主线。
+
+## 核心命题
+
+**我们是一个伪装成 coding agent 的流量平台。**
+
+这句话试图描述 Endor 的一种潜在发展方向：用户因为需要 AI 帮忙写代码、修改程序、完成工作而进入；Endor 在推进任务的过程中，连接用户的真实需求与能够满足需求的对象、程序、服务和开发者。写代码是切入口，需求与能力之间的分发可能成为平台价值的重要来源。
+
+这里的“伪装”是一种内部讨论的修辞：表面产品形态是 coding agent，底层战略假设是流量与需求分发平台。它不意味着向用户隐瞒推荐依据、商业关系或数据用途。Agent 必须真的把工作做好；商业分发不能成为牺牲用户任务结果的理由。
+
+这里的“流量”也不只指页面浏览量。我们关心的是一项真实需求最终被交给哪个能力、哪项服务或哪个开发者，以及它有没有被完成。一次没有外部点击、但经用户授权调用了合适能力的任务，也可能构成需求分发。
+
+## 起点：当生产越来越便宜，什么会变得稀缺
+
+最初的直觉是：AI 越来越强，互联网的内容、软件和服务产出就会越来越多；人的时间不能同步增长，于是每个产出平均分到的注意力减少，流量越来越贵。
+
+这条链条有方向上的解释力，但不能把最后一步直接当成定律。需要分开三个问题：
+
+1. **生产成本**：AI 是否降低了完成某类产出的成本？
+2. **注意力竞争**：争夺同一人群和同一种需求的有效供给，是否增长得比消费更快？
+3. **获客成本**：获得一个真正成交、留存的客户，需要花多少成本？
+
+大量从未被展示的机器文章增加了互联网总产量，却不一定增加某个产品面对的实际竞争。企业也可能用 AI 提高质量或减少投入，而不是无限扩张产量。因而，应观察真正进入候选范围的替代品，而不只统计生成内容总量。
+
+即使注意力竞争加剧，广告单价也未必上涨。更多内容可能增加广告库存；AI 可能提高匹配与转化效率；经济环境和广告主预算也会改变竞价需求。普通曝光可能更便宜，而高购买意图、可信且能带来结果的触达更贵。
+
+更适合支撑本提案的假设是：**当更多人能够生产可用的东西，让合适的人发现、信任并选择它，可能成为更大的瓶颈。**
+
+## 已有证据与推演边界
+
+以下资料是提出假设的依据，不是 Endor 已经拥有商业价值或市场地位的证明。
+
+| 观察 | 原始来源 | 能说明什么与不能说明什么 |
+| --- | --- | --- |
+| 2023 年针对 453 名专业人士的随机写作实验中，使用 ChatGPT 的参与者平均用时减少 40%，产出质量评分提高 18% | [Noy 与 Zhang，Science](https://doi.org/10.1126/science.adh2586) | 支持部分写作任务的生产成本下降，不能外推所有行业的产量和质量 |
+| Meta 2022 年广告展示量增长 18%，平均广告价格下降 16% | [Meta 2022 年报](https://www.sec.gov/Archives/edgar/data/1326801/000132680123000013/meta-20221231.htm) | 证明量增不必然价增；这是历史反例，不是生成式 AI 的效果实验 |
+| Meta 2025 年广告展示量增长 12%，平均广告价格上涨 9% | [Meta 2025 年报](https://www.sec.gov/Archives/edgar/data/1326801/000162828026003942/meta-20251231.htm) | 说明该平台当年的综合单价上涨，不能单独识别 AI 的因果贡献，也不代表每个广告主 |
+| Pew 对 900 名美国成年人 2025 年 3 月浏览记录的分析中，有 AI 摘要的搜索访问点击传统结果的比例为 8%，没有摘要时为 15%；点击摘要内链接的比例约为 1% | [Pew 原始研究](https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/) | 提示需求可能在入口处被满足；查询类型不同，这不是随机因果实验，也不能直接套用中国市场 |
+
+对经营者而言，一个简化关系是：广告获客成本 = 每次点击价格 ÷ 点击后的新客转化率。完整获客成本还包括内容、销售、人员与工具等投入。单价上涨而转化改善时，获客成本可以下降；单价下降而转化恶化时，获客成本可以上涨。
+
+因此，我们暂不押注“整个互联网的流量价格持续上涨”。我们要研究的是：**用户越来越依赖谁来表达需求、筛选候选、执行任务和判断结果。** 如果这些环节集中在少数入口，入口可能拥有更强的分发与议价能力；如果 AI 让用户更容易比较和切换，入口溢价也可能被削弱。
+
+## 为什么从 coding agent 进入
+
+传统内容入口通常先争夺注意力，再等待用户表达需求。Coding agent 有机会直接从任务开始：用户说要做什么，Agent 读取获准访问的工作上下文，选择能力，执行并获得结果反馈。
+
+在这个假设下，它可能同时接触到四类信号：
+
+- **需求**：用户究竟想完成什么，而不仅是搜索过什么关键词。
+- **上下文**：现有项目、对象、约束和已经作出的选择；以用户授权的访问范围为限。
+- **执行**：某个候选能力能否被接入，适不适合当前环境，失败时如何继续。
+- **结果**：用户是否接受、是否继续使用，以及任务有没有达到目标。
+
+这些信号可能比一次泛曝光更接近真实需求，但是否更准确、更有价值，需要用实际任务验证。用户也完全可能只需要一个本地代码工具，并不愿意让它承担服务发现或购买入口。
+
+Coding agent 的切入口不等于永远只服务程序员。如果 Endor 的对象与能力能够支持更多工作流，入口可以逐步从“帮我写一个程序”扩展为“帮我把这件事完成”。这种扩展是候选方向，不是已完成的用户覆盖。
+
+## 与 Endor 对象世界的连接
+
+[Endor 的意义](/docs/endor/endor-purpose-draft)提出以对象池组织工作对象、由 Agent 推进任务，并把操作权交还给用户与 AI。本提案从需求分发角度重新观察同一条路径，暂不替换原有定位。
+
+假设用户说：“帮我做一个报名系统。”Coding agent 可以从头生成代码，也可以发现已有的报名、身份、通知或导出能力，在检查适配性和授权后复用。关键不只是找到一个链接，而是让能力能够在当前工作里实际使用。
+
+| Endor 的既有讨论方向 | 在本提案中的潜在作用 | 尚需验证的部分 |
+| --- | --- | --- |
+| 对象、类型与可执行行为 | 让能力具备可识别的输入、输出和使用边界 | 类型可表达不等于自动理解全部业务，也不保证可安全组合 |
+| 对象池与来源关系 | 让产出、依赖和后续工作能够继续关联 | 身份、版本、迁移和失败状态的实际成本 |
+| Agent 承载任务 | 在需求出现时选择与组织能力 | 能否比从头生成或手工搜索更好地完成任务 |
+| Tessera 等呈现入口 | 让用户查看候选、检查效果并继续操作 | 用户能否理解选择依据、商业关系与操作影响 |
+| 挂载与运行位置 | 探索使用本地、自部署或平台侧的能力 | 可达性、兼容、权限和运行成本，不能假定跨端调用总能成功 |
+
+这一连接的核心设想是：**别人做出的能力，能够成为 Agent 完成下一项真实任务时的候选；用户自己的产出，也可能在愿意共享时成为他人可用的能力。**
+
+## 一个候选闭环：从生产工具到需求分发
+
+1. 用户带着具体任务进入，Agent 先帮助完成工作，形成独立的工具价值。
+2. 在重复需求出现时，识别哪些已有能力值得复用，而不是每次重新生成。
+3. 能力提供者以某种待设计的方式描述用途、输入输出、版本、成本与使用条件。
+4. Agent 根据任务适配性提出候选，用户按任务需要检查、选择和授权。
+5. 执行产生结果，平台在允许的范围内记录成功、失败和用户反馈，改善后续匹配。
+6. 供应者因为获得合适需求而继续提供能力，用户因为更容易完成任务而回来。
+
+这个闭环能否形成网络效应，取决于新增供给是否改善匹配，以及新增需求是否吸引有价值的供给。如果新增的只是大量重复、低质量能力，反而可能增加筛选成本。
+
+我们因此不能把“有很多用户和很多程序”直接等同于平台已经成立。必须证明任务分发创造了新增价值。
+
+## 流量平台究竟分发什么
+
+这里至少存在三种候选对象，不能混为一谈：
+
+| 分发对象 | 例子 | 可以观察的有效结果 |
+| --- | --- | --- |
+| 注意力 | 用户查看一个能力的说明或演示 | 是否进入适合的评估，而非只增加曝光 |
+| 任务与调用机会 | Agent 选择一个库、对象或外部服务 | 是否适配、成功执行并被用户接受 |
+| 商业需求 | 用户决定购买服务、订阅能力或联系供应者 | 是否形成可归因的新增成交与持续使用 |
+
+一个开源组件被复用，可能有用户价值而没有收入；一次付费服务调用，也不必然形成可持续的平台利润。曝光、调用、成交与留存需要分别衡量。
+
+## 可能的商业模式，以及它们与用户利益的关系
+
+以下只是待比较的选项，尚未确定定价、抽成比例、排序规则或结算机制。
+
+- **Agent 订阅或执行收费**：用户为工具本身付费。先检验不依赖广告或交易抽成时，Endor 是否值得使用。
+- **能力市场的交易服务费**：在确实帮助发现、执行或保障交易时收费，需要验证是否带来新增成交，以及双方是否愿意持续使用平台。
+- **面向供应者的经营工具**：能力托管、版本维护、运行观测与支持等服务，收入来自提供的服务质量。
+- **明确标识的商业推荐**：可能产生分发收入，但也最容易与任务适配产生冲突。应单独讨论，不能默认把付费排名混入 Agent 的技术判断。
+
+一个必须正面处理的矛盾是：用户希望 Agent 帮自己找到最合适的方案，供应者可能希望付费换取更多推荐。如果商业利益损害用户判断，入口赖以成立的信任也会受损。
+
+所以“伪装成 coding agent”不能演变成“用工具承诺获取信任，再偷偷出售决策”。用户应该理解谁提供能力、为何推荐、要付什么成本，以及是否存在商业关系。具体的展示和治理机制仍需设计。
+
+## 这条路线最可能失败在哪里
+
+首先，Coding agent 自身可能没有形成持续使用价值。一个不好用的工具不能靠市场叙事变成入口。
+
+其次，能力复用未必比即时生成划算。对于简单、一次性的程序，AI 直接生成可能比发现、理解、适配和维护依赖更便宜。更值得验证的是有长期维护、真实数据、专业经验或外部执行资源的能力。
+
+第三，用户可能多入口并用，供应者也可以直接服务用户。除非 Endor 持续提供匹配、执行、可靠性或关系维护价值，否则不应假定可以长期抽取渠道费用。
+
+第四，能力分发会带来版本、兼容、质量、供应者退出与外部副作用等成本。对象可连接不代表这些问题消失，也不能把它们隐藏在一次看似顺滑的调用后面。
+
+最后，平台入口本身也面临竞争。上游模型、现有开发工具、开源生态和其他任务入口都可能承担相同角色。我们不能先假定拥有垄断入口，再倒推出商业模式成立。
+
+## 怎样把奇思妙想变成可以被否定的实验
+
+先选择一个明确、重复出现的任务场景，例如前面的报名系统。保持材料、任务目标和辅助条件相近，比较三条正常可用的路径：用户手工寻找和组合、Agent 从头生成、Agent 发现并复用已有能力。不要刻意削弱对照方案。
+
+| 假设 | 需要收集的证据 | 什么结果会削弱假设 |
+| --- | --- | --- |
+| 用户愿意把需求交给入口 | 完成真实任务后的再次使用与主动委托 | 只试用一次，后续仍回到原工具 |
+| 能力复用优于重新生成 | 完成时间、总成本、成功率与维护负担 | 适配和依赖处理抵消全部节省 |
+| 匹配带来有效需求 | 候选接受、成功调用、持续使用与新增成交 | 只有曝光或点击，没有任务结果 |
+| 供给增长改善体验 | 新能力加入前后的任务覆盖和筛选成本 | 重复供给增加，选择更困难 |
+| 分发不损害信任 | 用户对推荐原因和商业关系的理解、拒绝与切换行为 | 为变现偏离需求，用户难以判断或退出 |
+| 商业模式能保留收益 | 收入扣除推理、运行、支持与获客后的贡献 | 调用量增长，但服务成本与获客投入更快增长 |
+
+数值门槛应在具体实验开始前根据场景确定，不能看完结果后再改成功定义。任务完成、用户接受和商业转化也不能互相替代。
+
+## 暂时保留的定位
+
+对内部讨论，可以保留这句有冲击力的表达：**我们是一个伪装成 coding agent 的流量平台。**
+
+展开来说：Endor 先通过 Agent 帮用户完成工作，再探索把真实需求与可执行能力连接起来，使生产、发现、选择、使用和持续维护形成连续过程。生产力工具是起点，需求分发平台是需要证明的可能性。
+
+这条方向不依赖“所有流量一定涨价”，而依赖三个更具体的假设：用户愿意在这里交付真实任务；平台能比其他方式更好地匹配和执行能力；用户、供应者和平台都能保留足够价值。
+
+本分支用于继续记录这类奇思妙想及其引出的修改。未经后续评估与明确合并决定，本提案保持探索状态，不据此改变主线产品承诺、推荐策略或部署行为。
@@ -3,3 +3,62 @@
 调查 2025—2026 年不同类型 AI 公司的业务、交付能力、规模与商业模式。分类表链接公司数据，公司数据链接经营指标与原始证据。

 以下工作台读取研究数据库。首批为公开资料定向试样，成立、公开发布和转型发布分别记录。未披露收入的公司继续保留，避免把收入资料缺失误当成零收入。
+
+[收入样本分布快照](/docs/other-research/ai-company-research/income-snapshot)列出当前平台MRR的分组结果、逐项证据入口和历史样本敏感性。
+
+[资料覆盖与缺项](/docs/other-research/ai-company-research/coverage)区分候选池读取、定向样本、人工复核及尚未核验的字段。
+
+## 商业模式初评：截至 2026-10-30
+
+以下为研究假设，用于设计付费试验，尚不足以给行业排收益名次。规模、交付证据和收入来源必须一起看；目录条目数量不是市场需求，平台样本也存在自愿公开与幸存者偏差。
+
+| 模式 | 工作台可搜索样本 | 当前证据 | 商业试验要测什么 | 主要缺项 |
+| --- | --- | --- | --- | --- |
+| 企业获客与营销软件 | Gojiberry、Traxy AI、NotFair、ChatSEO | 有平台MRR记录，但同步日期不同 | 有效商机、续费与单客户贡献毛利 | 获客费、客户集中度、退款、留存 |
+| 消费者个人应用 | nutrIA、Calyra、Verbi、ABMAXX | 有平台收入与订阅记录；订阅份数不是独立人数 | 渠道成本、后续月份留存、平台抽成后利润 | 取消与退款、月/年套餐结构、重复订阅 |
+| 创意软件与制作服务 | Speel.co、Laper、GetEbook AI、White Glove Content | 软件订阅和交付服务必须分组 | 合格交付的计算与人工成本、返工率、重复购买 | 项目收入占比、人工工时、产能 |
+| 小企业综合Agent | Runable（AI059） | 公司披露历史ARR里程碑；[官方公告](https://runable.com/blogs/runable-grow) | 限定一个任务，测完整成功率、收费与执行成本 | 当前付费客户、续费、推理成本、人工接管 |
+| 行业专业Agent与服务 | LunaBill、Plena Health、Bizmark | 有合同ARR、数量级或ARR自述，日历截止日和交付拆分不完整 | 采购周期、上线工时、失败处理与验收标准 | 合同、经常性与实施费拆分、使用深度 |
+| AI辅助工程与研究服务 | Marengo、Harbor | 有首月收入、待交付或多年服务合同；不直接当ARR | 已验收项目毛利、专业人员工时、返工和责任成本 | 合同收入确认、软件/服务拆分、应收账款和交付集中度 |
+| 模型、算力与机器人 | Wafer、Induction Labs、Congruent | 可确定产品方向；团队小或融资多不证明单位经济 | 客户真实负载、性能成本、交付与售后成本 | 同口径收入、资本开支、独立性能测试 |
