第 08 章 · AI 学习
用AI搜索和研究一个陌生问题
领导突然问你：“我们要不要尝试直播招聘？”
你对这个领域并不熟。打开搜索引擎以后，案例、课程、平台宣传、行业报告和个人经验一起涌来。AI也能在几分钟内写出一份“行业分析”，里面有趋势、有数字、有建议，看起来非常完整。
真正的难点出现在领导追问时：这个数字来自哪里？案例是否适合我们？不同文章说法冲突时为什么信这一条？你建议先做直播，依据是什么？
搜索得到信息，研究要形成判断。面对陌生问题时，AI可以加快拆题、检索、整理和比较，人要负责定义用途、判断证据、解释冲突并承担建议的后果。
一、本章学完，你能做到什么
学完以后，你能够：
- 把一个模糊问题拆成可调查的子问题；
- 为不同子问题设计关键词和信源范围；
- 区分原始资料、权威解释、厂商材料和个人经验；
- 让AI整理证据，同时保留来源、日期和原文位置；
- 主动寻找冲突与反方证据；
- 写出一份有结论、有边界、有待确认项的研究简报。
最终成果是一份“岗位问题研究简报”，而非一堆链接或一篇漂亮综述。
二、先区分三个动作：搜索、整理和研究
- 搜索：找到可能有关的信息。
- 整理：把信息分类、去重和压缩。
- 研究：围绕一个用途，使用证据回答问题，并说明结论的适用范围。
AI深度研究类产品通常会连续规划查询、搜索多个来源、整合信息并生成报告。这能省下大量机械操作，但“自动搜了很多网页”仍不能自动保证结论正确。
图：原文在说明深度研究能力由检索逐步走向多源整合与完整研究流程时使用的配图。这里用于区分“找到信息”和“形成研究结论”；画面内容与授权待人工确认。
三、研究开始前，先写清楚用途
同一个主题，因为使用者不同，研究方向会完全不同。
“研究直播招聘”可以服务于：
- 人力资源负责人决定是否试点；
- 招聘专员准备第一场直播；
- 财务估算成本；
- 品牌团队评估对雇主形象的影响；
- IT和法务评估平台、数据与隐私风险。
开始前填写五项：
研究对象：具体研究什么
使用者：谁会看结果
要做的决定：看完后要决定什么
范围：行业、地区、时间和组织条件
交付形式：一页简报、对比表或完整报告
如果“要做的决定”写不出来，研究很容易变成知识堆积。
四、七步研究法
第一步：把主题改写成决策问题
“直播招聘是什么”只会得到介绍。
更可用的问题是：
对一家每月招聘30—50名一线员工、已有两名招聘专员的制造企业，直播招聘是否值得做一个月试点？需要哪些条件，怎样判断有效？
示例数字属于教学设定。真实任务要换成自己的数据。
第二步：拆成子问题
一个可执行的研究，通常至少覆盖：
- 目标：准备解决哪类招聘问题；
- 对象：候选人在哪里，怎样做决定；
- 方案：直播招聘有哪些做法；
- 条件：人员、内容、平台和预算要求；
- 证据：有哪些真实案例和失败原因；
- 风险：隐私、合规、品牌和执行风险；
- 判断：什么情况下值得试，什么情况下先不做。
第三步：为每个子问题设计搜索词
不要只搜索一个大词。为同一问题准备三层词汇：
- 普通用户会说的话，例如“工厂招人直播怎么做”；
- 行业人员会说的话，例如“蓝领招聘直播转化”；
- 官方或专业资料可能使用的词，例如“网络招聘服务规范”“个人信息保护”。
图：原文在介绍通俗层、行业层和官方／学术层搜索词之后使用的配图。这里用于说明同一问题需要从不同语言体系检索；画面内容与授权待人工确认。
第四步：给信源分级
可以使用一套简单分级：
| 等级 | 常见来源 | 适合回答什么 |
|---|---|---|
| A | 法律法规、政府文件、官方统计、原始研究 | 规则、定义、基础事实 |
| B | 行业协会、专业机构、可信媒体、公开企业材料 | 行业现状、案例和方法 |
| C | 产品厂商、咨询材料、商业白皮书 | 产品能力、观点和候选数据 |
| D | 个人文章、社交平台讨论、问答 | 发现问题、用户语言和线索 |
等级表示用途，不表示低等级资料毫无价值。用户吐槽很适合帮助你发现问题，却不适合单独证明行业规模。
第五步：建立证据卡
每条关键材料至少保留：
结论或摘录：
来源名称：
发布者：
发布日期：
原始链接或文件：
对应子问题：
证据等级：
我的判断：可信点、疑点和适用范围
“我的判断”必须由人填写。AI可以整理摘录，无法替你承担业务判断。
第六步：专门找冲突和反方证据
让AI回答以下问题：
- 哪两条证据互相冲突？
