用 AI 做资料调研，怎样保留来源、事实和判断边界

AI 很适合帮助我们压缩长文、比较多个页面和整理零散信息，但它也很容易把不同来源的内容融合成一句流畅却无法追溯的话。调研工作的质量，不取决于最终文本多像一篇报告，而取决于关键结论能否回到证据。

下面的流程适合产品研究、技术选型、市场观察和购买决策。它不要求复杂的软件，只要求在每一步保留清楚的输入和输出。

把大问题拆成可验证的小问题

“这个产品值不值得做”不是一个能直接搜索的问题。可以拆成：目标用户当前怎样解决、现有方案的价格和限制是什么、用户抱怨集中在哪里、实现需要哪些依赖、最小版本需要验证什么。

每个小问题都应该能够被事实、数据、公开文档或访谈回答。价值判断可以放到最后。如果问题本身包含“最好”“领先”“一定会”，先把这些词改成可比较的指标。

建立问题清单以后，给每个问题标记重要性和证据要求。核心商业假设需要多个独立来源，普通背景信息可能只需要一个权威来源。

优先寻找原始材料：官方文档、产品价格页、更新日志、公开数据集、论文、监管文件和当事人的完整说明。二手文章可以帮助发现线索，但不应自动成为关键结论的唯一证据。

收集时记录页面标题、URL、发布日期或访问日期。对于会频繁变化的价格、功能和政策，访问日期尤其重要。截图可以补充视觉状态，但不能替代可访问链接。

如果一个来源引用了另一个来源，尽量继续打开原始页面。多篇文章重复同一句话，不一定代表有多个证据，它们可能都来自同一篇材料。

不要把几十个网页一次性丢给模型并要求“总结”。更可靠的方法是为关键证据建立结构化记录：

“原文支持的事实”和“你的解释”必须分开。比如价格页可以证明当前套餐价格，却不能单独证明用户认为价格昂贵。后者需要评论、访谈或行为数据。

AI 可以把长材料压缩成候选证据，但在写入卡片前，应回到原文确认数字、否定词、比较对象和时间范围。

当两个来源不一致时，不要让模型自动选一个看起来更合理的答案。先检查时间、地区、版本、统计口径和来源身份。

产品帮助文档与营销首页不一致，可能是更新延迟；不同统计数据不一致，可能是样本定义不同。把冲突原因写进记录，比强行合成一个数字更诚实，也更能帮助决策。

如果无法解决，报告中可以明确写“现有公开信息存在冲突”，并列出需要进一步验证的内容。未知不是失败，隐藏未知才会降低调研可信度。

同一个对话里连续完成搜索、总结、论证和润色，容易让早期假设不断强化。可以把任务分成几个独立阶段：提取事实、寻找反证、比较来源、检查缺口、最后组织文章。

在反证阶段，明确要求寻找会推翻当前判断的信息。例如准备采用一个 API 时，不只整理功能，还要寻找限流、停服记录、数据导出和供应商锁定风险。

每个阶段都只提供必要材料。减少无关上下文，有助于模型专注当前任务，也方便你发现是哪一步引入了错误。

完成报告前，可以逐段判断句子属于哪一类：

事实应靠近引用；计算应展示口径；推断要说明“这是根据现有信息做出的判断”；建议则要暴露价值取向和前提。不要用一个引用同时装饰整段不同性质的结论。

把报告交给一个没有参与调研的人，让他随机选择三个重要结论，并尝试在两分钟内找到对应来源。如果链接失效、引用只到首页、原文位置找不到，证据链还不够完整。

同时保留一个“未解决问题”列表。调研不是把所有空白填满，而是把已经知道、合理推断和仍需验证的部分分清楚。AI 能让整理更快，但这条边界仍然需要人来负责。