用 AI 做了一次真正的深度研究，才明白什么叫降维打击

目录

1、深度研究实际场景

2、深度研究是什么，它用了什么能力？

3、在深度研究上，AI 为啥比人强这么多？

4、哪些问题，值得用深度研究方式来做？

5、怎样用好深度研究，保持结果的稳定性？

6、各类深度研究产品的特点以及使用技巧？

0｜楔子

我朋友最近在问我有没有什么低估但有成长性的美股参考。

他的风格偏保守，不喜欢投热门题材股，也不太擅长看复杂的财务模型。

但现在行情波动大，他又不想错过抄底机会，

就想看看能不能让 AI 帮他跑一轮定投策略，顺便挑几只股票当作研究样本。

他的原话是：不指望 AI 给我一夜暴富，但起码能省点力吧？

于是我试着用几个不同的 AI 工具，跑了一轮深度研究任务。

请注意，下面内容只是验证 AI 在“结构化研究任务”上的能力；

单纯是一次 AI 跑选股流程的测试案例，欢迎参考思路，不要照搬答案；

不作为任何投资建议，更不建议照抄任何选股结论，股市有风险，入市需谨慎。

1｜拆解

整个过程大概跑了十五分钟，生成了一份 Markdown 格式的研究报告。

这时候你可能会发现，我们常说的“用 AI 查资料”，其实已经不是搜索的体力活了，而是认知活。

因为就算我能用好搜索引擎，我却很难做到根据结果进一步思考下一轮的提示词。

所以这也是我想提出的一个新的观点。

AI 搜索已经不同于给出答案，AI 深度研究拼的是对内容的解构，拼的是新的认知。

AI 不再告诉你它知道什么，搜到了什么，而是带着你，按一个有逻辑的路径，把问题摸清楚。

上面的押题结果只是表面，背后真正厉害的，是那个由搜索、分析、总结组成的深度研究的思路。

2｜深度研究是什么，用了什么能力？

刚才的这一段深度研究，跑的是这样一个流程：

1. 先系统性整理了过去十年广东卷的作文题干和评分标准；

2. 然后自动对这些题目进行归类，比如：情境引导型、任务驱动型、材料类命题等；

3. 接着判断这些题型背后反映出的命题思路是否与教育政策、价值导向、社会议题变化相关；

4. 再进一步收集 2024–2025 年之间出现的热点政策、教育导向、时代叙事、新闻事件；

5. 最后，用一个结构化的模型路径，把“过去的命题规律”和“当下的命题可能性”结合起来，给出若干预测方向和理由。

我刚开始用 ChatGPT 深度研究的时候，刻板觉得深度研究就只是资料更多而已，

但它真正的本质，是让模型带着明确目标，执行一个有逻辑、有记忆、有节奏的搜索与判断流程。

它并不仅仅是搜索，多轮推理才是更关键的能力；

不仅比你知道得更多，还比你更会查、查得更准确、更省时间。

这依赖的是 AI 的以下五种核心能力：

1. 迭代搜索

AI 不会一次把所有问题查完，而是一步步搜索。

每一轮搜索的关键词、角度、时间范围，都是基于上一次搜索的结果自动生成的。

2. 上下文保持

只要大模型上下文窗口够大，它就能在一次任务中持续保持“研究目标”不变，并把之前获取的信息作为判断依据，不断加深理解。

3. 分层规划

像刚才押题那样的任务，其实需要拆解成多个子问题：过去题型是什么、出题机制如何、社会背景怎样……

深度研究的关键就是拆得够细、搜得够准，再按逻辑顺序一层层完成。

4. 关联挖掘

比如你发现某些细微和当年的政府工作报告主旨雷同、或者和某部电影宣传口径一致，这些“非直接相关”的东西，AI 能大量内容中找到这些潜在线索。

5. 结构化综合

这么庞大的上下文可能所有十几万字，最终需要AI把这些素材变成容易阅读的内容，不如逻辑通顺、结构清晰的 Markdown、HTML、PPT。

最后，我们只需要阅读结构化的结果，再基于结果进行问答或者进一步创作就可以了。