- 冲突来自时间、样本、口径还是利益立场？
- 有哪些材料反对当前结论？
- 如果结论错误，最可能错在哪里？
- 还有哪项关键事实没有找到？
当厂商材料说“转化显著提升”，员工反馈却说报名质量下降，先查双方衡量的是否为同一指标。一个可能统计报名量，另一个关注到岗率。
第七步：设置停止条件并写简报
研究不会自然结束。可以在满足以下条件时停止首轮：
- 关键子问题都有至少一条可用证据；
- 高风险结论有两个独立来源支持；
- 主要冲突已经解释或标记待确认；
- 新增资料连续三次没有改变核心判断；
- 已经能够给出下一步行动，而非继续泛泛了解。
五、完整案例：直播招聘试点研究简报
1. 原始任务
人力资源负责人需要在周五决定，下月是否做一次面向一线操作工的直播招聘试点。
2. AI第一次输出的问题
直接输入“帮我研究直播招聘”，AI给出了市场趋势、五大优势和实施建议。问题有四个：
- 没有结合本企业岗位与地区；
- 部分数字没有原始来源；
- 只写成功案例；
- 没有试点验收指标。
3. 重新拆题和收集
将问题拆为候选人触达、岗位适配、平台选择、人员投入、合规风险、失败原因和试点指标。重要规则只使用现行正式来源；平台案例只作为实施参考；社交平台讨论只用于发现候选人顾虑。
4. 形成判断
示例结论：
可以做一次小规模试点，但暂不把直播招聘作为主要渠道。试点只覆盖两个缺口较大的岗位，由现有招聘团队执行。一个月后用有效咨询数、合格简历数、到面率、到岗率和单个到岗成本判断是否继续。
5. 写明边界
该结论依赖本企业招聘量、团队容量、目标人群和平台条件。没有证明直播招聘对所有岗位都有效。品牌风险、候选人信息收集方式和直播用语仍需相关负责人审核。
图：原文在说明答案生成需要整合多源证据并支持核验时使用的配图。这里对应从证据卡走向研究简报；画面内容与授权待人工确认。
六、在Claude、ChatGPT、DeepSeek、Kimi中怎样做
无论使用普通对话还是深度研究功能，都按同一顺序操作：
- 先提交研究任务卡；
- 要求AI先给子问题和研究计划；
- 人工删除无关方向，补上业务边界；
- 要求按来源分级搜索并保留链接；
- 先生成证据表，再写结论；
- 要求单列冲突、反方证据和未解决问题；
- 人工打开关键来源核对原文；
- 最后生成面向使用者的简报。
具备深度研究功能的产品适合多来源开放问题。已有一组固定内部资料时，第09章的多文档阅读方法更合适。
七、可复制的研究任务卡
我要研究：[具体问题]
使用者：[谁会看]
要支持的决定：[看完后决定什么]
范围：[行业／地区／时间／对象]
请先完成：
1. 把问题拆成5—8个子问题；
2. 为每个子问题给出三层搜索词；
3. 说明优先查找的信源类型；
4. 等我确认计划后再开始研究。
研究输出必须包含：
- 关键结论与对应来源；
- 证据等级与发布日期；
- 相互冲突的说法及可能原因；
- 反方证据；
- 待确认问题；
- 可执行的下一步。
不得编造来源。找不到可靠证据时直接写“尚未找到”。
八、常见错误与边界
- 问题太大：把“研究整个行业”缩小到一个决定。
- 只看摘要：关键数字、规则和承诺必须回到原文。
- 来源平权：厂商宣传和官方统计不能承担同一种证明责任。
- 只找支持证据：主动要求反方观点和失败案例。
- 精确数字幻觉：数字越精确，越要核对口径、日期和链接。
- 没有停止条件：资料足以支持当前行动时，先交付首轮结果。
- 高风险越权：法律、医疗、财务和安全判断需要专业人员复核。
九、练习：研究一个岗位陌生问题
从工作中选择一个最近必须回答的问题，完成：
- 写出研究对象、使用者和要支持的决定；
- 拆成至少五个子问题；
- 建立至少八张证据卡；
- 主动找到至少一条反方证据；
- 标记至少一个尚未解决的冲突；
- 写成不超过两页的研究简报。
十、怎样判断自己真的学会了
满足以下条件即可通过：
- 每个关键结论都能回到来源；
- 来源等级、日期和适用范围清楚；
- 报告没有把宣传口径当成确定事实；
- 至少记录一条反方证据；
- 不确定项明确标注；
- 使用者看完后能做出下一步决定。
本章小结
研究的主线是：
定义决定 → 拆解问题 → 设计检索 → 分级证据 → 解释冲突 → 形成判断 → 给出行动
下一章，我们把范围从开放网络收回到一组具体文件，学习怎样让AI阅读长文档和大量资料，并让每条结论都能回到原文。