+
+**对我们商业试验的推论：** 先选择能接触真实买家、结果可验收、成本可计量的工作流，比较软件订阅与服务交付的实际毛利，再评估是否扩成综合Agent。当前证据不足以断定某类必然更赚钱；平台数据更适合帮助选择访谈与试验对象。
+
+收入里程碑还需结合成本核查：Runable创始人称毛利为负。[原始采访](https://techcrunch.com/2026/08/26/runable-hits-21m-to-bet-ai-agents-can-go-from-building-businesses-to-growing-them/)
+
+## ARR 分布与财务声明核查
+
+目前可绘制的是按日期窗口、支付平台及收费模式分组的产品 **MRR** 分布。公司自述ARR缺少统一截止日、定义和独立凭证，尚不能形成可靠的行业ARR排名。MRR乘12仅为参考年化；项目收入、融资、近30日收款与ARR分别保存。
+
+| 现象 | 后续核查 | 推断边界 |
+| --- | --- | --- |
+| 平均值远高于中位数，移除最大值后均值明显下降 | 回查大样本的日期、业务边界和收费模式 | 高离散度不等于造假 |
+| ARR与近30日收款差距大 | 查年付、季付、退款、试用、币种及平台计算方法 | 不同指标不应机械相等 |
+| 用户很多，付费数缺失 | 取得付费客户、套餐与账期数据，再核ARPA | 不能用注册人数直接反推真实性 |
+| 公司、投资方与媒体重复一个数字 | 追到首发声明及独立底账 | 多篇转述不等于独立证据 |
+| 声明撤回、口径变更或含并购业务 | 保留历史版本，拆分边界并核对更正原因 | 单个异常无法生成可靠造假概率 |
+
+### 从原文到可比较收入：新增核查实例
+
+以下均为2026-10-30读取的公司自述，读取日不代表收入业务截止日。点击公司可查看分项观测、核查和原始来源。原文仅有美元符号时保留币种待核；未给币种的数字不补成美元。
+
+| 公司 | 原始声明 | 数据表处理 | 对商业模式评估的影响 |
+| --- | --- | --- | --- |
+| [Risely AI](/docs/other-research/ai-company-research/overview?company=YC30724#research-company-detail) | 上线六周达到8千MRR，原文$ | 保存MRR；无日历截止日，不转换为同期ARR | 高校系统集成还需核实施成本、采购周期与续约 |
+| [Hyper](/docs/other-research/ai-company-research/overview?company=YC31548#research-company-detail) | 上线十二天达到1千MRR、采用团队50多 | 币种未列；采用团队不直接当付费客户 | 试点与持续付费需要分开；不直接算每团队收入 |
+| [Bizmark](/docs/other-research/ai-company-research/overview?company=YC32200#research-company-detail) | 工厂产品10.8万ARR，原文$ | 保留声明；创始人此前6000万业务收入排除 | 核对软件与定制集成收入、上线成本及客户集中度 |
+| [LunaBill](/docs/other-research/ai-company-research/overview?company=YC30997#research-company-detail) | 76.4万contracted ARR，其中42.8万称live revenue，原文$ | 合同承诺、已上线部分分别保存，不相加；后者未擅自补为ARR | 上线转化和已验收用量比总合同承诺更能检验交付；客户追回款项排除 |
+| [Plena Health](/docs/other-research/ai-company-research/overview?company=YC31493#research-company-detail) | 七位数committed/contracted ARR | 仅存数量级下界，不填精确100万；八个月/十个月表述保留 | 年度或多年合同需拆上线状态、取消条款和定制实施费 |
+| [Brickwise](/docs/other-research/ai-company-research/overview?company=YC30847#research-company-detail) | 销售管线中有超过100万cARR的企业合同，原文$ | 不确认成已签或已实现ARR；融资及前公司业绩排除 | 大合同集中度和签约到上线的转化需要单独核查 |
+| [Radley](/docs/other-research/ai-company-research/overview?company=YC33020#research-company-detail) | 收购诊所带来460万年化收入，另有220万合同，原文$ | 收购、交割与并表边界未核，不当纯软件ARR，不把两项相加 | 医疗服务收入需结合医生工时、收购成本与经营毛利，不能直接与SaaS比较 |
+| [Misprint](/docs/other-research/ai-company-research/overview?company=YC30302#research-company-detail) | 创始人此前卖卡50万ARR，原文$ | 发布帖明确早于平台构想，排除平台收入 | 卡牌销售额、交易额、平台佣金与软件订阅是不同口径 |
+| [Harbor](/docs/other-research/ai-company-research/overview?company=YC31445#research-company-detail) | 未来十二个月18.7万软件合同、月软件收入1.56万、三年193万CRO合同，原文$ | 软件与服务分开，重叠声明不相加；多年合同不均摊为ARR | 从软件扩至服务后，需核项目履约、人员成本和回款周期 |
+| [Marengo](/docs/other-research/ai-company-research/overview?company=YC32981#research-company-detail) | 首月7万收入、400万待交付合同，原文$ | 单月收入不自动年化，待交付合同不当确认收入 | 数据中心设计是专业工程服务，需核工程师审核、返工与验收成本 |
+| [Tsenta](/docs/other-research/ai-company-research/overview?company=YC31259#research-company-detail) | 三个月达到约300万Annualized，原文$ | 指标没有展开定义，暂不补成ARR | 按申请额度收费，求职结束后的留存与持续付费需单独测量 |
+| [Arbital](/docs/other-research/ai-company-research/overview?company=YC32749#research-company-detail) | 累计13.5亿、月约4.35亿交易量，原文$ | 交易量不当收入；没有费率不反推佣金 | 交易量可能包含重复换手，平台抽成、激励和净收入才决定经济性 |
+| [Jcode](/docs/other-research/ai-company-research/overview?company=YC32172#research-company-detail) | 每月100万推理支出吞吐，原文$ | 推理支出不当MRR；源码公开与厂商基准分开标记 | 需核工具收费、推理成本承担方和开发者留存 |
+| [NebuSec](/docs/other-research/ai-company-research/overview?company=YC32138#research-company-detail) | 40万漏洞奖金，原文$ | 团队与Agent归属、获奖期及收款主体待核，不当ARR | 奖金与安全服务订阅不同；独立漏洞记录及持续合同需分别验证 |
+
+这批记录补充了收入定义差异，尚未增加同日同币种的可比ARR样本。合同承诺、并购业务或履历混入会使领域均值失真；资料有这些差异本身不证明财务造假。
+
+下一轮优先取得统一业务截止日的ARR定义、付费客户变动、留存、收入与现金勾稽、直接成本及可独立复核的来源。缺项留在表内并保持未知。上述核查是研究流程，不是审计意见。
@@ -0,0 +1,64 @@
+# AI 公司收入样本分布快照
+
+截至 2026-10-30，7日窗口内有 14 个产品的美元平台MRR可纳入分组描述。创意软件订阅组的样本均值较高、CV也较大；营销软件组与消费者个人应用组的CV接近。各组只有1至5个产品，尚不足以估计行业总体或造假概率。
+
+这是已采集资料的固定快照。[动态工作台](/docs/other-research/ai-company-research/overview)提供筛选与原始证据。窗口按最后同步日计算，不保证所有点同日，也不是1,015条公司/产品记录的收入普查。
+
+## 7日窗口的分组结果
+
+MRR单位为美元每月。CV为样本标准差除以均值；最大值剔除降幅表示移除最高收入产品后均值下降的比例。单个样本不计算离散度。
+
+| 业务及收费模式 | 平台 | 样本数 | 均值 | 中位数 | CV | 最大值剔除降幅 |
+| --- | --- | --- | --- | --- | --- | --- |
+| 客户与收入运营 · 软件订阅 | Stripe | 4 | 34,815 | 36,723 | 0.469 | 16.9% |
+| 内容与创意 · 消费者订阅 | RevenueCat | 1 | 53,101 | 53,101 | 不计算 | 不计算 |
+| 内容与创意 · 内容制作服务 | Stripe | 1 | 62,423 | 62,423 | 不计算 | 不计算 |
+| 内容与创意 · 软件订阅 | Stripe | 3 | 41,693 | 49,069 | 0.674 | 28.4% |
+| 消费者个人应用 · 消费者订阅 | RevenueCat | 5 | 25,349 | 20,483 | 0.471 | 20.9% |
+
+在至少3个样本的组内，内容创意软件订阅的均值较高，但移除最大样本后的下降也最大。营销软件与个人应用的CV仅有微小差别，不据此宣称哪个领域更稳定。两个内容类单样本组虽有更高数值，不能作为典型收入或领域排名。
+
+均值和中位数接近只描述当前采集点，并不证明样本具有代表性。平台公开者、成立年、规模、获客渠道与收费方式均可能影响结果。
+
+## 样本与证据入口
+
+点击产品名称可打开公司明细，再查看平台记录及其限制。连接已过期的近期快照仍按所标日期保留，并不表示连接当前有效。
+
+| 产品 | 成立年 | MRR美元每月 | 最后同步 | 平台 | 连接状态 |
+| --- | --- | --- | --- | --- | --- |
+| [Boothie](/docs/other-research/ai-company-research/overview?company=MR001#research-company-detail) | 2026 | 53,101 | 2026-10-29 | RevenueCat | 采集时未标过期 |
+| [White Glove Content](/docs/other-research/ai-company-research/overview?company=MR002#research-company-detail) | 2026 | 62,423 | 2026-10-29 | Stripe | 采集时未标过期 |
+| [Speel.co](/docs/other-research/ai-company-research/overview?company=MR003#research-company-detail) | 2025 | 65,381 | 2026-10-29 | Stripe | 采集时未标过期 |
+| [Laper](/docs/other-research/ai-company-research/overview?company=MR004#research-company-detail) | 2025 | 49,069 | 2026-10-29 | Stripe | 采集时未标过期 |
+| [GETebook.ai](/docs/other-research/ai-company-research/overview?company=MR005#research-company-detail) | 2025 | 10,629 | 2026-10-29 | Stripe | 采集时未标过期 |
+| [TrackAI](/docs/other-research/ai-company-research/overview?company=MR006#research-company-detail) | 2025 | 19,437 | 2026-10-27 | RevenueCat | 已过期的日期快照 |
+| [nutrIA（Nutria Inc）](/docs/other-research/ai-company-research/overview?company=MR007#research-company-detail) | 2025 | 18,198 | 2026-10-29 | RevenueCat | 采集时未标过期 |
+| [Calyra（平台名Nutria 9e3eaa）](/docs/other-research/ai-company-research/overview?company=MR008#research-company-detail) | 2025 | 46,562 | 2026-10-29 | RevenueCat | 采集时未标过期 |
+| [Verbi](/docs/other-research/ai-company-research/overview?company=MR009#research-company-detail) | 2026 | 22,066 | 2026-10-29 | RevenueCat | 采集时未标过期 |
+| [AbMaxx](/docs/other-research/ai-company-research/overview?company=MR010#research-company-detail) | 2026 | 20,483 | 2026-10-29 | RevenueCat | 采集时未标过期 |
+| [traxy.ai](/docs/other-research/ai-company-research/overview?company=MR011#research-company-detail) | 2026 | 52,438 | 2026-10-29 | Stripe | 采集时未标过期 |
+| [NotFair](/docs/other-research/ai-company-research/overview?company=MR012#research-company-detail) | 2026 | 13,376 | 2026-10-29 | Stripe | 采集时未标过期 |
+| [Rank Prompt](/docs/other-research/ai-company-research/overview?company=MR015#research-company-detail) | 2025 | 40,112 | 2026-10-29 | Stripe | 采集时未标过期 |
+| [ChatSEO](/docs/other-research/ai-company-research/overview?company=MR016#research-company-detail) | 2025 | 33,334 | 2026-10-29 | Stripe | 采集时未标过期 |
+
+## 扩大窗口后的敏感性