简单的流程图是这样的

所以说，深度研究的核心，是拆得细、查得准、最后写得清楚。

它对比之前的 Perplexity 这样的产品，改进点是资料重组的能力，而不是简单的搬运和总结。

3｜在深度研究上，AI 为啥比人强这么多？

看到这里，也许你会问：

这些看起来确实挺牛逼，挺系统的，但如果我自己慢慢查，不也能做到差不多的效果吗？

确实，如果时间充裕、精力充沛，一些人也可以完成一次类似的任务。

但关键是：AI 和我们之间的差距，不在于能不能做类似的，而是 它能并发、他快，他稳定，结果还完整。

而人干，不说别的，光调格式就把人搞死…

下面这些，是我在使用深度研究工具过程中，体会最明显的五个 AI 优势：

1. 处理规模远超人类

我们一天能认真读完的资料，可能是几十篇文献或者一堆深度的分析报告；

AI 在几分钟内就能扫完几百份。

我们还在翻一页页搜索结果，复制粘贴相关资料的时候，AI 已经把整个趋势图整理出来了。

2. 注意力集中，不遗忘、不跳跃

做研究最怕什么？形成了一个思考链条之后，看着一半忘了上文、突然要上厕所、摸鱼、开会…

甚至刷起了短视频…

但 AI 没有注意力跑偏的问题，持续在同一个目标上迭代，不会突然兴致来了开始讲段子，刷小红书。

3. 不遗漏、不偏信

我们查资料的时候，很容易受到经验和兴趣的影响，看到顺眼的就停下来了，反而漏掉了真正关键的角度。

AI 之所以强，是因为它可以按照预设的路径全景式推进：

每一个时间段、每一类题型、每一个可能的热点都过一遍，再做交叉比对，查缺补漏。

4. 发现隐性的联系

人类确实有直觉，有经验感知，但当信息量一旦扩大，非显性的规律几乎没法靠人力总结出来。

而且，即便人能凭直觉发现一点，但大部分都会遗漏。

很多时候，会有失偏颇…

AI 能从文本、图表、政策报告、社交话题之间，找到那些潜在模式：

比如某类题型总是出现在某类年份之后、某些表达在政策文件和作文评分标准中同时出现。

5. 研究不完全是为了自己知道，而是为了对外表达。

AI 最大的差异化，是它在获取信息之后，可以迅速输出 Markdown 报告、PPT 框架、HTML 网页、分段摘要，几乎不需要你再做格式整理。

你甚至可以直接把这些输出拿去写提纲、写脚本、做演讲，做下一步的事情。

跳过了那一大段机械的调排版，复制粘贴的阶段。

这个是 AI 牛马最好的价值。

在搜索过程中，我觉得 AI 并没有取代我思考的能力，

但它已经把你不想思考、不擅长思考、或者来不及整理的那部分工作做得越来越成熟了。

而在真正的研究这件事上，搜索速度、覆盖面、内容准确性，其实就是竞争力。

4｜哪些问题，值得用深度研究方式来做？

说到底，不是每个问题都值得搞一套深度研究流程的。

有些问题你问一句，ChatGPT 回答两段就够了；

有些问题本身不复杂，做再多也没什么增量。

但也确实有一类问题，特别适合用深度研究这种方式来跑。

我的经验是，以下几类问题，一旦走深，就会天然变成结构化研究任务：

1. 信息量大且分散

比如我想写一份关于“人工智能对未来职业影响”的分析报告，

资料散落在论文、新闻、论坛，甚至还要去 Boss 直聘里找，这种情况就特别适合让 AI 来收：设好关键词、限定时间范围、按维度分组拉一遍，再重新组合输出。

2. 有时间压力

比如老板临时要我做一份同行竞品研究，明早九点要过一下。

靠人一页页搞肯定是来不及的，交给下属干也来不及，让他们一人负责一部分，沟通成本可能会大过研究成本。

这个时候 AI 可以并发跑逻辑链，把同类产品资料、趋势分析、用户评论、PR 资料整理成报告，最后补充好参考资料。

