研究场景
先说结论
大模型在研究场景中，更像研究助理而不是研究员替代，擅长资料搜集、证据整理、结构化归纳和初稿生成，但结论仍需人类审阅。
核心子场景
- 文献综述：搜集论文、对比方法、提炼共识和争议点。
- 实验设计：梳理变量、baseline、评测维度和风险点。
- 数据分析：归纳表格、文本和图表，辅助解释异常。
- 论文与报告写作：生成大纲、摘要和 related work 初稿。
- 产业 / 政策研究：做多来源资料比对和趋势扫描。
典型技术栈 / 实现模式
- 深度研究 agent：多轮检索、网页 / PDF 阅读、笔记组织、结构化报告。
- 学术搜索 API + PDF parser + citation grounding。
- Notebook 模式：上传源材料后做问答、笔记和 study guide。
- 结合 web search、表格分析、代码执行、引用管理。
- 输出通常是带引用的 research brief，而不是裸文本。
设计时真正要权衡什么
- 覆盖面 vs 可验证性：搜得越多，验证成本越高。
- 自动综合 vs 原文忠实：研究场景必须高度强调 grounding。
- 开放资料 vs 指定可信源：高风险任务更适合限定来源。
- 探索性研究 vs 结论性报告：前者可以保留不确定性，后者必须标注证据等级。
- 速度 vs 追根溯源：高质量研究通常要回到原始来源。
容易踩的坑
- 虚构论文、作者、年份或结论。
- 把二手转述当成一手证据。
- 选择性引用，忽略反例。
- 多文档综合时丢失边界条件。
- 图表、公式、表格读取错误，带偏后续结论。
工程落地时我会怎么做
- 默认要求每条关键结论都带来源。
- 对论文、PDF、网页分开处理，并保留页码、段落和 URL。
- 做 source trust ranking，优先官方文档、论文和标准组织页面。
- 输出中显式区分事实、推断和建议。
- 为综述任务增加“反证搜索”步骤，降低单向偏差。
- 建立 research QA checklist：来源是否一手、是否过时、是否交叉验证。
如果要对外讲，可以怎么概括
“研究场景最怕的是看起来很完整、实际上来源不可靠。LLM 在这里的价值主要体现在搜集、归纳和组织，而不是替代研究判断。系统设计上重点是 citation grounding、可信源排序、事实与推断分离，以及对失败案例做反证回放。”
最后记几条
- 研究场景的底线是来源可验证。
- 引用必须区分一手和二手材料。
- 输出里要显式区分事实、推断和建议。
- 反证搜索能显著减少单向偏差。
- 深度研究更像“可回放的研究流程”而不是一次性答案。
参考资料
- Introducing deep research
- Deep research FAQ
- Deep research system card
- NotebookLM goes global
- NotebookLM Audio Overviews
- Anthropic Research
- Anthropic Citations API