+
+营销软件订阅组从7日窗口的4个产品扩大到90日窗口的5个产品，均值从34,815升至112,726美元每月，中位数从36,723变为40,112，CV从0.469升至1.551。
+
+新增点来自[Gojiberry AI](/docs/other-research/ai-company-research/overview?company=AI016#research-company-detail)的8月历史快照，连接已过期。移除该最大值后，均值回到34,815美元，下降69.1%。这是日期与样本构成的敏感性，不能解释为行业风险变化。
+
+## 默认窗口排除的历史记录
+
+| 产品 | MRR美元每月 | 最后同步 | 排除原因 |
+| --- | --- | --- | --- |
+| [Adspirer](/docs/other-research/ai-company-research/overview?company=MR013#research-company-detail) | 54,684 | 2026-06-29 | 超过7日窗口，保留历史观测 |
+| [PROSP](/docs/other-research/ai-company-research/overview?company=MR014#research-company-detail) | 128,005 | 2026-02-05 | 超过7日窗口，保留历史观测 |
+| [Gojiberry AI](/docs/other-research/ai-company-research/overview?company=AI016#research-company-detail) | 424,368 | 2026-08-14 | 超过7日窗口，保留历史观测 |
+
+## 对 ARR 与商业模式的含义
+
+MRR乘12只是参考年化。公司声明的ARR、合同管线、近30日收款、一次性额度和服务交付收入仍需分开；支付平台重建指标也不等于财务审计。方法与平台限制见[TrustMRR FAQ](https://trustmrr.com/faq)。
+
+当前更适合选择访谈对象和设计收费试验，不能据最高均值直接决定业务方向。软件订阅优先核留存与推理成本，服务交付优先核人工工时和返工，消费者应用优先核渠道成本、退款和平台抽成。
+
+行业ARR比较仍需补齐同一业务截止日、币种、经常性定义及业务边界。收入日期不完整或同页数值冲突的声明，继续保留在[核查工作台](/docs/other-research/ai-company-research/overview)，不补成零值或精确数字。
@@ -0,0 +1,73 @@
+# AI 公司资料覆盖与缺项
+
+截至 2026-10-30，研究表含1,015条公司或产品记录。YC候选池有逐条读取审计；其他来源为定向补充。清单尚不能作为全球AI公司普查，也不能将收入未知解释为零。
+
+验收范围已于2026-10-30确认为：以确认的公开来源清单为边界，逐条核对并标明缺项。下方区分已逐条审计的候选池与定向补充来源；已使用某来源不代表该来源已被完整覆盖。
+
+[分类和数据工作台](/docs/other-research/ai-company-research/overview)链接原始证据，[收入样本快照](/docs/other-research/ai-company-research/income-snapshot)展示当前可计算的MRR样本。
+
+## 候选池与公司表的关系
+
+| 环节 | 记录数 | 含义 |
+| --- | --- | --- |
+| YC批次候选 | 1,428 | 从公开镜像发现，随后读取YC官方页面 |
+| 官方页面读取 | 1,428 | 此候选池读取失败0条 |
+| 初筛匹配 | 962 | 成立年及AI相关描述通过初筛，尚非逐家商业验证 |
+| 与原表重合 | 34 | URL匹配，未再次新增 |
+| 新增目录记录 | 928 | 原始入表来源，后续深化不改变发现计数 |
+| 年份不符或缺失 | 268 | 此轮不作为成立年匹配项 |
+| AI业务待确认 | 192 | 不强行把背景关键词当主营 |
+| 成立年与批次冲突 | 6 | 另保留核查记录 |
+
+全表由913条目录基础项和102条个案或平台记录组成。候选池已匹配项之外另有53条记录，包含其他来源及发布/转型对照；其中已有15条原目录记录深化为个案，仍保留目录来源。两种统计边界不同。候选池数字只是该镜像快照的覆盖，Bud等后续定向补充不回填为原候选池已覆盖。
+
+## 成立年与证据深度
+
+| 维度 | 当前记录 | 解读 |
+| --- | --- | --- |
+| 记录为2025年成立 | 619 | 成立来源和精度见公司明细 |
+| 记录为2026年成立 | 391 | 不将产品发布日期代替成立日 |
+| 成立年未知或范围外 | 5 | 发布/转型对照单列，不进入两年成立分组 |
+| 目录业务分类人工复核 | 160 | 仅复核主营分类，不代表技术或财务审计 |
+| 其他目录基础项 | 753 | 规则初分或资料不足，继续待复核 |
+| 有团队数字 | 945 | 多为自报Team Size或Employees，时点与口径不统一 |
+| 专项技术证据记录 | 7 | 其中3条自述、3条公开材料、1条第三方评测 |
+| 公司披露收入线索 | 26 | 含历史、下界、币种不明及产品业务声明，不等于可比ARR |
+| 仅平台收入线索 | 16 | 同时有公司披露者计入上一行，不重复计数 |
+| 仅第三方估算 | 1 | 不与直接披露混合 |
+| 暂无可用收入数字 | 972 | 包含尚未逐家搜索的目录项，不代表没有收入 |
+
+## 业务分类与数据入口
+
+| 业务类别 | 记录数 |
+| --- | --- |
+| [基础模型](/docs/other-research/ai-company-research/overview?category=C01) | 29 |
+| [算力与模型基础设施](/docs/other-research/ai-company-research/overview?category=C02) | 102 |
+| [Agent 开发与运行设施](/docs/other-research/ai-company-research/overview?category=C03) | 51 |
+| [软件开发](/docs/other-research/ai-company-research/overview?category=C04) | 109 |
+| [企业通用工作](/docs/other-research/ai-company-research/overview?category=C05) | 176 |
+| [客户与收入运营](/docs/other-research/ai-company-research/overview?category=C06) | 52 |
+| [行业专业应用](/docs/other-research/ai-company-research/overview?category=C07) | 321 |
+| [内容与创意](/docs/other-research/ai-company-research/overview?category=C08) | 45 |
+| [消费者个人应用](/docs/other-research/ai-company-research/overview?category=C09) | 46 |
+| [机器人及实体产业](/docs/other-research/ai-company-research/overview?category=C10) | 81 |
+| [业务待分类](/docs/other-research/ai-company-research/overview?category=C00) | 3 |
+
+## 已使用来源的分布
+
+1,091条证据记录对应1,077个不同URL。不同URL不自动构成独立验证；同一声明可能由公司、投资方和媒体重复转述。
+
+| 来源 | 证据记录 | 不同URL | 用途及限制 |
+| --- | --- | --- | --- |
+| YC官方目录 | 984 | 975 | 公司自述的成立、团队与业务；英文及加速器样本偏多 |
+| TrustMRR | 18 | 18 | 支付平台重建指标及方法；公开者存在选择偏差，非财务审计 |
+| a16z Speedrun | 11 | 10 | 投资机构中的公司介绍及收入声明；存在利益关系 |
+| TechCrunch | 3 | 3 | 原始采访或报道；转述公司数字不等于查账 |
+| Sacra | 3 | 3 | 第三方估算；与直接披露分开 |
+| 其他官网、评测及公开资料 | 72 | 68 | 按每条来源限制理解，不能统一当作独立证据 |
+
+## 尚未满足的研究条件
+
+行业ARR比较仍缺统一业务截止日、币种、经常性定义和业务边界。现有平台MRR可描述已采集产品，不足以代表全部新公司。技术评测只覆盖所列版本与任务，不宜跨领域汇总为统一强弱分数。
+
+下一轮优先补收入线索的日期及合同定义、非YC和非英文来源、规则初分的人工复核，以及停止服务或被收购案例。这样能减少“只见赢家”和“只见融资公司”的偏差。公开来源池之外的未披露公司仍无法证明已被穷尽。
@@ -0,0 +1,51 @@
+# Smalltalk-80：从消息到交互系统
+
+Smalltalk 把语言、类库和开发工具放进同一个可探索的对象世界。本教程以“消息怎样找到行为”为起点，逐步走到集合、进程、图形与 MVC，帮助你阅读经典系统中的类与方法。
+
+**资料范围**：A. Mével、T. Guéguen 著《Smalltalk-80》，Macmillan Education，1987；英文版编辑 Mario Wolczko，翻译 M. J. Stewart。书中说明以 Xerox Version 2 Virtual Image 为基础。用户提供的扫描 PDF 共 190 页，正文印刷页 1–174 对应 PDF 页 12–185；印刷页 p 的 PDF 页为 p + 11。
+
+这里是按学习任务重组的中文研究导读，覆盖原书 21 章的主要主题，保留章节与页码定位，不是逐页译本或完整 API 手册。补充示例为本文编写，预期值来自语义推演，未在 Smalltalk 镜像运行。本文没有对某个 Smalltalk 实现仓库做逐文件源码核验；“源码研究”是站点分类，阅读原书后仍需进入对应镜像浏览实际方法。
+
+## 选择阅读路线
+
+| 目标 | 路线 | 读完能做什么 |
+| --- | --- | --- |
+| 初次接触 | 消息 → 语法 → 类与方法 → 集合 | 读懂表达式，分清返回值与接收者 |
+| 研究语言机制 | 类与方法 → 对象协议 → 反射 | 追踪查找起点、对象身份和类侧行为 |
+| 研究交互系统 | 开发环境 → 图形 → MVC | 追踪一次选择如何改变模型并刷新视图 |
+| 对照原书 | 下方映射表 → 各篇来源说明 | 找到对应章、印刷页和扫描页 |
+
+## 教程目录
+
+1. [消息与对象：理解执行模型](/docs/source-studies/smalltalk/messages)
+2. [语法与块：读懂一段 Smalltalk](/docs/source-studies/smalltalk/syntax-and-blocks)
+3. [类、方法与元类：行为放在哪里](/docs/source-studies/smalltalk/classes-and-methods)
+4. [对象协议：身份、复制与依赖](/docs/source-studies/smalltalk/object-protocol)
+5. [类的架构与反射：系统怎样描述自己](/docs/source-studies/smalltalk/reflection)
+6. [基础类库：数值、集合与流](/docs/source-studies/smalltalk/collections-and-streams)
+7. [进程与同步：协作执行的对象](/docs/source-studies/smalltalk/processes)
+8. [图形系统：坐标、位图与绘制](/docs/source-studies/smalltalk/graphics)
+9. [开发环境：浏览、检查与调试](/docs/source-studies/smalltalk/live-environment)
+10. [MVC 与曲线案例：连接数据和界面](/docs/source-studies/smalltalk/mvc)
+11. [术语、练习与原书对照](/docs/source-studies/smalltalk/reference)
+
+## 原书与新结构
+
+| 原章 | 印刷页 | PDF 页 | 本教程 |
+| --- | --- | --- | --- |
+| 1 Introduction；2 Principles | 1–8 | 12–19 | 消息与对象 |
+| 3 Classes；5 Methods | 9–12；21–25 | 20–23；32–36 | 类、方法与元类 |
+| 4 Syntax | 13–20 | 24–31 | 语法与块 |
+| 7 Object | 31–39 | 42–50 | 对象协议 |
+| 8 Architecture of Classes | 40–52 | 51–63 | 类的架构与反射 |
+| 9 Magnitude；10 Numeric；11 Collection；12 Stream | 53–90 | 64–101 | 基础类库 |
+| 13 Processes | 91–95 | 102–106 | 进程与同步 |
+| 14 Point/Rectangle；15 Graphics | 96–117 | 107–128 | 图形系统 |
+| 6 Interface；16–19 Windows/Browsers | 26–30；118–149 | 37–41；129–160 | 开发环境 |
+| 20 User Events；21 MVC | 150–174 | 161–185 | MVC 与曲线案例 |
+
+## 阅读约定
+
+代码使用 `:=` 表示赋值、`^` 表示方法返回，替代扫描版的箭头符号；字符串用单引号，注释用双引号。`smalltalk` 代码块可复制，但页面不执行它们。历史类名与选择子保留原样，所有平台相关操作均以原书镜像为范围。
+
+“现代化”体现在清晰的阅读路线、可搜索文本、代码块、对照表、语义链接与练习。本文不把 1987 年的鼠标操作、字符集、进程调度或 MVC API 当作所有今天实现的共同规范。
@@ -0,0 +1,53 @@
+# 消息与对象：理解执行模型
+
+> 原书依据：第 1–2 章，印刷页 1–8，PDF 页 12–19。
+
+Smalltalk 的基本动作是：向一个接收者发送消息，由接收者的类决定执行哪个方法。数字、字符串、集合、类和块都能成为接收者。程序由相互发送消息的对象组成。
+
+## 把表达式拆成三个部分
+
+```smalltalk
+8 + 5
+'hello' size
+#(10 20 30) at: 2
+```
+
+| 表达式 | 接收者 | 选择子 | 参数 | 推演结果 |
+| --- | --- | --- | --- | --- |
+| `8 + 5` | 整数 8 | `+` | 5 | 13 |
+| `'hello' size` | 字符串 | `size` | 无 | 5 |
+| `#(10 20 30) at: 2` | 数组 | `at:` | 2 | 20 |
+
+消息是请求；方法是为响应请求而执行的实现。选择子标识这次请求的名称。不同类可以实现同一个选择子，因此同一条消息能够触发不同的行为。
+
+## 变量保存引用
+
+```smalltalk
+| first second |
+first := OrderedCollection new.
