简诗 AI 深度研究审计

一次「搜一下」解决不了的问题

当你把「研究一下这个主题」丢给模型，常见结果是一次性的 Markdown 长文：有观点，有链接，但没有可追溯性。一个月后想复核某个结论，只能从头再搜一遍；团队里不同人问同一个问题，得到的口径不一致；更糟的是，模型会在抓取失败时编造一条看起来合理的引用——这种错误在战略、投资或发布场景里代价极高。

deep-research 针对的就是这类高风险研究：它不追求快，而是把一次问答变成一个可审计、可复用的调查项目。最终产物不是一个聊天回复，而是一个文件夹——每个论断都能回溯到具体的来源文件，计划文档记录了每一步的取舍理由，后续还能增量更新。

核心机制与流水线

整个流程分为 9 个阶段，深度按任务规模伸缩：

• Reframe（重构问题）：先明确问题背后的真实决策，再写下 2–4 个可证伪假设，后续证据都用来确认或推翻它们。
• Plan（规划）：输出 plan.md，包含范围、结构、来源策略、反对意见检索、风险登记与停止标准。
• 并行搜索（Search）：启动多个子 Agent 并发抓取，每个来源保存为独立的 sources/NN_slug.md，附带元数据、逐字引文与评分；绝不串行执行。
• 三角互证（Triangulation）：每个论点必须由至少 3 个类型不同的独立来源（一手 / 学术 / 行业 / 讨论）支撑，否则标记为「证据不足」，而不是当作事实。
• 对抗性审查（Adversarial Pass）：综合阶段强制运行 4 个自我批判问题，并主动寻找反方论点与证伪证据——这是该技能存在的核心目的。
• 刷新协议（Refresh）：阶段 7 产出 refresh_targets.md，之后更新只重算增量（新进入者、数据变化、触发条件），不必重跑整个调查。

此外，findings/FN.md 与 sources.csv 让研究结论可跨问题复用，而不是每次从零开始。

适用边界与注意点

• 适合：战略制定、商业计划、报告或文章底稿、对标 N 个机构 / 产品 / 市场、假设验证、元研究（如「X 的格局是怎样的」）。
• 不适合：低风险的快速概览——那种场景用轻量的 research router 更划算。
• 常见反模式：跳过已有研究检查导致重复劳动；只把结果留在对话里而不落盘；抓取为空时编造引用；来源过少或类型单一却给出高置信结论；所有子任务都用大模型而不按难度匹配。