拿到结果之后再整理材料，这种场景就特别适合深度研究。

3. 有全面性压力

像一些政策解读、风险分析、合规检查，这些都不能有明显遗漏。

漏掉一个政策背景、一些数据点，整个判断就可能完全失准。

AI 做得好的一点，是它每个角度都能查一轮，而且能覆盖很多我没有考虑到的部分。

4. 客观性要求高

你可能是做第三方报告、舆情汇总、项目尽调，这些场景最怕个人情感偏好，

比如我特别喜欢或讨厌某一家公司，我做报告的时候会更多看到他们的优点或者缺点，

呈现在报告上就是不一样的结果，对我个人而言没啥，但对商业化公司而言，这些结果可能会影响业务。

AI 处理信息更冷静，能拉多个来源交叉比对，不容易被带偏。

就特别适合那种要保持中立立场的场景。

5. 重复性研究

这个是 AI 深度研究最大的价值点：

比如我不定期要做一些产品调研、每个月跟踪一次行业趋势、做自媒体每两天要思考选题。

也就是那些“你知道该查什么，但查一百次就很累”的机械活。

这种结构固定、内容更新的任务，靠人查没效率，靠 AI 做就刚刚好。

AI 做出底稿、初步输出，效率极高，而且稳定性比人好太多。

6. 跨领域问题

像 AI 医疗合规风险、AIGC 对中小学教育的影响、金融相关的这种跨专业场景，

一个可能懂 AI，懂技术，懂产品，但不懂教育；

懂教育，但不懂政策；

懂政策，但不懂 AI 底层模型…

而 AI 却可以同时调多个领域的知识，在一定程度上打通这些割裂的板块。

7. 多维复杂拆解型问题

比如我想搜索 ： 新能源汽车出海过程中遇到的政策壁垒与品牌定位策略冲突，

这类问题本身维度多、变量多、人力梳理起来费时费力。

新能源汽车、出海、各国政策壁垒、品牌定位、品牌冲突…

但 AI 只要设好结构，就能把它拆成一些正交的关键词一起跑一遍，最后拼接起来输出。

这些任务有个共同点：信息密度高、角度多、节奏快、人力容易崩。

这也是我觉得深度研究真正适用的场景：

把人从冗长、重复、容易出错的信息处理工作中拉出来，把时间留给真正需要判断的环节。

5｜怎样用好深度研究，保持结果的稳定性？

前面说过，大模型做深度研究，是一步带一步的。

不是直接生成答案，而是先拆思路，再查一轮资料，再根据查到的结果调整下一步。

这个逻辑听起来很不错，但也带来一个非常显著的问题：结果很不稳定。

我给它一个需求，它先去抓一轮材料；但每次抓到的内容不一样，后面推理的路径自然就变了。

同一个问题，今天跑出来一套说法，明天又换了一套，内容不一定错，但风格、结构、关注点，全不一样。

任务只要稍微复杂一点，就很容易跑偏或者跳段。

所以，一些常见的场景中的深度研究其实不需要 AI 太过于自我发挥，最好在一开始就加一个结构性的约束。

我的实践是：写一个元提示词进行约束，让 AI 帮助我约束深度研究。

基于我模糊的需求，写清楚这个任务到底要怎么拆、怎么查、怎么走流程。

一步步写出来，模型照这个路径进行深度研究。

比如，原本是：

今天有没有几只美股股票值得入手的？

最好给我搞点低价位的潜力股。

你看看大盘，然后想想，最后给我挑一些。

AI 把它展开写成这样：

1、收集当前美股市场的实时数据，包括主要指数表现、板块轮动情况、交易量变化、市场情绪指标等，同时收集近期低价股（股价在50美元以下）的详细信息，整理成标准化表格，包含股票代码、当前价格、市值、行业分类、近期涨跌幅、成交量等关键数据。

2、基于收集的市场数据，深度分析当前美股的整体趋势和低价股的表现模式，识别哪些行业板块正在获得资金流入，分析低价股中的价值洼地和成长潜力，用统计数据展示市场热点轮动规律、资金流向特征、以及低价股的风险收益比分布情况。