+second := first.
+first add: 8.
+second size
+```
+
+预期最后得到 1：两个变量指向同一个集合。赋值没有自动复制集合。理解引用关系，是之后理解浅复制、模型共享和对象检查器的基础。
+
+对象的状态与它支持的消息要分开看。调用方通过协议与对象协作；读取某个内部槽位的调试能力，不等于应用程序应依赖那个槽位。
+
+## 表达式可以继续发送消息
+
+```smalltalk
+(8 + 5) printString
+```
+
+先得到 13，再向结果发送 `printString`。与之不同，`collection add: item` 的结果不一定是集合；链式发送前必须确认方法返回值。[语法篇](/docs/source-studies/smalltalk/syntax-and-blocks)解释如何用级联表达“始终向原接收者发送”。
+
+## 镜像为什么重要
+
+原书描述的 virtual image 是包含对象和类的系统世界。开发时可以浏览类、编译方法、检查运行对象并继续执行。语言工具和应用共享对象体系，使重用既有类库成为日常开发方式。
+
+这是历史系统的组织方式；不能据此推断任意镜像的持久化、发布或隔离策略。研究时要同时记录类的定义和当前镜像状态，避免把一次手工修改当成可复现的工程成果。
+
+## 自检
+
+为何两个对象都能接收 `size`，却不需要有相同的数据布局？因为调用方依赖消息协议，各自的类提供方法。下一篇从词法和优先级说明如何读出真正发送的消息。
@@ -0,0 +1,81 @@
+# 语法与块：读懂一段 Smalltalk
+
+> 原书依据：第 4 章，印刷页 13–20，PDF 页 24–31。赋值和返回符号按导读约定规范化。
+
+## 先识别字面量
+
+| 写法 | 含义 |
+| --- | --- |
+| `42`、`16rFF`、`2.5` | 整数、十六进制整数、浮点数 |
+| `$A` | 字符 |
+| `'Ada'` | 字符串 |
+| `'it''s'` | 包含单引号的字符串 |
+| `#size`、`#at:put:` | 符号，常用于表示选择子 |
+| `#(2 4 6)` | 字面量数组 |
+| `[ :x | x + 1 ]` | 接受参数的块 |
+
+`nil`、`true`、`false`、`self`、`super` 是具有特殊语义的伪变量，不能按普通局部变量赋值。不要把字符串 `'size'` 与符号 `#size` 混用。
+
+## 三种消息与优先级
+
+一元消息没有参数；二元消息接受一个参数；关键词消息通过带冒号的片段标出参数位置。`at:put:` 是一个选择子。
+
+优先级为：**括号内表达式 → 一元消息 → 二元消息 → 关键词消息**。同级按从左到右处理，二元选择子没有传统乘除优先的规则。
+
+```smalltalk
+2 + 3 * 4          "推演为 20"
+2 + (3 * 4)        "推演为 14"
+10 raisedTo: 2 + 3 "等价于 10 raisedTo: (2 + 3)"
+```
+
+`a at: 1 put: 9` 是一条消息。两个关键词调用连续出现时，用括号明确哪一个结果作为另一个的参数。
+
+## 句点与分号
+
+句点分隔表达式；分号让消息继续发给同一个接收者。
+
+```smalltalk
+| values |
+values := OrderedCollection new.
+values add: 4; add: 9; add: 16.
+values size
+```
+
+这里三次 `add:` 的接收者都是 `values`。若要在一段级联表达式末尾取得集合本身，可发送 `yourself`：
+
+```smalltalk
+OrderedCollection new
+    add: 4;
+    add: 9;
+    yourself
+```
+
+## 块把计算推迟
+
+```smalltalk
+| square |
+square := [ :n | n * n ].
+square value: 6
+```
+
+创建块不执行块体；`value:` 传入参数并求值，预期结果是 36。无参数块接收 `value`，两个参数可用 `value:value:`。
+
+控制流也可以用消息与块组织：
+
+```smalltalk
+| count total |
+count := 1.
+total := 0.
+[count <= 4] whileTrue: [
+    total := total + count.
+    count := count + 1].
+total
+```
+
+推演结果为 10。条件块每轮重新求值；把条件提前算成单个布尔对象，会失去更新后的判断。`ifTrue:ifFalse:` 则把两段待执行的分支交给布尔对象选择。
+
+## 返回的边界
+
+块通常返回最后一个表达式的值。方法若没有 `^` 显式返回，则默认返回接收者。块中的 `^` 涉及从其所属方法返回，不能简单理解成普通函数局部 return。本文示例避免把含非局部返回的块保存到方法退出之后；需要这样的用法时，应核对目标镜像的块实现。
+
+练习：`3 + 4 factorial` 先执行哪条消息？先向 4 发送 `factorial`，再向 3 发送 `+`；按数学结果推演为 27。
@@ -0,0 +1,76 @@
+# 类、方法与元类：行为放在哪里
+
+> 原书依据：第 3 章和第 5 章，印刷页 9–12、21–25，PDF 页 20–23、32–36。
+
+## 状态的可见范围
+
+| 名称 | 用途 | 阅读时应问 |
+| --- | --- | --- |
+| 实例变量 | 每个实例自己的状态槽位 | 是否继承自父类？ |
+| 类变量 | 由类及相关子类共享的绑定 | 是否存在跨实例影响？ |
+| 全局变量 | 经系统字典访问的绑定 | 是否形成隐含依赖？ |
+| 池变量 | 多个类共享的变量集合 | 类定义引用了哪个池？ |
+| 参数、临时变量 | 一次方法或块计算的局部名称 | 生命周期与可赋值规则是什么？ |
+
+原书第 5 章明确限制对方法参数再赋值。本教程沿用不修改参数的写法，不把其他实现的语法扩展套回原书。
+
+## 用一个小类串起语法
+
+以下为本文编写的历史风格定义。类定义在 Browser 或相应定义工具中提交；后续方法分别安装在实例侧，不是把整段当作 Workspace 表达式执行。
+
+```smalltalk
+Object subclass: #StudyCounter
+    instanceVariableNames: 'count'
+    classVariableNames: ''
+    poolDictionaries: ''
+    category: 'Study-Examples'
+```
+
+实例侧方法：
+
+```smalltalk
+initialize
+    count := 0
+```
+
+```smalltalk
+increment
+    count := count + 1
+```
+
+```smalltalk
+value
+    ^count
+```
+
+工作区中的使用示意：
+
+```smalltalk
+| counter |
+counter := StudyCounter new.
+counter initialize.
+counter increment.
