10.4如何用 AI 做研究

先给直觉

研究不是“找资料”。

研究更像是回答一个问题：

我想知道什么？
我已有的证据是什么？
这些证据有多可靠？
还有哪些关键缺口？
目前可以得出什么判断？

AI 能提高研究效率，但它也会把错误总结得很流畅。

所以用 AI 做研究的核心不是让它替你下结论，而是让它帮助你搭框架、找线索、做比较、指出缺口，然后由你负责判断。

研究流程

推荐流程：

定义问题
  ↓
拆分子问题
  ↓
列资料来源
  ↓
阅读与摘要
  ↓
交叉验证
  ↓
形成判断
  ↓
记录证据和不确定性
  ↓
输出报告、文章或课程单元

跳过“定义问题”，直接让 AI 搜资料，容易得到一堆相关但没用的信息。

第一步：定义研究问题

模糊问题：

帮我研究一下 AI Agent。

更好的问题：

我想研究 AI Agent 在企业内部知识管理中的应用。
请帮我拆成 5 个子问题：
1. 它解决什么问题？
2. 常见系统架构是什么？
3. 需要哪些工具和权限？
4. 主要失败模式是什么？
5. 如何评估是否值得上线？

好的研究问题应该具备：

• 对象清楚。
• 场景清楚。
• 输出形式清楚。
• 判断标准清楚。
• 时间范围清楚。

第二步：拆分子问题

AI 很适合帮你把大问题拆小。

例如研究“开源大模型是否适合企业私有部署”，可以拆成：

• 业务场景是什么？
• 数据是否敏感？
• 需要多强的模型能力？
• 推理成本和硬件成本如何比较？
• 运维团队是否有能力维护？
• 开源协议是否允许商业使用？
• 与云端 API 的差异是什么？
• 失败风险是什么？

子问题越清楚，资料搜索越有效。

第三步：资料来源分层

资料不是同等可信。

可以分为：

来源类型	例子	使用方式
一手来源	官方文档、论文、产品发布说明、标准文件	优先用于事实判断
二手分析	技术博客、研究报告、媒体文章	用于理解背景和观点
实践经验	项目复盘、开发者讨论、案例分享	用于发现真实问题
社交媒体	帖子、短评、讨论串	用于发现线索，不直接当证据
AI 回答	摘要、解释、对比	用于辅助理解，不能直接当来源

研究中要尽量让关键事实回到一手来源。

第四步：让 AI 摘要资料

给 AI 一篇文章或论文时，不要只说“总结一下”。

更好的提示：

请按以下结构总结这篇资料：
1. 它试图解决什么问题？
2. 核心观点或方法是什么？
3. 关键证据是什么？
4. 它没有回答哪些问题？
5. 哪些结论需要进一步验证？
6. 如果要写进课程，适合放在哪个模块？

这样得到的不是泛泛摘要，而是可以进入研究笔记的结构化材料。

第五步：交叉验证

对关键事实，至少做三类检查：

1. 来源检查

这个结论来自哪里？

是官方、一手论文、产品文档，还是别人转述？

2. 时间检查

这个信息是否可能过期？

模型价格、API 能力、产品名称、开源协议、评测结果都可能变化。

3. 一致性检查

不同来源是否一致？

如果不一致，要记录差异，而不是让 AI 选一个听起来顺耳的答案。

第六步：区分事实、观点和推断

研究笔记中建议明确标注：

类型	含义	示例
事实	可被来源验证的信息	某论文提出了某个方法
观点	作者或机构的判断	这个方法更适合长文本任务
推断	基于事实和经验得出的判断	在预算有限时应先评估小模型
未知	还不能确认的信息	该产品是否仍支持某接口

AI 回答最大的问题之一，是把这四类内容混在一起。

研究者要把它们拆开。

第七步：建立研究笔记

推荐笔记结构：

# 研究主题

![AI 研究流程图：定义问题、拆子问题、资料分层、摘要、交叉验证、区分四类、研究笔记](assets/diagrams/D-014-ai-research-flow.svg)

*图：研究不是收集一堆回答，而是把问题拆开、把资料分级、把结论验证过再写进笔记。*

## 研究问题

## 当前结论

## 关键证据

## 重要来源

## 争议和不确定性

## 对课程的价值

## 可转化内容

## 后续问题

这套结构能让研究成果进入课程、文章、课件和练习，而不是停留在临时聊天记录里。

AI 在研究中的角色

AI 适合做：

• 拆问题。
• 解释术语。
• 摘要资料。
• 对比观点。
• 找反例。
• 生成访谈提纲。
• 设计验证清单。
• 把研究笔记改成大纲。

AI 不适合单独做：

• 最终事实判断。
• 引用来源确认。
• 高变化信息更新。
• 法律、医疗、金融等高风险结论。
• 需要真实实验数据的判断。

AI 可以当研究助理，但不能当证据本身。

常见误区

误区 1：AI 给了引用就是真的

模型可能给出看似真实但不存在的引用。

引用必须打开原文核对。

误区 2：摘要越短越好

研究摘要不是越短越好，而是要保留问题、方法、证据、局限。

误区 3：资料越多越专业

研究质量不取决于资料数量，而取决于问题是否清楚、证据是否可靠、判断是否有边界。

误区 4：只找支持自己想法的资料

好研究要主动找反例和反对意见。

误区 5：把 AI 的结论直接写进文章

AI 结论需要经过来源核对、逻辑检查和表达重写。

案例：研究“RAG 是否适合企业知识库”

研究问题：

RAG 是否适合用于企业内部知识库问答？

拆分子问题：

• 企业知识库的问题是什么？
• RAG 能解决什么？
• RAG 不能解决什么？
• 权限和隐私如何处理？
• 文档更新如何进入索引？
• 如何评估回答质量？
• 与微调相比有什么差异？

资料来源：

• 向量数据库文档。
• LLM API 文档。
• RAG 系统案例。
• 企业权限管理方案。
• 相关论文和工程文章。

研究结论示例：

RAG 适合资料频繁更新、需要引用来源、知识边界明确的企业问答。
但它不能自动解决文档质量、权限控制和回答可靠性问题。
如果企业没有整理好的资料库，先做文档治理和评估集，比直接上 RAG 更重要。

注意：这只是结构示例，不是某个企业的实际结论。

动手练习

选择一个研究主题，例如：

• AI Agent 是否适合个人知识管理？
• 小模型是否适合本地部署？
• 多模态模型能否用于课程作业批改？
• AI 写作工具如何改变公众号生产流程？

完成下面表格：

项目	内容
研究主题
核心问题
子问题 1
子问题 2
子问题 3
一手来源
二手来源
需要核查的信息
当前判断
不确定性
可转化课程单元