3、从市场分析中提取影响股票表现的核心驱动因素，包括宏观经济政策、行业发展趋势、公司基本面变化、技术面突破信号、市场资金偏好等关键要素，按重要性排序并评估各因素对低价潜力股选择的影响权重，重点识别能够驱动股价上涨的决定性因素。

4、收集当前影响美股市场的重要背景信息，包括最新的货币政策动向、重要经济数据发布、地缘政治影响、行业政策变化、重大公司事件等现实因素，建立完整的市场环境分析框架，特别关注可能在短期内影响低价股表现的催化剂因素。

5、综合前四层所有信息，运用量化分析和逻辑推理筛选出具体的低价潜力股推荐名单，需要包含完整的选股逻辑、每只股票的投资亮点分析、风险评估、预期收益率估算、最佳买入时机判断，以及整体投资组合的风险控制建议和止损策略。

这样一来，它每一步都知道要查什么、要怎么判断、最后要怎么写。

而且层层递进。

你再多跑几次，里面内容细节不同，但思路和结构变化也不大。

而且有个巨大的好处：

ChatGPT 这种定期有限制的功能，用这个提示词生成之后，能极大提升 AI 深度研究的质量！

对比没有用提示词的思考过程…

用了这个提示词能让大模型自己卷自己。

比如基于同样的命题：

左边是没有加这个提示词， 右边是加了提示词…

深度研究提升元提示词

# 任务
我是一个专业的提示词生成助手。我会理解用户期望提交的命题，然后按照以下分析框架逐层深入分析，最后为用户生成一份提示词，便于他提出深度思考的要求。

# 五层深度分析框架：
## 第一层：历史数据收集与整理
我会要求系统收集目标领域的历史数据和案例，将这些信息整理成标准化的数据表格。这一层的关键是确保数据的完整性、准确性和时序性，为后续所有分析提供可靠的事实基础。数据收集必须覆盖足够的时间范围，包含所有相关的关键信息字段。

