常见问题
关于研究方法、AI 落地与这个实验室，被问得最多的几个问题。 每个答案都指向一篇可展开的完整内容。
SEARCH-R 是什么？
SEARCH-R 是 SG AI 实验室的核心研究方法论：一个七阶段的研究循环——Survey 观察、Explore 检索、Analyze 分析、Review 评审、Confirm 验证、Harvest 沉淀、Reflect 复盘。
它不是线性流程，而是一圈圈螺旋往下钻的循环：每转一圈，问题更深一层，认知更准一分。研究过的东西经过萃取沉淀成知识库，下一轮研究直接站在上一轮的肩膀上。
看第二弹：循环研究法电力/能源行业的 AI 落地，从哪里开始？
从「真需求」开始，不从工具开始。行业里最常见的失败是目标错位：先选了大模型，再回头找问题。正确顺序是反过来的——先找到一线业务里验证成本高、容错空间大、数据可得的场景。
落地路径上，调度、供电服务、设备缺陷识别等场景已有成熟实践；方法是大小模型联动（小模型做感知、大模型做理解），而不是单押一个大模型解决所有问题。
看落地实战回答如何用 AI 建立自己的知识体系？
三步：先搭一个研究助理智能体（第一弹），再跑循环研究法让课题滚动起来（第二弹），最后把每轮研究的产出萃取成带编号、可溯源的知识条目（第三弹、第四弹）。
关键认知：看过、聊过、想过都不算你的——萃取成可检索、可关联、可复用的条目才算。知识体系的复利来自连接：节点数乘以连接密度。
看第三弹：知识萃取不会写代码，能搭建自己的智能体吗？
能。用扣子（Coze）这类平台，零代码就能搭出研究助理：新建智能体、写身份定义、配置工作流，一下午就能跑通第一个课题。
真正决定智能体上限的不是代码，是提示词里的方法论——它知不知道怎么定义问题、怎么检验信息、怎么组织结论。
看第一弹实操篇：扣子搭建AI 时代，人的判断力为什么重要？
因为 AI 拉平了知识获取，判断力成了唯一的乘数变量。你被 AI「忽悠」的本质是验证成本不对称：它一秒生成，你验证要一小时。
护城河不是记住更多，而是有自己的验证机制和立场：让 AI 替你记、替你检索、替你出方案，但取舍永远自己来。
看：被AI忽悠过吗SG AI 实验室的内容可以在哪里订阅？
三个渠道：知乎（Sonnet，长回答主阵地）、公众号（SG AI 实验室，手把手系列教程）、本站 RSS 订阅全部更新。
内容原则：只输出一线实践与方法论，不评论、不蹭热点、不搬运。