+counter value
+```
+
+这里显式初始化，不依赖 `new` 是否自动发送 `initialize`。这些安装步骤和类定义消息需要在目标镜像核对。`increment` 没有显式返回，所以返回 `counter`；`value` 返回槽位保存的数值。
+
+## 方法查找
+
+普通消息从接收者的类开始找选择子，找不到就沿父类向上查找。原书的根类为 `Object`。整个链中没有对应方法时，进入 `doesNotUnderstand:` 协议。
+
+重写方法只改变行为的选择，不把接收者换成父类对象。`self` 始终指向当前接收者。
+
+## super 改变查找起点
+
+假设 B 继承 A，C 继承 B；方法 `describe` 定义在 B 中。如果该方法发送 `super name`，查找从 A 开始，即便当前接收者是 C 的实例。若发送 `self name`，查找从接收者实际的类 C 开始。
+
+因此 `super` 不是“父对象”。它保留同一接收者，按方法定义位置确定查找起点。
+
+## 实例侧与类侧
+
+`StudyCounter new` 的接收者是类对象；`counter increment` 的接收者是它的实例。类自身也是对象，类侧方法由元类组织。
+
+读类侧构造方法时，要检查它究竟分配实例、初始化状态还是返回缓存对象。`new` 只是发给类对象的消息，不能把它视为所有类都必须遵循的固定语法。
+
+原书的 primitive 方法把部分操作交给虚拟机。追踪执行路径时，需区分 Smalltalk 方法体与 VM 提供的原语；本教程没有验证任何 VM 的原语源码。
@@ -0,0 +1,51 @@
+# 对象协议：身份、复制与依赖
+
+> 原书依据：第 7 章，印刷页 31–39，PDF 页 42–50。
+
+`Object` 提供许多基础协议。阅读子类时，既要看它新增了什么，也要看它重写了什么。
+
+## 身份与相等
+
+`==` 判断是否为同一对象；`=` 表达由类定义的相等关系。两个内容相同的集合可以是两个不同对象。修改其中一个是否影响另一个，还取决于它们内部引用是否共享。
+
+`class` 返回所属类。`isMemberOf:` 针对确切的类；`isKindOf:` 包含继承关系。检查 `nil` 通常使用 `isNil` 或 `notNil`。面向协议设计时，不必为了发送每条消息都先做具体类判断。
+
+## 浅复制复制的是哪一层
+
+```text
+原容器 ──→ 可变子对象
+副本   ──→ 同一个可变子对象
+```
+
+浅复制产生新的外层对象，内部引用仍可指向相同子对象。给副本的某个槽位重新赋值，与修改该槽位所指子对象，是两种不同操作：前者改变副本自己的引用，后者可能被原对象观察到。
+
+原书还讨论 `deepCopy` 和可被子类重写的 `copy`。深复制不应简单等同于“任意对象图都可以安全递归复制”：循环、共享关系和外部资源需要实现策略。本文没有对这些情况做运行验证。
+
+## 表示与动态发送
+
+| 消息 | 主要意图 |
+| --- | --- |
+| `printString` | 得到便于人阅读的表示 |
+| `storeString` | 得到用于重建对象的源文本表示 |
+| `perform:` | 用符号指定要发送的消息 |
+| `perform:with:` | 动态发送带一个参数的消息 |
+
+可读表示不等于持久化格式。动态发送也不是解析任意源代码：`perform:` 选择一个消息，而编译器求值会解释完整表达式。
+
+## 用依赖通知连接对象
+
+原书的依赖协议包含 `addDependent:`、`removeDependent:`、`changed:` 和 `update:`。模型改变后通知依赖者，让视图自行读取需要显示的状态。
+
+```text
+视图注册到模型
+    ↓
+模型状态修改 → changed: 某方面
+    ↓
+依赖者收到 update: → 重新读取模型 → 更新显示
+```
+
+通知描述“需要更新”，并不天然携带完整的新状态。实现时要明确通知粒度、订阅解除和是否可能形成递归更新。原书的键盘互斥示例说明对象之间可以靠依赖关系协调状态；最后的 MVC 案例继续使用这套机制。
+
+## 阅读检查点
+
+对一个复制操作，画出复制前后的引用箭头；对一次通知，列出谁订阅、谁修改、谁通知、谁重绘。这两张简图往往比逐个记忆方法名更能暴露误解。
@@ -0,0 +1,44 @@
+# 类的架构与反射：系统怎样描述自己
+
+> 原书依据：第 8 章，印刷页 40–52，PDF 页 51–63；结合第 3 章元类介绍。
+
+类既组织实例行为，又作为对象接受消息。把“谁是谁的实例”与“谁继承谁”分成两条关系，才能读懂元类。
+
+## 三个层次的责任
+
+| 类 | 原书讨论的主要责任 |
+| --- | --- |
+| `Behavior` | 方法字典、实例创建和类层级操作 |
+| `ClassDescription` | 变量名、分类、源码组织与编译相关描述 |
+| `Class` | 表示通常使用的类对象 |
+| `Metaclass` | 表示类对象所对应的元类 |
+
+`Class` 和 `Metaclass` 都属于 `ClassDescription` 的子类体系。对于具体类对象，可以用 `class` 访问其元类；实例侧与类侧的方法分别组织在相应行为对象中。
+
+原书元类部分文字较简略。不能据此把所有具体元类都画成直接继承 `Class` 的平面结构；具体元类的父类关系应在目标镜像中检查。
+
+## 研究一次消息查找
+
+```smalltalk
+Integer superclass
+Number subclasses
+Number allSubclasses
+```
+
+这是向类对象发消息，查询系统结构。阅读结果时区分“直接子类”和“全部后代”；枚举顺序不应成为应用逻辑依赖。
+
+方法字典把选择子映射到方法。查找协议从当前类的字典开始，再沿 superclass 关系继续。Browser 的实现者查询、类层级浏览和方法安装，都建立在这类可访问的描述结构上。
+
+## 编译是系统服务
+
+原书把方法编译、分类管理、变量名访问和类的文件导出放进类描述协议。由此可以理解：Browser 中接受一段方法文本，是向运行中的系统安装行为。
+
+应分别记录：源文本、编译后方法、当前类结构，以及镜像中的对象状态。只导出源文本，并不一定包含恢复某个实验状态所需的全部数据。
+
+## 多重继承的边界
+
+第 8 章最后讨论多重继承。阅读时将“讨论的组织方案”与前面实际使用的单一父类查找链分开，不能因为书中出现这一节就宣称标准 Smalltalk-80 类定义普遍支持多重继承。
+
+## 可复现的探索记录
+
+在镜像中选择一个类，记录其父类、实例变量、实例侧选择子与类侧选择子；再选择一个继承而来的方法，注明实际定义类。这个小表可以验证你是否把类对象、实例和元类混在了一起。本文只给出检查路线，尚未在镜像执行。
@@ -0,0 +1,58 @@
+# 基础类库：数值、集合与流
+
+> 原书依据：第 9–12 章，印刷页 53–90，PDF 页 64–101。
+
+这些章节适合按“要保存什么、如何比较、如何遍历”阅读。具体消息是否存在仍以书中 Version 2 镜像为范围。
+
+## 有序值与数值
+
+`Magnitude` 抽象可比较对象；原书讨论其下的 `Date`、`Time`、`Character` 与数值体系。日期和时间章节的构造协议具有历史性，不能直接当作时区或国际化指南。字符章节基于当时的有限字符集合，不能扩展成 Unicode 结论。
+
+`Number` 的主要子类包含 `Integer`、`Fraction` 和 `Float`。整数层级还区分小整数与大整数。算术消息的结果可以由不同数值类表示，不能仅根据左操作数认定返回类型。
+
+```smalltalk
+1 / 3
+7 // 2
+7 \\ 2
+```
+
+在原书数值模型中，第一条可以表示精确分数，后两条分别体现整除和余数协议。这里的余数选择子写作两个反斜杠；使用其他方言时务必核对拼写和负数规则。浮点计算则要区分显示值和实际精度。
+
+## 选择集合
+
+| 集合 | 关注点 | 典型选择理由 |
+| --- | --- | --- |
+| `Array` | 固定长度、按位置访问 | 已知元素数量 |
+| `OrderedCollection` | 保留顺序、可增删 | 动态列表 |
+| `SortedCollection` | 根据排序关系组织 | 持续维护顺序 |
+| `Set` | 去重 | 关心是否出现 |
+| `Bag` | 保留重复次数 | 计数、频次 |
+| `Dictionary` | 键到值的映射 | 命名索引 |
+| `IdentityDictionary` | 以身份区分键 | 相等值仍需视为不同键 |
+| `Interval` | 规则数列 | 数字范围遍历 |
+| `LinkedList` | 链式组织 | 研究链节点协议 |
+
+有索引不代表所有集合都使用相同索引语义；数组和序列类的常见索引从 1 开始。
+
+## 四种遍历意图
+
+```smalltalk
+#(2 3 4) do: [ :n | n squared ].
+#(2 3 4) collect: [ :n | n squared ].
+#(2 3 4) select: [ :n | n > 2 ].
+#(2 3 4) inject: 0 into: [ :sum :n | sum + n ]
+```
+
+`do:` 强调逐个执行，不收集块结果；`collect:` 映射结果；`select:` 保留满足条件的元素；`inject:into:` 累积一个值。依次推演，后三条分别表达平方序列、筛出 3 和 4、求和 9。结果容器类型取决于接收者协议，不能一概写为 Array。
+
+`add:` 的返回值可能是加入的元素；对 Dictionary，`at:put:` 表示设置键值；对固定数组则是替换槽位。共享选择子并不抹平各类的约束。
+
+## 流把位置与内容分开
+
+`ReadStream`、`WriteStream` 和 `ReadWriteStream` 在底层集合之上维护读取或写入位置。`next`、`nextPut:`、`atEnd` 表达逐项读、逐项写和结束判断。`contents` 用于取得流的内容，`position` 与 `reset` 处理位置。
+
+文件流把同一思路扩展到外部文件；原书还介绍 `FileDirectory`。不要把内存流的生命周期直接套给文件：外部资源需关闭，并明确失败与部分写入的处理方式。本文没有运行文件写入示例。
+
+## 练习
+
+对“保留输入顺序并允许重复”“按名称找对象”“统计同一值出现几次”，依次考虑 OrderedCollection、Dictionary、Bag。再问一层：键相等采用什么语义，修改键会不会破坏查找？带着这些问题去浏览实际类的方法，能比背类名得到更多信息。
@@ -0,0 +1,35 @@
+# 进程与同步：协作执行的对象
+
+> 原书依据：第 13 章，印刷页 91–95，PDF 页 102–106。
+
+原书的 `Process` 是 Smalltalk 镜像中的执行活动。不能把这个名字直接解释为操作系统进程，也不能据此推断多核并行。
+
+## 四类对象的分工
+
+| 类 | 作用 |
+| --- | --- |
+| `Process` | 表示可恢复、可挂起的执行活动 |
+| `ProcessorScheduler` | 按调度策略管理执行活动 |
+| `Delay` | 表示一定时间的等待 |
+| `Semaphore` | 协调活动之间的等待与信号 |
+
+块可以作为执行活动的计算内容。是否立即运行、以什么优先级运行，要看创建和启动协议；不要把“创建 Process”和“已经执行完成”混为一谈。
+
+## 等待不是空转
+
+Delay 表达经过一段时间后再继续。Semaphore 的 `wait` 与 `signal` 表达同步关系。等待活动暂停后，其他可运行活动可以继续推进；反复检查共享变量的循环则可能消耗执行时间。
+
+```text
+消费者：等待信号 → 检查共享状态 → 取出结果
+生产者：准备结果 → 更新共享状态 → 发出信号
+```
+
+这是一张概念顺序图，不是可直接运行的队列实现。仅有信号量不代表共享集合访问自动安全，还要定义互斥、空队列、重复信号和退出条件。
+
+## 阅读调度代码的顺序
+
+先找创建与启动位置，再找可能挂起的位置，最后沿恢复路径检查共享状态。重点记录“此处继续执行时，其他活动可能改过什么”。原书的优先级说明属于该系统调度模型，不是跨实现的性能保证。
+
+## 思考题
+
+如果发送信号后才写入结果，消费者恢复时能否看见完整状态？这取决于调度与同步保证；设计时应先完成状态转换，再通过约定的同步协议通知。研究时也要核对目标 VM 的具体行为。本教程未运行并发或调度测试。
@@ -0,0 +1,49 @@
+# 图形系统：坐标、位图与绘制
+
+> 原书依据：第 14–15 章，印刷页 96–117，PDF 页 107–128。
+
+图形对象不是外接的独立语言。坐标、矩形、位图、光标和绘图动作都通过消息协议组织。
+
+## Point 与 Rectangle
+
+```smalltalk
+12 @ 18
+(12 @ 18) x
+(12 @ 18) y
+```
+
+`@` 是向数字发送的二元消息，产生一个 Point。后两条分别取 x 与 y。因为 `@` 和 `+` 同为二元消息，混用时最好加括号。
+
+Rectangle 表示矩形区域。阅读构造调用时要分清传入的是角点还是尺寸；阅读几何操作时要区分包含、相交、平移和缩放。边界点是否包含应核对具体方法，不能只凭图形直觉。
+
+## 坐标系必须写在图旁
+
+原书图形环境的屏幕坐标通常从左上向右下增加；数学曲线常要求 y 轴向上。因此绘制之前要说明对象坐标与显示坐标之间的转换。
+
+```text
+模型坐标 → 视图变换 → 显示坐标 → 裁剪 → 像素绘制
+```
+
+相同点在不同视图中可以对应不同屏幕位置。移动视口时只改变显示映射，不应顺便改变领域模型中的坐标。
+
+## 从存储到绘制
+
+| 对象 | 阅读重点 |
+| --- | --- |
+| `Bitmap` | 像素位信息的底层存储 |
+| `DisplayObject` | 可显示对象的公共概念 |
+| `DisplayText` | 文本的图形表示 |
+| `Form` | 位图图像、尺寸与显示属性 |
+| `Cursor` | 光标图形 |
+| `DisplayScreen` | 屏幕显示对象 |
+| `Path` | 图形路径 |
+| `BitBlt` | 源区域到目标区域的位图传输与组合 |
+| `Pen` | 以位置和移动描述绘图 |
+
+研究 BitBlt 时记录源、目标、传输区域、裁剪范围和组合规则。它涉及像素组合，不只是语言层面的对象复制。Form 的副本若共享底层位图，修改像素仍可能影响原图；这与对象协议篇的浅复制问题相连。
+
+## 曲线绘制的最小思路
+
+把函数保存为块，对一系列 x 求 y，转换成显示点，再用线段连接。采样步长越大，细节越容易丢失。固定采样不是精度保证；异常值、坐标越界和不连续曲线都需要额外策略。
+
+这是对原书曲线案例的阅读提示，不是新增的绘图运行时。下一篇先介绍如何借助系统工具观察这些对象，再进入 MVC 的连接过程。
@@ -0,0 +1,47 @@
+# 开发环境：浏览、检查与调试
+
+> 原书依据：第 6 章、第 16–19 章，印刷页 26–30、118–149，PDF 页 37–41、129–160。
+
+原书使用三键鼠标与特定窗口菜单。现代阅读时，保留动作的目的：求值、查找行为、检查对象、定位调用现场。具体菜单位置和快捷键以使用的镜像为准。
+
+## 从工作区开始
+
+Workspace 是编辑和求值表达式的空间。原书区分执行选中文本的 `do it` 与执行后显示返回值的 `print it`。检查器则让你观察得到的对象。
+
+```smalltalk
+OrderedCollection new inspect
+```
+
+这段表达式会请求打开对象检查器；它不是网页中的交互按钮。运行前应准备具有相应 GUI 工具的镜像。
+
+## Browser 看行为，Inspector 看状态
+
+| 工具 | 主要问题 | 需要记录 |
+| --- | --- | --- |
+| Browser | 方法定义在哪里？ | 类侧或实例侧、协议分类、定义类 |
+| Inspector | 这个对象现在引用了什么？ | 对象身份、槽位、子对象 |
+| Debugger | 执行为什么到这里？ | 调用链、接收者、参数、临时变量 |
+| 文件浏览工具 | 源码怎样导入导出？ | 文件内容、导入动作与当前镜像变化 |
+| Form/Bit Editor | 图形数据怎样变化？ | 图像对象与像素编辑结果 |
+
+Browser 常按类分类、类、协议、方法逐层选择。协议分类是组织方法的标签，不应与消息选择子或语言类型系统混同。
+
+## 沿选择子阅读源码
+
+1. 在 Browser 中找到一个方法，确认实例侧还是类侧。
+2. 查看 implementors，比较相同选择子在不同类中的实现。
+3. 查看 senders，找出哪些方法发送这条消息。
+4. 查实例变量引用，理解状态由谁读写。
+5. 对具体对象求值并 inspect，核对静态阅读与实际状态是否一致。
+
+senders 反映可被工具识别的引用；使用 `perform:` 的动态调用可能需要另外追踪。只看到一个实现者，也不能直接推断所有调用都落到它。
+
+## 调试的四个视角
+
+原书 Debugger 把调用链、代码、接收者检查器和局部变量检查器放在一起。某个对象不理解消息时，先检查接收者实际是什么，再检查参数，最后追踪调用者为何给它发送这个选择子。
+
+修改运行系统中的方法可能影响其他窗口。为了复现，单独记录实验类、方法文本、镜像版本和预期结果，不把手工修复后的镜像当作原始系统状态。
+
+## 一个建议实验
+
+创建本教程的 StudyCounter，求值并 inspect；调用 increment 后再看 count；随后在 Browser 中查 value 的实现。实验将“表达式结果、对象状态、方法定义”连成一条路线。此实验尚未在本次任务执行。
@@ -0,0 +1,61 @@
+# MVC 与曲线案例：连接数据和界面
+
+> 原书依据：第 20–21 章，印刷页 150–174，PDF 页 161–185。曲线应用位于印刷页 167–174。
+
+Smalltalk-80 的 MVC 是桌面交互对象之间的协作。不要直接把 View、Controller 与 Web 请求处理器或某个现代框架组件一一等同。
+
+## 输入与职责
+
+原书先介绍 `InputState` 与 `InputSensor`，再讨论 View、Controller 和 ControlManager。输入状态、输入读取和交互控制是相邻但不同的责任。
+
+| 角色 | 保存或处理什么 | 对曲线应用的意义 |
+| --- | --- | --- |
+| Model | 应用数据与状态转换 | 曲线文本列表及当前选择 |
+| View | 读取模型并显示，管理视图几何 | 列表显示、曲线图形 |
+| Controller | 输入处理与操作协调 | 选择、菜单、编辑动作 |
+| ControlManager | 活动控制器的管理 | 协调窗口交互 |
+
+一个模型可以有多个视图。视图和控制器组成显示与交互的配对关系；模型不需要直接包含像素绘制代码。
+
+## window 与 viewport
+
+原书的 View 既有自身坐标范围，也有放到上层视图中的区域。曲线区域将数学坐标映射到窗口子区域，以便 y 轴向上，而屏幕坐标保持其约定。