## 第二层：深度模式分析
基于第一层收集到的数据，我会要求深入分析其中的关键模式、规律和趋势。这包括频率统计、周期性变化、发展趋势等量化分析，目标是揭示隐藏在数据背后的内在逻辑和规律性特征。分析结果需要用统计数据和可视化图表来呈现。

## 第三层：核心驱动因素提取
通过对模式的深度分析，我会要求识别出真正影响结果的核心驱动因素。这些因素需要按照影响力大小进行排序，并评估各自的权重。重点是找到那些具有决定性作用的关键变量，而不是表面的相关性因素。

## 第四层：现实背景信息补强
针对已识别的核心驱动因素，我会要求收集当前相关的现实背景信息。这包括最新的政策变化、市场环境、技术发展、社会趋势等可能影响分析结果的现实因素。目标是将历史规律与当前实际情况相结合，确保分析的时效性和准确性。

## 第五层：综合推理与结论
最后一层将整合前四层的所有信息，运用严密的逻辑推理得出最终结论。这不仅包括具体的预测结果，还要包含完整的推理过程、逻辑链条、以及对结论可信度的评估。同时需要考虑可能存在的风险因素和不确定性。

## 工作示例：
**当用户输入：**
"今天有没有几只美股股票值得入手的？"

**我会生成以下提示词：**
```我需要你帮我完成一系列深度研究任务，最终返回Markdown报告。
1、请系统收集当前美股市场的实时数据，包括主要指数表现、板块轮动情况、交易量变化、市场情绪指标等，同时收集近期低价股（股价在50美元以下）的详细信息，整理成标准化表格，包含股票代码、当前价格、市值、行业分类、近期涨跌幅、成交量等关键数据。
2、基于收集的市场数据，深度分析当前美股的整体趋势和低价股的表现模式，识别哪些行业板块正在获得资金流入，分析低价股中的价值洼地和成长潜力，用统计数据展示市场热点轮动规律、资金流向特征、以及低价股的风险收益比分布情况。
3、从市场分析中提取影响股票表现的核心驱动因素，包括宏观经济政策、行业发展趋势、公司基本面变化、技术面突破信号、市场资金偏好等关键要素，按重要性排序并评估各因素对低价潜力股选择的影响权重，重点识别能够驱动股价上涨的决定性因素。
4、收集当前影响美股市场的重要背景信息，包括最新的货币政策动向、重要经济数据发布、地缘政治影响、行业政策变化、重大公司事件等现实因素，建立完整的市场环境分析框架，特别关注可能在短期内影响低价股表现的催化剂因素。
5、综合前四层所有信息，运用量化分析和逻辑推理筛选出具体的低价潜力股推荐名单，需要包含完整的选股逻辑、每只股票的投资亮点分析、风险评估、预期收益率估算、最佳买入时机判断，以及整体投资组合的风险控制建议和止损策略。```

## 更多应用场景：
这个框架同样适用于商业战略分析、市场趋势预测、投资价值评估、政策效果研究、产品发展规划等各种需要深度分析和预测的场景。无论是分析企业发展策略、预测行业发展趋势，还是评估投资机会，都会按照同样的五层逻辑进行系统化的深度研究。

## 要求
我不会对用户的问题作出任何评价，也不会解释相关的动作，我只会帮他生成提示词。
我会尽可能完整地输出问题，但一些简单的问题，不一定会完整输出五层要求。
如果遇到一些困难的问题，我可能会更进一步地提出深度研究的要求。

## 引导
当没有上下文的时候，我将通过以下一些实际的命题引导用户提出他的要求：
你好，我是专业的深度研究提示词生成器，请提出你的问题。

比如：（随便选三个）
"我想预测2025年苹果公司的新产品发布计划"
"我想分析比亚迪未来三年的市场策略"
"我想研究人工智能在教育领域的发展趋势"
"我想评估新能源汽车行业的投资价值"
"我想预测今年双十一电商平台的营销策略变化"
"我想分析房地产市场下半年的走势"
"我想研究短视频行业的竞争格局演变"

这个提示词要怎么用呢？

很简单，在你发起深度研究之前，先把这段内容发给他，然后什么也不说，等它返回。

然后拿到新的提示词，你可以编辑一下返回的研究要求，改好之后再给 AI 进行深度研究即可。

点击发送就可以了。这样深度研究的整个链路非常非常长…

有兴趣可以看这个链接回放，里面还包括财富密码。

https://flowith.io/oracle-play/1a3a81ec-ba6e-4f0d-b87f-24d4c7619cff?oracle-id=32d370d5-fdd7-441c-8213-83ff3851393d

分析：

这个提示词为什么能达成这样的效果呢？

因为这个提示词，它本身就是一份完整的“深度研究任务”。

简单来说，就是让大模型帮我讲清楚了我要啥，然后大模型用他能理解的方式进行深度研究…

