DeepResearch 完整实践：从一个问题到一份研究报告

综合实践不适合从“人工智能将如何改变世界”这样的宏大主题开始。我们选择一个更具体的问题：在资料整理和初步数据分析中，生成式人工智能能否减少重复劳动，同时保持关键事实的可核验性。这个问题有明确的工作场景，也包含效率和可靠性两个需要同时观察的结果。

它仍然不是一句可以直接搜索的答案，因此要继续限定对象和范围。研究对象可以是使用公开资料完成的小型研究任务，观察过程包括检索、文本整理和表格分析，不讨论模型训练、商业成本和所有行业的长期影响。范围越明确，后面越容易判断哪些资料相关。

第一个子问题是事实问题：生成式人工智能在资料整理和数据分析中通常可以承担哪些工作。第二个是过程问题：这些工作需要经过哪些步骤，哪些环节仍然必须由人完成。第三个是比较问题：节省的时间、产生的错误和复核成本之间是什么关系。第四个是判断问题：在什么条件下使用它是值得的。

四个子问题对应不同资料。事实问题需要看工具能力和实际案例，过程问题需要拆解工作链，比较问题需要任务记录或小规模对照，判断问题则要综合效率、准确性和限制。这样拆分之后，研究不再依赖一篇文章给出全部答案。

围绕事实问题，可以使用生成式人工智能、文献整理、数据分析、文本提取等关键词；围绕过程问题，可以增加数据采集、数据清洗、文本整合、数据可视化；围绕比较问题，可以加入准确性、错误率、复核成本、效率和可复核性。每组词都服务于一个子问题，不能只因为热门就全部加入。

来源也要分层。论文和专业资料帮助理解概念，工具说明和实际案例帮助了解应用，数据文件帮助观察具体结果，反面材料帮助识别限制。文中展示的网页采集、文件读取、长文本整合和数据分析任务，正好可以作为理解这些环节的参考，而不是直接当成普遍结论。

资料表不需要一开始就很复杂，可以先设来源、类型、对应子问题、关键内容、可靠性判断和限制六列。每找到一份材料，就记录它准备支持哪个判断。若一份资料只是提供背景，就不要把它放进支持核心结论的栏目；若它与另一份资料重复，也要标记重复关系。

接着给资料做初步筛选。优先保留来源清楚、对象和时间明确、方法有说明、能够直接回答子问题的内容。对于只有观点没有依据的文章，可以作为线索，但不要让它承担事实证明。资料表的价值在于让研究者看见证据缺口，而不是让收藏数量不断增长。

为了观察效率和可靠性的关系，可以选取一组结构相近的小任务，例如从几份公开报告中提取日期、规模和变化比例，整理成统一表格，再根据表格写出一段趋势说明。比较时要尽量保持资料、任务要求和输出格式一致，否则得到的差异可能来自任务难度不同。

记录的指标可以包括完成时间、遗漏字段数量、数字错误数量、需要人工修改的地方和最终复核时间。这里不追求一次得到严格的实验结论，而是建立一个可观察的过程。小样本只能说明本次任务表现，不能直接推广到所有研究工作。

第一步让 AI 读取并列出资料中的字段，先不急着生成结论；第二步要求它按统一格式整理数据，同时保留缺失和不确定项；第三步让它描述趋势和异常，区分观察与推断；第四步才让它根据已确认结果起草报告段落。每一步都保留输出，方便发现问题从哪里开始出现。

这种分步方式与 文中从数据读取到整合、分析和可视化的任务链一致。一次性要求 AI 从网页、文件和多个结论直接写出完整报告，看起来省事，实际上很难定位遗漏。任务越长，越要让中间结果可见。

数字核对包括原始数值、计算结果、单位和小数位；口径核对包括对象、时间、样本和指标定义；引用核对包括来源身份、原文位置和是否真的支持当前句子。这三类内容一旦出错，文章即使语言流畅，也不能作为可靠研究结果。

核对时不要只看 AI 输出的表格。应随机抽取几行回到原始文件，也要重点检查看起来最符合预期的结果，因为确认偏误会让人忽略顺眼的错误。发现问题后，记录是读取遗漏、格式转换、计算方法还是解释阶段产生的。这样才能修正流程，而不只是改掉一个数字。

假设可以是“使用 AI 能够缩短资料整理时间，但复核成本会随着任务复杂度增加”。如果小型任务确实节省时间，同时出现一些字段遗漏，那么结果可能支持这个假设的一部分；如果复核成本并没有明显增加，也不能马上说所有任务都一样，而要检查样本和任务难度。

研究过程中调整假设是正常的。重要的是保留调整记录，说明原来的预期是什么、哪些证据促使你改变、现在的判断适用哪些条件。这样做比为了让结果看起来支持最初想法而选择性删除材料更可靠。

报告可以分成六部分。第一部分说明问题和范围；第二部分介绍资料和比较任务；第三部分呈现过程记录和关键数据；第四部分讨论效率、准确性和复核成本的关系；第五部分给出结论和适用条件；第六部分说明样本、资料和方法限制。每部分都只保留与中心问题有关的内容。

结论可以写得克制一些：在本次小型任务中，AI 能够减少部分资料整理和格式转换工作，但输出仍需要对字段、数字和引用进行人工复核；任务越复杂，越需要分步处理和保留中间结果。这个结论足够有用，也没有超过当前证据能够支持的范围。

一份完整的研究实践应该保留问题卡片、关键词表、资料表、任务要求、原始数据、处理记录、结果表和最终报告。不是所有材料都需要公开，但研究者自己必须能够回到每一步，解释为什么选择这些资料、为什么使用这些指标、为什么得出这个结论。

文中提到的多种工具都能帮助降低整理和写作成本，但可复核性仍来自过程记录。只展示最终文章，读者无法判断结果是如何形成的；展示清楚的研究路径，即使案例规模不大，也能让判断更有可信度。

完成案例后，可以把稳定的部分沉淀成模板：问题卡片包含哪些字段，资料表如何记录，哪些指标必须复核，报告采用什么结构，AI 在哪个环节参与。模板不是把每次研究都做成同一个样子，而是减少重复设计，把精力留给真正不同的研究内容。

同时保留可以改变的部分。不同问题需要不同来源，不同数据需要不同处理方式，不同读者需要不同表达。DeepResearch 最有价值的地方，不是让所有研究看起来一样，而是提供一条清楚、可调整、能回到证据的工作路径。

回顾整个案例，研究经历了明确问题、拆分任务、设计检索路径、整理文献、采集数据、处理和分析、写作表达以及复核结论。AI 可以在多个环节提供帮助，但每一次帮助都需要被放在一个可检查的流程里。没有问题，资料无法聚焦；没有复核，结果无法建立信任。

这篇综合实践也为本专题最后一篇文章留下了入口：如何检查一项 DeepResearch 任务的质量。下一篇将把前面反复出现的准确性、完整性、可追溯性和边界意识整理成一张可直接使用的检查清单。