+
+调试错误显示时，先核对数据，再核对 window、viewport 和显示变换。模型数值正确不等于变换正确。
+
+## 曲线案例的对象结构
+
+原书以 `CurveList` 继承 `OrderedCollection`，增加当前曲线选择；以 `CurveListView` 继承 `View`，重定义绘制行为。列表视图复用 SelectionInListView，并用选择子告诉它如何访问列表、读取选择、改变选择和取得菜单。
+
+```text
+窗口 StandardSystemView
+├─ 列表子视图 ──读写──→ CurveList
+└─ 曲线子视图 ──读取──→ 同一个 CurveList
+                              │
+                        状态变化通知
+                              ↓
+                         更新依赖视图
+```
+
+类名在扫描 OCR 中存在大小写混淆，本文按语义统一写作 CurveList 和 CurveListView；安装原版代码前应以页面图像与镜像类名复核。
+
+## 追踪一次选择
+
+1. 用户在列表中选择一条曲线。
+2. 交互对象通过配置的选择子更新模型的当前选择。
+3. 模型发送改变通知。
+4. 依赖视图接收更新并重新读取模型。
+5. 曲线视图清理绘制区域，将选择的文本求值为块。
+6. 对采样点执行块，通过显示变换绘出折线。
+
+这里“文本 → 块”是编译求值，不是普通数据解析。原书在可信镜像中演示原型编程；把这一机制用于接收外部输入的服务，需要另行设计输入语言与隔离策略。本文页面不执行用户代码。
+
+## 增删改也是模型转换
+
+添加曲线会收集文本、追加列表、重置选择并通知；删除会移除当前项、清空选择并通知；修改会替换列表中的相应文本，再使显示更新。无选择时的菜单与有选择时不同。
+
+这说明通知应该位于状态转换之后，让所有视图看到一致状态。曲线文本、当前选择与显示结果应作为三个不同层次检查。
+
+## 迁移设计思想
+
+可以借鉴的组织方式是：将领域状态集中在模型，让输入动作调用明确的状态转换，由订阅者负责刷新显示。原书具体的窗口类、编译器调用和采样算法仍属于历史实现。本教程没有复原完整 GUI 程序或声称它已在当代实现中运行。
@@ -0,0 +1,68 @@
+# 术语、练习与原书对照
+
+> 来源范围：全书主要章节；各主题的精确印刷页与 PDF 页见[总览](/docs/source-studies/smalltalk/overview)。本篇练习和术语释义为整理者编写。
+
+## 术语速查
+
+| 原词 | 本文译法 | 区分要点 |
+| --- | --- | --- |
+| object | 对象 | 有身份、状态和行为的实体 |
+| receiver | 接收者 | 本次消息发给谁 |
+| message | 消息 | 对接收者的行为请求 |
+| selector | 选择子 | 消息的名称，如 at:put: |
+| method | 方法 | 某类提供的响应实现 |
+| class / instance | 类 / 实例 | 行为组织与由其描述的对象 |
+| metaclass | 元类 | 类对象所属的类 |
+| protocol | 协议 | 一组协作消息；Browser 中也用于分类 |
+| block | 块 | 延迟求值的计算对象 |
+| cascade | 级联 | 以分号向同一接收者继续发送 |
+| primitive | 原语 | 由虚拟机支持的底层操作 |
+| identity / equality | 身份 / 相等 | 同一对象与值意义上的相等 |
+| shallow copy | 浅复制 | 复制外层但可能共享内部对象 |
+| dependent | 依赖者 | 注册后接收模型变化通知的对象 |
+| image | 镜像 | 保存并运行对象系统的状态载体 |
+| workspace | 工作区 | 编辑与求值表达式的工具 |
+| browser | 类浏览器 | 查看、编辑类与方法的工具 |
+| inspector | 对象检查器 | 查看具体对象状态的工具 |
+| window / viewport | 坐标窗口 / 视口 | 自身坐标范围与显示映射区域 |
+
+## 预测结果
+
+以下是语义练习，答案为推演，未运行。
+
+| 问题 | 答案与原因 |
+| --- | --- |
+| `2 + 3 * 4` | 20，二元消息从左到右 |
+| `2 + (3 * 4)` | 14，括号改变次序 |
+| `[ :x | x + 2 ] value: 5` | 7，value: 触发块求值 |
+| 方法只有 `count := 9` 时返回什么？ | 接收者，方法无显式返回 |
+| B 中的方法对 C 实例发送 super 消息，从哪查找？ | 从 B 的父类开始，接收者仍是 C 实例 |
+| 浅复制后替换副本某个槽位，是否替换原件槽位？ | 不会；修改共享子对象才可能双方可见 |
+| do: 能否代替 collect: 收集块结果？ | 不能直接代替，两者协议目的不同 |
+| 给模型发送 changed: 是否自动修改模型数据？ | 不应这样理解；先完成修改，再通知依赖者 |
+
+## 三次源码阅读练习
+
+**消息路线**：选择一个集合的 `size`，找实际定义类，再查看一个发送者；记录“接收者类 → 继承链 → 方法”。
+
+**状态路线**：创建两个指向同一集合的变量，画引用图；再复制外层容器，比较替换槽位与修改子对象的差别。
+
+**界面路线**：对原书曲线案例画出选择、修改模型、通知、重绘与显示变换，注明每一步所在对象。
+
+完成实验时另记镜像名称、版本、源代码、实际输出和差异。本次任务只完成文档整理，没有运行这些实验。
+
+## 扫描校勘与适用边界
+
+| 扫描问题 | 本文处理 |
+| --- | --- |
+| 箭头被识别成 `<-`、字母或感叹号 | 赋值统一为 :=，返回统一为 ^ |
+| Smalltalk-80 被识别成 Smalltalk-SO | 依据书名与语境规范化 |
+| 选择子被拆开、类名大小写混淆 | 行文合并；具体 API 安装前再核对原页 |
+| 第 4 章个别科学计数法示例数位不一致 | 不沿用异常数值作为例题 |
+| 后部 GUI 源码嵌在截图中 | 解释调用结构，不将 OCR 文本冒充可运行源码 |
+
+原书是学习 Smalltalk-80 系统的资料，不是本文对所有 Smalltalk 方言兼容性的承诺。全文以语义重述和新增短例组织；没有把原始扫描件、OCR 全文或本机下载路径发布到网站。
+
+## 后续核验清单
+
+准备目标镜像后，可分别验证类定义消息、初始化约定、块返回边界、数值除法、集合返回类型、信号量时序，以及 MVC 选择子与坐标变换。核验结果应与本文的语义推演分别记录，避免把“读过”写成“运行通过”。
@@ -0,0 +1,221 @@
+{
+  "sourceVersion": "2026-10-30-depth-4",
+  "asOf": "2026-10-30",
+  "metric": "platform-mrr-usd",
+  "sampleUnit": "product-or-business",
+  "note": "独立Python复算参考值，仅验证样本计算；不是行业估计或财务审计。",
+  "windows": [
+    {
+      "days": 7,
+      "products": [
+        "MR001",
+        "MR002",
+        "MR003",
+        "MR004",
+        "MR005",
+        "MR006",
+        "MR007",
+        "MR008",
+        "MR009",
+        "MR010",
+        "MR011",
+        "MR012",
+        "MR015",
+        "MR016"
+      ],
+      "groups": [
+        {
+          "category": "C06",
+          "provider": "Stripe",
+          "model": "软件订阅",
+          "products": [
+            "MR011",
+            "MR012",
+            "MR015",
+            "MR016"
+          ],
+          "n": 4,
+          "mean": 34815.0,
+          "median": 36723.0,
+          "sampleDeviation": 16334.54845820151,
+          "cv": 0.46918134304758036,
+          "meanWithoutLargest": 28940.666666666668,
+          "largestRemovalDrop": 0.16872995356407675
+        },
+        {
+          "category": "C08",
+          "provider": "RevenueCat",
+          "model": "消费者订阅",
+          "products": [
+            "MR001"
+          ],
+          "n": 1,
+          "mean": 53101.0,
+          "median": 53101,
+          "sampleDeviation": null,
+          "cv": null,
+          "meanWithoutLargest": null,
+          "largestRemovalDrop": null
+        },
+        {
+          "category": "C08",
+          "provider": "Stripe",
+          "model": "内容制作服务",
+          "products": [
+            "MR002"
+          ],
+          "n": 1,
+          "mean": 62423.0,
+          "median": 62423,
+          "sampleDeviation": null,
+          "cv": null,
+          "meanWithoutLargest": null,
+          "largestRemovalDrop": null
+        },
+        {
+          "category": "C08",
+          "provider": "Stripe",
+          "model": "软件订阅",
+          "products": [
+            "MR003",
+            "MR004",
+            "MR005"
+          ],
+          "n": 3,
+          "mean": 41693.0,
+          "median": 49069,
+          "sampleDeviation": 28111.375064197768,
+          "cv": 0.6742468775141575,
+          "meanWithoutLargest": 29849.0,
+          "largestRemovalDrop": 0.2840764636749574
+        },
+        {
+          "category": "C09",
+          "provider": "RevenueCat",
+          "model": "消费者订阅",
+          "products": [
+            "MR006",
+            "MR007",
+            "MR008",
+            "MR009",
+            "MR010"
+          ],
+          "n": 5,
+          "mean": 25349.2,
+          "median": 20483,
+          "sampleDeviation": 11942.947278624319,
+          "cv": 0.4711370488466823,
+          "meanWithoutLargest": 20046.0,
+          "largestRemovalDrop": 0.20920581320120557
+        }
+      ]
+    },
+    {
+      "days": 90,
+      "products": [
+        "MR001",
+        "MR002",
+        "MR003",
+        "MR004",
+        "MR005",
+        "MR006",
+        "MR007",
+        "MR008",
+        "MR009",
+        "MR010",
+        "MR011",
+        "MR012",
+        "MR015",
+        "MR016",
+        "AI016"
+      ],
+      "groups": [
+        {
+          "category": "C06",
+          "provider": "Stripe",
+          "model": "软件订阅",
+          "products": [
+            "MR011",
+            "MR012",
+            "MR015",
+            "MR016",
+            "AI016"
+          ],
+          "n": 5,
+          "mean": 112725.6,
+          "median": 40112,
+          "sampleDeviation": 174786.78744916618,
+          "cv": 1.5505509613536426,
+          "meanWithoutLargest": 34815.0,
+          "largestRemovalDrop": 0.6911526751687284
+        },
+        {
+          "category": "C08",
+          "provider": "RevenueCat",
+          "model": "消费者订阅",
+          "products": [
+            "MR001"
+          ],
+          "n": 1,
+          "mean": 53101.0,
+          "median": 53101,
+          "sampleDeviation": null,
+          "cv": null,
+          "meanWithoutLargest": null,
+          "largestRemovalDrop": null
+        },
+        {
+          "category": "C08",
+          "provider": "Stripe",
+          "model": "内容制作服务",
+          "products": [
+            "MR002"
+          ],
+          "n": 1,
+          "mean": 62423.0,
+          "median": 62423,
+          "sampleDeviation": null,
+          "cv": null,
+          "meanWithoutLargest": null,
+          "largestRemovalDrop": null
+        },
+        {
+          "category": "C08",
+          "provider": "Stripe",
+          "model": "软件订阅",
+          "products": [
+            "MR003",
+            "MR004",
+            "MR005"
+          ],
+          "n": 3,
+          "mean": 41693.0,
+          "median": 49069,
+          "sampleDeviation": 28111.375064197768,
+          "cv": 0.6742468775141575,
+          "meanWithoutLargest": 29849.0,
+          "largestRemovalDrop": 0.2840764636749574
+        },
+        {
+          "category": "C09",
+          "provider": "RevenueCat",
+          "model": "消费者订阅",
+          "products": [
+            "MR006",
+            "MR007",
+            "MR008",
+            "MR009",
+            "MR010"
+          ],
+          "n": 5,
+          "mean": 25349.2,
+          "median": 20483,
+          "sampleDeviation": 11942.947278624319,
+          "cv": 0.4711370488466823,
+          "meanWithoutLargest": 20046.0,
+          "largestRemovalDrop": 0.20920581320120557
+        }
+      ]
+    }
+  ]
+}
@@ -0,0 +1,110 @@
+"""Summarize observed research coverage; does not claim an exhaustive AI census."""