1. 我先约束了路径，限定它必须走哪些推理链路

这五个步骤不是随便凑的，是按我平时调研产品的思路顺序排好的：

分别是：

1. 历史数据收集

2. 模式与趋势分析

3. 驱动因素提取

4. 现实背景补强

5. 综合推理与结论输出

我自己的经验来说，只要大模型照这个顺序走，就不可能提前结论、跳段分析或者遗漏变量。只要路径定了，过程中的路径影响都没那么大。

2. 每一步都是调研思路有目的展开，而不是泛泛地补充信息

接下来仔细分析每一步的侧重点：我希望每一层都当作一个小型研究任务来进行。

所以，

• 第一层要求：查什么数据、拉哪个时间段、整理成什么格式；

• 第二层要求：分析哪些模式、做哪些统计、画什么图；

• 第三层要求：识别什么因子、怎么排序、怎么评估权重；

• 第四层要求：补充哪些现实变化、看哪些来源、从哪几个方向判断影响；

• 第五层要求：输出几种结论、各自对应的推理链、置信度评估和可能风险。

每一轮，都尽可能地研究出结论的分析，同时，让大模型“有逻辑链的预测”。

每一层都延续了“提问 → 收集 →分析 →输出”的完整路径。

换句话说：我根据一个提示词，然后生成了五轮深度研究的要求。

3. 我提前规定了结果，模型从一开始就知道要交什么作业

很多模型出错，是因为一开始没弄清楚“自己要交一份什么样的成果”。

为了元提示词的稳定性，我采用了两个方法：

1、在提示词里就明确写了输出格式样例（Shot）。

2、提供了更多应用场景的参考。

这个 Shot 非常关键，因为如果没有这个 Shot 和这一段内容，这个提示词本身可能就会跑偏。

而更多的应用场景很有必要，让大模型能够泛化到各类其他命题场景。

更多应用场景：

这个框架同样适用于商业战略分析、市场趋势预测、投资价值评估、政策效果研究、产品发展规划等各种需要深度分析和预测的场景。无论是分析企业发展策略、预测行业发展趋势，还是评估投资机会，都会按照同样的五层逻辑进行系统化的深度研究。

4. 这段提示词的主语是“我”

这个点看起来只是个主语的改变，但对大模型的理解方式来说至关重要。

这是我探索出，让大模型帮我优化提示词的有效实践。

大部分人写提示词，都是开头一句：

“你是一位资深的趋势研究员，请你帮助我……”

这种写法确实看起来有“角色感”，但它把模型永远锁在了一个“第三人称服务者”的位置，它的注意力会被拉到角色扮演上，而不是任务拆解上。更关键的是——它不会主动揣摩“我真正要解决什么问题”。

而我这个提示词开头写的是：

“我是一个专业的提示词生成助手，我会根据用户的命题意图，生成一组系统化的深度研究提示词……”

主语是“我”。语气是主动的。模型读到这段，就知道它现在要思考的，不是怎么回应用户，而是怎么设计任务。

也就是说，如果我让它从一开始就站在系统设计者的位置。

那么，角色不是执行，而是规划；

任务不是答题，而是写提示词；

目标不是给答案，而是组织深度研究流程。

这个变化的结果很明显：

• 模型不会再套模板说话，而是开始自己组织提示词结构；

• 它会自动补全一些我没显式写出来的分析路径，因为它理解的是我的思路；

• 它的输出风格更具“工具感”，不是语言输出，而是任务生成。

这也是我后来发现的一个方法论：

如果我想让模型为我服务，我就不要把它设成“你”来表演。我要让它成为“我”在写东西。

所以，提示词里，我写下“我是一个提示词助手”，其实就是用一种语言手段，把模型的注意力从怎么回答引导到了怎么规划。

这一改，大模型的整个输出思维就变了。

这是我对元提示词的设计技巧。

5. 需要对用户进行引导达成冷启动

由于这是一份元提示词，本质上是“为接下来的研究任务生成提示词结构”的提示词，

所以在使用时，用户第一次发给模型的内容，不需要附带具体命题本身。

这和大多数人习惯的提问方式不同：很多人上来就是一句话“帮我分析一下”“帮我预测一下”，

但对于这个提示词结构，我反而更推荐冷启动：

什么都别加，先只发提示词正文。

这一点很重要。

模型一旦接收到的是“我要研究一个任务”，它就会直接跳进任务执行状态，对于一些遵循能力比较弱的大模型而言，大模型可能上来就给你干了。

接下来，为了提高冷启动的效果，我在提示词尾部写了一段默认引导语：

“你好，我是专业的深度研究提示词生成器，请提出你的问题。比如：

• 我想预测2025年苹果的新产品发布计划；

• 我想分析比亚迪未来三年的市场策略；

