AI 深度研究工作流指南

解决的研究痛点

当你要求 AI 进行行业调研时，它往往倾向于抓取大量文章并直接拼接。这种“检索量至上”的做法会导致幸存者偏差、数据冲突被掩盖，最终产出看似详尽实则缺乏可信度的报告。研究质量取决于问题分解与证据验证，而非单纯的搜索数量。

核心工作流与设计要点

该指南将深度研究拆解为结构化的工程实践，核心步骤包括：

• 问题分解树：将模糊的大问题拆解为可独立检索验证的子问题，明确每个叶子节点的数据需求与权威来源。
• 采集与交叉验证：实施严格的来源分级（一级 > 二级 > 三级）。遵循交叉验证铁律，如 关键数字必须有 ≥2 个独立来源印证，并刻意进行反向检索以规避幸存者偏差。
• 证据管理与合成：使用标准化的证据卡片记录出处与可信度。合成报告时先写结论骨架再填证据，遇到来源冲突时在报告中明示差异而非隐瞒。
• Agent 架构设计：面向开发者提供规划器、检索器、验证器与写作器的组件职责划分，强调独立验证器与人工介入点的重要性，提倡迭代式研究而非一次性生成。

适用边界与风险提示

AI 检索的内容天然存在滞后性或错误信息。在涉及金融、医疗、法律等高合规要求领域，该工作流产出的结论仅供参考，重大决策前必须以官方原始出处及持牌机构口径为准。