+import argparse
+from collections import Counter
+import json
+from pathlib import Path
+import sys
+from urllib.parse import urlsplit
+
+ROOT = Path(__file__).resolve().parents[1]
+DATA = json.loads((ROOT / 'content/research/ai-companies.seed.json').read_text())
+AUDIT = json.loads((ROOT / 'content/research/ai-companies.coverage.json').read_text())
+TARGET = ROOT / 'content/docs/ai-company-research/02-coverage-and-gaps.md'
+BASE = '/docs/other-research/ai-company-research/overview'
+
+
+def render():
+    cov = DATA['coverage']
+    companies = DATA['companies']
+    depth = sum(bool(c.get('profileOnly')) for c in companies)
+    origin = sum(bool(c.get('profileOnly')) or c.get('directoryOrigin') == 'yc-2025-2026' for c in companies)
+    promoted = origin - depth
+    reviewed = sum(bool(c.get('profileOnly')) and '人工复核' in c.get('classificationBasis', '') for c in companies)
+    years = Counter(c['year'] for c in companies)
+    income = Counter(c['revenueStatus'] for c in companies)
+    technical = Counter(c.get('technicalReview', {}).get('level', 'unreviewed') for c in companies)
+    assert cov['profilesRead'] + cov['failedProfiles'] == cov['candidateRecords']
+    assert cov['matchingProfiles'] == cov['existingProfiles'] + cov['newProfiles']
+    assert cov['matchingProfiles'] + cov['otherOrMissingYear'] + cov['unclearAI'] + cov['dateConflicts'] == cov['profilesRead']
+    assert origin == cov['newProfiles']
+    assert AUDIT['accessedAt'] == cov['accessedAt']
+    assert AUDIT['counts'] == cov
+    assert len(AUDIT['records']) == cov['profilesRead']
+    assert Counter(x['status'] for x in AUDIT['records']) == {
+        'imported': cov['newProfiles'], 'existing': cov['existingProfiles'],
+        'year-outside-or-missing': cov['otherOrMissingYear'],
+        'ai-unclear': cov['unclearAI'], 'date-conflict': cov['dateConflicts']}
+    assert len({x['ycId'] for x in AUDIT['records']}) == len(AUDIT['records'])
+    lines = ['# AI 公司资料覆盖与缺项', '',
+        f"截至 {DATA['asOf']}，研究表含{len(companies):,}条公司或产品记录。YC候选池有逐条读取审计；其他来源为定向补充。清单尚不能作为全球AI公司普查，也不能将收入未知解释为零。", '',
+        '验收范围已于2026-10-30确认为：以确认的公开来源清单为边界，逐条核对并标明缺项。下方区分已逐条审计的候选池与定向补充来源；已使用某来源不代表该来源已被完整覆盖。', '',
+        f"[分类和数据工作台]({BASE})链接原始证据，[收入样本快照](/docs/other-research/ai-company-research/income-snapshot)展示当前可计算的MRR样本。", '',
+        '## 候选池与公司表的关系', '',
+        '| 环节 | 记录数 | 含义 |', '| --- | --- | --- |',
+        f"| YC批次候选 | {cov['candidateRecords']:,} | 从公开镜像发现，随后读取YC官方页面 |",
+        f"| 官方页面读取 | {cov['profilesRead']:,} | 此候选池读取失败{cov['failedProfiles']}条 |",
+        f"| 初筛匹配 | {cov['matchingProfiles']:,} | 成立年及AI相关描述通过初筛，尚非逐家商业验证 |",
+        f"| 与原表重合 | {cov['existingProfiles']} | URL匹配，未再次新增 |",
+        f"| 新增目录记录 | {cov['newProfiles']:,} | 原始入表来源，后续深化不改变发现计数 |",
+        f"| 年份不符或缺失 | {cov['otherOrMissingYear']} | 此轮不作为成立年匹配项 |",
+        f"| AI业务待确认 | {cov['unclearAI']} | 不强行把背景关键词当主营 |",
+        f"| 成立年与批次冲突 | {cov['dateConflicts']} | 另保留核查记录 |", '',
+        f"全表由{depth}条目录基础项和{len(companies)-depth}条个案或平台记录组成。候选池已匹配项之外另有{len(companies)-cov['matchingProfiles']}条记录，包含其他来源及发布/转型对照；其中已有{promoted}条原目录记录深化为个案，仍保留目录来源。两种统计边界不同。候选池数字只是该镜像快照的覆盖，Bud等后续定向补充不回填为原候选池已覆盖。", '',
+        '## 成立年与证据深度', '',
+        '| 维度 | 当前记录 | 解读 |', '| --- | --- | --- |',
+        f"| 记录为2025年成立 | {years[2025]} | 成立来源和精度见公司明细 |",
+        f"| 记录为2026年成立 | {years[2026]} | 不将产品发布日期代替成立日 |",
+        f"| 成立年未知或范围外 | {sum(v for k,v in years.items() if k not in (2025,2026))} | 发布/转型对照单列，不进入两年成立分组 |",
+        f"| 目录业务分类人工复核 | {reviewed} | 仅复核主营分类，不代表技术或财务审计 |",
+        f"| 其他目录基础项 | {depth-reviewed} | 规则初分或资料不足，继续待复核 |",
+        f"| 有团队数字 | {sum(c['team'] is not None for c in companies)} | 多为自报Team Size或Employees，时点与口径不统一 |",
+        f"| 专项技术证据记录 | {len(companies)-technical['unreviewed']} | 其中{technical['description']}条自述、{technical['public-artifact']}条公开材料、{technical['independent-test']}条第三方评测 |",
+        f"| 公司披露收入线索 | {income['self']} | 含历史、下界、币种不明及产品业务声明，不等于可比ARR |",
+        f"| 仅平台收入线索 | {income['platform']} | 同时有公司披露者计入上一行，不重复计数 |",
+        f"| 仅第三方估算 | {income['estimate']} | 不与直接披露混合 |",
+        f"| 暂无可用收入数字 | {income['unknown']} | 包含尚未逐家搜索的目录项，不代表没有收入 |", '',
+        '## 业务分类与数据入口', '',
+        '| 业务类别 | 记录数 |', '| --- | --- |',
+    ]
+    counts = Counter(c['cat'] for c in companies)
+    for category in DATA['categories']:
+        lines.append(f"| [{category['name']}]({BASE}?category={category['id']}) | {counts[category['id']]} |")
+    lines += ['', '## 已使用来源的分布', '',
+        f"{len(DATA['evidence']):,}条证据记录对应{len({e['url'] for e in DATA['evidence']}):,}个不同URL。不同URL不自动构成独立验证；同一声明可能由公司、投资方和媒体重复转述。", '',
+        '| 来源 | 证据记录 | 不同URL | 用途及限制 |', '| --- | --- | --- | --- |',
+    ]
+    families = [('YC官方目录', 'www.ycombinator.com', '公司自述的成立、团队与业务；英文及加速器样本偏多'),
+                ('TrustMRR', 'trustmrr.com', '支付平台重建指标及方法；公开者存在选择偏差，非财务审计'),
+                ('a16z Speedrun', 'speedrun.a16z.com', '投资机构中的公司介绍及收入声明；存在利益关系'),
+                ('TechCrunch', 'techcrunch.com', '原始采访或报道；转述公司数字不等于查账'),
+                ('Sacra', 'sacra.com', '第三方估算；与直接披露分开')]
+    included = set()
+    for name, host, note in families:
+        entries = [e for e in DATA['evidence'] if urlsplit(e['url']).netloc == host]
+        included.add(host)
+        lines.append(f"| {name} | {len(entries)} | {len({e['url'] for e in entries})} | {note} |")
+    others = [e for e in DATA['evidence'] if urlsplit(e['url']).netloc not in included]
+    lines.append(f"| 其他官网、评测及公开资料 | {len(others)} | {len({e['url'] for e in others})} | 按每条来源限制理解，不能统一当作独立证据 |")
+    lines += ['', '## 尚未满足的研究条件', '',
+        '行业ARR比较仍缺统一业务截止日、币种、经常性定义和业务边界。现有平台MRR可描述已采集产品，不足以代表全部新公司。技术评测只覆盖所列版本与任务，不宜跨领域汇总为统一强弱分数。', '',
+        '下一轮优先补收入线索的日期及合同定义、非YC和非英文来源、规则初分的人工复核，以及停止服务或被收购案例。这样能减少“只见赢家”和“只见融资公司”的偏差。公开来源池之外的未披露公司仍无法证明已被穷尽。', '',
+    ]
+    return '\n'.join(lines)
+
+
+def main():
+    parser = argparse.ArgumentParser(description=__doc__)
+    parser.add_argument('--check', action='store_true')
+    args = parser.parse_args()
+    content = render()
+    if args.check:
+        if not TARGET.exists() or TARGET.read_text() != content:
+            sys.exit('Research coverage report differs; review and regenerate')
+        print('Research coverage accounting and report are consistent')
+    else:
+        TARGET.write_text(content)
+        print(TARGET.relative_to(ROOT))
+
+
+if __name__ == '__main__':
+    main()
@@ -14,7 +14,8 @@ ROOT = Path(__file__).resolve().parents[1]
 APP = "endorphin-tabularium-docs"
 INPUTS = ["Dockerfile", "Dockerfile.ci", ".dockerignore", ".npmrc", "package.json",
          "pnpm-lock.yaml", "pnpm-workspace.yaml", "apps/docs", "content", "tools/figures",
-          "scripts/check-container.sh", "scripts/ci.py"]
+          "scripts/check-container.sh", "scripts/ci.py", "scripts/summarize-ai-income.py",
+          "scripts/audit-ai-research.py"]


 def run(*args: str, capture: bool = False) -> str:
@@ -63,6 +64,8 @@ def smoke_image(image: str, name: str) -> None:

 def main() -> None:
    os.chdir(ROOT)
+    run(sys.executable, "scripts/summarize-ai-income.py", "--check")
+    run(sys.executable, "scripts/audit-ai-research.py", "--check")
    run(sys.executable, "-m", "unittest", "discover", "-s", "scripts", "-p", "test_*.py")
    scope = os.environ.get("CI_CACHE_SCOPE", "main")
    if not re.fullmatch(r"main|pr-[0-9]+", scope):
@@ -0,0 +1,153 @@
+"""Render a fixed research snapshot; --check performs data analysis only, no build."""