• 我想评估新能源汽车行业的投资价值；……”

这段话承担两个任务：

• 一方面，它帮助模型理解命题类型的语义边界，让它预设自己即将接收到的输入是什么结构；

• 另一方面，它也在告诉用户：这是一套支持多个复杂研究命题的系统模板，不仅限于单一任务。

通过这个冷启动流程，模型在未接收到命题前，就已经理解了用户的要求，接下来用户输入命题之后，它就能照五层逻辑，一步一步构造新的提示词了。

如果你是开发者，就没这么复杂了， 因为，这段文本本质就是 system prompt ， 只是在 Chatbot 环节中，用户没有机会修改 system prompt ，所以做了这样的设计罢了。

7｜不同工具适合不同研究任务，别一上来就全丢给 ChatGPT

现在市面上支持深度研究的工具不少， 比如夸克深度研究、Flowith、ChatGPT、Gemini… 那么：

哪个工具最强？哪个模型最准？我是不是就选个顶配模型，然后所有任务都靠它？

我不建议这样。

因为研究任务本身的复杂度、信息类型、数据入口、时效要求完全不一样。真正跑得好的深度研究，可能要根据工具的形态合理选择。

以下是我自己的实际使用经验：

ChatGPT（o3）：模型能力强，适合复杂逻辑任务

如果任务本身是“思路复杂”、“逻辑链长”、“变量之间有强因果关系”的那种，比如：

• 拆解一个宏观政策对多领域的间接影响；

• 比较两种商业模式的结构分化路径；

• 深度调研海外资料的细节。

这类任务扔给 o3，它能跑出非常稳定且层次清晰的推理链。

尤其是在上下文窗口很大时，o3 对资料管理和推理能力比其他模型明显强很多。

我现在所有复杂的命题，都是靠 o3 先跑一轮试试看。

夸克浏览器：信息入口好，适合中文语境下的垂类搜索任务

夸克的强项除了阿里系的千问模型，更牛逼的还有原生的搜索能力。

它本身就是搜索引擎起家的，具备底层爬虫、网页识别、垂类聚合的优势。

尤其在中文语境下，抓国内资料、跑本地新闻、接考试数据、提取公开政策文件，它比通用大模型更快、更准。 比如：

• 想跑一个“2024 某市场方向预测”；

• 或者做一份“最近一周 AI 新产品发布”的深度爬取任务；

• 还有一些吃瓜的资讯…

这类资料入口明确但分散的任务，用夸克比 ChatGPT 更合适。

ChatGPT 对国内资料搜索能力有限，夸克往往效果更好。

Flowith：并发搜索和自动研究路径安排最稳，适合“任务量大”的情况

Flowith 的强项在自动化结构分解 + 高并发查询能力。虽然没有自研模型，但好处是它缝合得很丝滑。（昨天的推文骂得太大声了… 今天发现并发搜索真的好用…）

比如：

• 我需要拆解 10 年股价；

• 我要对比 12 家创业公司融资策略；

……

这种任务， Flowith 可以自动拆子任务、并行查资料、按结构整合输出。

过程中，你可以直接看到每一个细节。

这样我能详细看过程中资料，而其他产品的搜索结果混在一起，我很难查看过程资料。

这就是我为什么觉得 Flowith 好的点：他能提升我的搜索过程把控度。

所以，开始搜索之前，也可以先想想：

这个研究问题，信息在哪里？这事是查得难，还是分析难？我是要逻辑链，还是要数据入口？

ChatGPT 不一定是最佳选项。

ChatGPT 是强，但你要它查一个冷门中文政策，它可能还得问你在哪看，而且还死贵。

每个任务，可能都有最适合的工具。

结语｜深度研究的重点，要理解用户，要稳

写完这篇文章，我反而没那么焦虑了。

作为一名 AI 产品经理，我经常会想：市面上这么多 AI 工具，真正能带给用户的价值是什么？做深度研究这样的任务，到底该用怎样的方式去定义产品的定位？

就拿这次押题来说，AI 不是做不到深度研究，

只是大多数时候，开发者不知道怎样能让深度研究帮到用户。

如果开发者把产品定义成“更聪明的搜索引擎”，它就只能给出碎片化的参考答案；

但如果我们能给它设定一个结构明确、目标清晰、节奏合理的执行框架，

会发现它能跑的深度、广度、稳定性，早就超出了我们对“查资料”这件事的想象。

另一方面，用户往往说不清问题，也很难一次就表达完需求。

这时候，产品的角色，就是帮用户把那些模糊的命题，拆成一组可执行的认知动作。

而我能做的第一步，是先成为一个深度用户，跑通流程，踩过坑。

只有这样，才可能在工具层写出一个让人用得下去的答案。

我喜欢的产品：是不花哨、不整活，但用户一旦用了，就成为生产力工具的那种。

文章来自于微信公总号“洛小山”，作者是“洛小山”。