深度研究模式：把复杂问题拆成长链路

体验：从一句话到一份结构化研究结论

普通问答能解决"是什么"，解决不了"为什么"和"怎么办"。深度研究是 WorkBuddy 里更重的一个能力：告诉它研究主题，它会拆解搜索路径、交叉核验来源、生成结构化报告，官方宣传的口径是"从研究到结论，15 分钟交付一份报告"——包括竞品矩阵和战略建议。

我实际跑过一次"某细分市场的进入可行性"研究：主题一句话，它自己拆成市场现状、玩家格局、用户需求、进入壁垒、机会窗口几个子问题，分别搜集、交叉验证，最后合成一份带竞品矩阵和推荐结论的报告。全程不用我开浏览器，中间它还会标注哪些结论的证据更强、哪些还不确定。

和普通搜索相比，深度研究的差别在"长链路"：它不是一次检索，而是规划、执行、验证、综合的循环。这也意味着它的价值上限，取决于你给出的问题质量——问题越具体，链路越清晰，产出越可用。

实操：发起一次深度研究

• 第一步，把研究主题收敛成一句话：对象、范围、要回答的核心问题。
• 第二步，指定输出结构：报告、竞品矩阵、带结论建议的决策文档。
• 第三步，要求区分证据等级：已核验、一方说法、待确认，分别标注。
• 第四步，对关键结论做抽样核验，必要时补充追问让研究继续深化。

研究完成后别急着用：先看它的来源清单覆盖了哪些信源、有没有漏掉权威渠道，再决定哪些结论可以直接引用、哪些需要人工补料。

  场景延伸：研究结果如何沉淀与复用

  深度研究跑完一次，成果不该只躺在对话记录里。我的做法是把研究结论、来源清单、维度结构沉淀到固定的知识空间，形成自己的"研究库"：下次做类似主题，先让 AI 检索历史研究，在旧结论上增量更新，而不是从零开始。对持续关注的领域，还可以把研究做成定期任务，每周或每月自动跑一轮信息更新，趋势和变化自然浮现。

  复用不等于盲信：历史结论要标注时间口径，跨周期对比时要确认统计方式一致。我见过最典型的问题，是不同期的报告用了不同的数据源或口径，拼在一起就得出互相矛盾的结论。所以每份入库的研究，我都会要求它附上"核验日期"和"口径说明"，跨期引用时先核对这两项。研究库越用越厚，做决策的底气也会越来越足——不是因为 AI 更聪明了，而是因为可追溯的认知资产积累起来了。

进阶与心得

深度研究模式最值得练的是"提问"：我试过笼统的问法和收敛的问法，产出质量差了一个量级。笼统的问题会让它自由发挥，容易产出大而全但没用的报告；收敛的问题（明确对象、维度、决策场景）才能让长链路真正聚焦。我的习惯是先把问题拆成三到五个子问题，让研究按子问题展开，最后再合拢。

15 分钟是官方口径，不是承诺；研究深度和耗时取决于主题复杂度。涉及真金白银的决策，关键数字务必回到原始来源复核，别把 AI 的"结论"当"事实"。

把深度研究当成"快速建立认知基线"的工具，而不是"替你下结论"的工具，是它正确的打开方式：它帮你把未知的领域快速摸到八分熟，剩下两分的专业判断，仍然要你来补。

  如果你也常被"研究新领域"的启动成本困扰，我的建议是从小处开始：不要第一次就做整份行业报告，先拿"这个领域有哪些头部玩家、各自差异在哪"这样的小问题跑一轮深度研究。问题小、链路短、容易验证，跑通一次之后你自然会摸到它的脾性，再逐步加大问题的复杂度。深度研究像一把杠杆：问题质量决定杠杆支点，验证习惯决定杠杆的稳定性，两者都在你手里。