+import argparse
+import datetime as dt
+import json
+from pathlib import Path
+import statistics as st
+import sys
+
+ROOT = Path(__file__).resolve().parents[1]
+DATA = json.loads((ROOT / 'content/research/ai-companies.seed.json').read_text())
+REFERENCE = json.loads((ROOT / 'content/research/ai-income-analysis.json').read_text())
+TARGET = ROOT / 'content/docs/ai-company-research/01-income-snapshot.md'
+BASE = '/docs/other-research/ai-company-research/overview'
+COMPANIES = {c['id']: c for c in DATA['companies']}
+CATEGORIES = {c['id']: c['name'] for c in DATA['categories']}
+END = dt.date.fromisoformat(DATA['asOf'])
+
+
+def sample(days):
+    latest, excluded = {}, []
+    for o in DATA['observations']:
+        if o.get('selection') != 'platform' or o.get('metric') != 'mrr':
+            continue
+        c = COMPANIES[o['company']]
+        day = o.get('observedAt')
+        try:
+            parsed = dt.date.fromisoformat(day)
+            valid_date = parsed.isoformat() == day
+        except (TypeError, ValueError):
+            valid_date = False
+        valid = (c['year'] in (2025, 2026) and o.get('origin') == 'payment-platform'
+                 and o['unit'] == 'USD' and o['bound'] == '='
+                 and o.get('comparisonGroup') == 'trustmrr-usd-mrr'
+                 and o.get('provider') and isinstance(o['value'], (int, float))
+                 and 0 <= o['value'] < float('inf') and valid_date
+                 and 0 <= (END - parsed).days <= days)
+        if not valid:
+            excluded.append(o)
+            continue
+        prior = latest.get(c['id'])
+        if prior is None or day > prior['observedAt']:
+            latest[c['id']] = o
+    return latest, excluded
+
+
+def groups(points):
+    result = {}
+    for cid, o in points.items():
+        c = COMPANIES[cid]
+        key = (c['cat'], o['provider'], c.get('businessModel', '收费模式未核验'))
+        result.setdefault(key, []).append(o['value'])
+    return result
+
+
+def stats(values):
+    mean = st.mean(values)
+    sd = st.stdev(values) if len(values) > 1 else None
+    reduced = st.mean(sorted(values)[:-1]) if len(values) > 1 else None
+    return dict(n=len(values), mean=mean, median=st.median(values),
+                sampleDeviation=sd, cv=sd / mean if sd is not None and mean else None,
+                meanWithoutLargest=reduced,
+                largestRemovalDrop=(mean - reduced) / mean if reduced is not None and mean else None)
+
+
+def verify():
+    assert REFERENCE['sourceVersion'] == DATA['version'], 'Reference revision mismatch'
+    for window in REFERENCE['windows']:
+        points, _ = sample(window['days'])
+        assert set(points) == set(window['products']), 'Sample selection mismatch'
+        computed = groups(points)
+        assert len(computed) == len(window['groups'])
+        for group in window['groups']:
+            values = computed[(group['category'], group['provider'], group['model'])]
+            for key, value in stats(values).items():
+                expected = group[key]
+                assert (value is None and expected is None) or (
+                    value is not None and expected is not None
+                    and abs(value - expected) <= 1e-8 * max(1, abs(expected))), key
+
+
+def money(value):
+    return f'{value:,.0f}' if value is not None else '不计算'
+
+
+def link(cid):
+    return f"[{COMPANIES[cid]['name']}]({BASE}?company={cid}#research-company-detail)"
+
+
+def render():
+    points, excluded = sample(7)
+    lines = [
+        '# AI 公司收入样本分布快照', '',
+        f"截至 {DATA['asOf']}，7日窗口内有 {len(points)} 个产品的美元平台MRR可纳入分组描述。创意软件订阅组的样本均值较高、CV也较大；营销软件组与消费者个人应用组的CV接近。各组只有1至5个产品，尚不足以估计行业总体或造假概率。", '',
+        f"这是已采集资料的固定快照。[动态工作台]({BASE})提供筛选与原始证据。窗口按最后同步日计算，不保证所有点同日，也不是{len(DATA['companies']):,}条公司/产品记录的收入普查。", '',
+        '## 7日窗口的分组结果', '',
+        'MRR单位为美元每月。CV为样本标准差除以均值；最大值剔除降幅表示移除最高收入产品后均值下降的比例。单个样本不计算离散度。', '',
+        '| 业务及收费模式 | 平台 | 样本数 | 均值 | 中位数 | CV | 最大值剔除降幅 |',
+        '| --- | --- | --- | --- | --- | --- | --- |',
+    ]
+    for key, values in sorted(groups(points).items()):
+        cat, provider, model = key
+        v = stats(values)
+        cv = f"{v['cv']:.3f}" if v['cv'] is not None else '不计算'
+        drop = f"{v['largestRemovalDrop']:.1%}" if v['largestRemovalDrop'] is not None else '不计算'
+        lines.append(f"| {CATEGORIES[cat]} · {model} | {provider} | {v['n']} | {money(v['mean'])} | {money(v['median'])} | {cv} | {drop} |")
+    lines += ['',
+        '在至少3个样本的组内，内容创意软件订阅的均值较高，但移除最大样本后的下降也最大。营销软件与个人应用的CV仅有微小差别，不据此宣称哪个领域更稳定。两个内容类单样本组虽有更高数值，不能作为典型收入或领域排名。', '',
+        '均值和中位数接近只描述当前采集点，并不证明样本具有代表性。平台公开者、成立年、规模、获客渠道与收费方式均可能影响结果。', '',
+        '## 样本与证据入口', '',
+        '点击产品名称可打开公司明细，再查看平台记录及其限制。连接已过期的近期快照仍按所标日期保留，并不表示连接当前有效。', '',
+        '| 产品 | 成立年 | MRR美元每月 | 最后同步 | 平台 | 连接状态 |',
+        '| --- | --- | --- | --- | --- | --- |',
+    ]
+    for cid, o in sorted(points.items()):
+        status = '已过期的日期快照' if o.get('connectionExpired') else '采集时未标过期'
+        lines.append(f"| {link(cid)} | {COMPANIES[cid]['year']} | {money(o['value'])} | {o['observedAt']} | {o['provider']} | {status} |")
+    fresh = stats(groups(points)[('C06', 'Stripe', '软件订阅')])
+    broad, _ = sample(90)
+    older = stats(groups(broad)[('C06', 'Stripe', '软件订阅')])
+    lines += ['', '## 扩大窗口后的敏感性', '',
+        f"营销软件订阅组从7日窗口的{fresh['n']}个产品扩大到90日窗口的{older['n']}个产品，均值从{money(fresh['mean'])}升至{money(older['mean'])}美元每月，中位数从{money(fresh['median'])}变为{money(older['median'])}，CV从{fresh['cv']:.3f}升至{older['cv']:.3f}。", '',
+        f"新增点来自{link('AI016')}的8月历史快照，连接已过期。移除该最大值后，均值回到{money(older['meanWithoutLargest'])}美元，下降{older['largestRemovalDrop']:.1%}。这是日期与样本构成的敏感性，不能解释为行业风险变化。", '',
+        '## 默认窗口排除的历史记录', '',
+        '| 产品 | MRR美元每月 | 最后同步 | 排除原因 |',
+        '| --- | --- | --- | --- |',
+    ]
+    for o in excluded:
+        lines.append(f"| {link(o['company'])} | {money(o['value'])} | {o.get('observedAt', '未知')} | 超过7日窗口，保留历史观测 |")
+    lines += ['', '## 对 ARR 与商业模式的含义', '',
+        'MRR乘12只是参考年化。公司声明的ARR、合同管线、近30日收款、一次性额度和服务交付收入仍需分开；支付平台重建指标也不等于财务审计。方法与平台限制见[TrustMRR FAQ](https://trustmrr.com/faq)。', '',
+        '当前更适合选择访谈对象和设计收费试验，不能据最高均值直接决定业务方向。软件订阅优先核留存与推理成本，服务交付优先核人工工时和返工，消费者应用优先核渠道成本、退款和平台抽成。', '',
+        f"行业ARR比较仍需补齐同一业务截止日、币种、经常性定义及业务边界。收入日期不完整或同页数值冲突的声明，继续保留在[核查工作台]({BASE})，不补成零值或精确数字。", '',
+    ]
+    return '\n'.join(lines)
+
+
+def main():
+    parser = argparse.ArgumentParser(description=__doc__)
+    parser.add_argument('--check', action='store_true')
+    args = parser.parse_args()
+    verify()
+    content = render()
+    if args.check:
+        if not TARGET.exists() or TARGET.read_text() != content:
+            sys.exit('Income snapshot differs; regenerate after reviewing data changes')
+        print('Income reference, samples and report are consistent')
+    else:
+        TARGET.write_text(content)
+        print(TARGET.relative_to(ROOT))
+
+
+if __name__ == '__main__':
+    main()
Author	SHA1	Message	Date
codex-bot	0dcd178394	docs: explore Endor as a coding agent traffic platform	2026-10-30 15:16:35 +08:00
Zayden-Jung	25c5e83d08	Merge pull request '新增 Smalltalk-80 现代化研究导读与源码研究入口' (#13 ) from codex/smalltalk-guide into main Verify and deploy Tabularium / verify-and-deploy (push) Successful in 6m56s Details Reviewed-on: #13	2026-10-30 06:19:43 +00:00
codex-bot	798c6d17d0	docs: add modern Smalltalk-80 study guide	2026-10-30 14:17:39 +08:00
Zayden-Jung	c2ea0900e6	Merge pull request '补充AI公司收入、合同与业务规模口径核查' (#12 ) from codex/ai-research-revenue-scope into main Verify and deploy Tabularium / verify-and-deploy (push) Successful in 6m30s Details Reviewed-on: #12	2026-10-30 06:04:36 +00:00
codex-bot	1cc2c9f97f	补充6家AI公司合同与交易支出口径核查	2026-10-30 13:53:00 +08:00
Zayden-Jung	62bba8d320	Merge pull request '新增AI公司收入分布、证据核查与研究报告' (#11 ) from codex/ai-research-income into main Verify and deploy Tabularium / verify-and-deploy (push) Successful in 7m48s Details Reviewed-on: #11	2026-10-30 05:48:56 +00:00
codex-bot	28fa155829	深化8家AI公司收入声明及合同并购口径核查	2026-10-30 06:58:06 +08:00
codex-bot	db47c1da13	补全20家AI公司主营买家与交付边界	2026-10-30 06:51:40 +08:00
codex-bot	446ad80089	深化20条目录资料并保留发现来源审计	2026-10-30 06:47:02 +08:00
codex-bot	b52d1e59a4	增加研究覆盖审计及分类数据直达链接	2026-10-30 06:24:56 +08:00
codex-bot	c7aa6e54c6	补充Bud收购案例与Rocket转型业务边界	2026-10-30 06:08:28 +08:00
codex-bot	f93e094ba2	明确核查范围并补齐公司明细关联	2026-10-30 06:02:20 +08:00
codex-bot	5ee28cef98	补充Gradium第三方语音评测及测试范围	2026-10-30 05:58:54 +08:00
codex-bot	8da38694bc	增加收入分布快照报告与公司明细直达链接	2026-10-30 05:54:51 +08:00
codex-bot	850ed8f9a7	补充Speedrun收入声明并关联公司核查记录	2026-10-30 05:48:49 +08:00
codex-bot	43bd5a86bf	补足ARR历史月份并更新企业规模与业务边界	2026-10-30 05:44:25 +08:00
codex-bot	cfb9273f88	增加技术验证证据筛选并区分材料与独立测试	2026-10-30 05:41:35 +08:00
codex-bot	3e0cbf9831	补充中文AI样本及成立年和近名实体核查	2026-10-30 05:38:35 +08:00
codex-bot	aa2d3fe244	补充Runable经营案例与商业模式初评	2026-10-30 05:35:30 +08:00
codex-bot	2e4dd8c6c7	补齐59条主营分类并记录3条资料缺口	2026-10-30 05:32:05 +08:00
codex-bot	1c4e2fc9b6	按官方长简介复核62条AI公司业务分类	2026-10-30 05:30:01 +08:00
codex-bot	69fa0b240f	新增支付平台收入样本与分布分析	2026-10-30 05:25:05 +08:00
Zayden-Jung	6d26a5b0c1	Merge pull request 'ci: 仅 main 分支执行 CI/CD' (#8 ) from codex/main-only-cicd into main Verify and deploy Tabularium / verify-and-deploy (push) Successful in 5m20s Details Reviewed-on: #8	2026-10-29 20:34:12 +00:00
Zayden-Jung	bb9ebaa052	Merge pull request '扩展 AI 公司目录覆盖与来源核查台账' (#10 ) from codex/ai-research-coverage into main Verify and deploy Tabularium / verify-and-deploy (push) Has been cancelled Details Reviewed-on: #10	2026-10-29 20:34:04 +00:00
codex-bot	562618cd68	ci: restrict workflows to main branch	2026-10-30 03:43:53 +08:00