手把手带你用AI系列 第二弹：循环研究法——研究不是一次性交差，是一圈圈螺旋往下钻

上一篇给了你四步研究法——定问题、找信息、碰观点、检查整理。很多人用完说：挺好的，跑完一轮，出了份报告。然后呢？没有然后了。

这一篇讲的是：研究不是一次输出，是一个循环。跑完一圈，留下遗产，发现新问题，再跑下一圈。每一圈都比上一圈深。

引子：跑完了，然后呢？

我有个朋友，上一篇发给他之后，他真的照着做了。

他研究"职场沟通中的向上管理"，用四步法跑了一轮。拆问题、搜资料、跟AI碰观点，最后整理出一份四千字的阶段性报告。存进文件夹，心满意足地关掉了。

两个月后一起吃饭，我问他：那个研究怎么样了？

他说：挺好的，报告写得不错。

我问：用上了吗？深化了吗？

他愣了一下：……好像没有。报告在文件夹里躺着，我该怎么沟通还是怎么沟通。

这不是他一个人的问题。

你有没有过这种感觉：跑完一轮研究，产出一份结论，当时觉得挺不错。过段时间再看，那更像一份作业。问题回答了，资料整理了，逻辑也通顺，但它没有改变你什么。

你的认知没升级，你的行为没变化。

为什么？

因为四步法给你的，是一轮之内的方法。定问题、找信息、碰观点、检查整理，这轮之内的事它都管，按步骤走，走完就有产出。但产出不等于研究。

它管不了三件事：下结论之前，谁来把关？结论出了门，谁来检验？东西怎么沉淀，方法怎么长进？

前一件，四步法里有影子的那步要升级。后两件，要加新环节。加完，研究就从"跑完一轮就散场"，变成一圈接一圈往下钻。

从"交差式研究"，变成"循环式研究"。

先把一件事说在前面：这套方法是让AI辅助你做研究，不是让你使用AI的能力。听起来像文字游戏，区别是根本性的。

你使用AI，研究的主体就悄悄换位了。拆解是它拆的，材料是它搜的，结论是它综合的，你只是出题和收货。AI越强，你离研究本身越远。

AI辅助你，研究的主体始终是你。它增强你的研究，不接管你的研究。

两个模式的分界线，画在一步叫Review的审查上。守住这一步，研究就还是你的。它是整套方法里最关键的一步，也是这一篇真正的主角。

一、两种研究，两种结果

先说清楚，"一次性输出"和"循环研究"到底差在哪。

表面看，差了三步。实际上，差了四个东西。

第一，终点不一样。

一次性输出的终点是"报告写完了"。写完，研究结束。你的成就感来自"完成了这件事"。

循环研究没有终点。每一轮的结束是下一轮的开始，你的成就感来自"比上一轮更清楚了一点"。

一次性输出像考试。写满，交卷，出分，完事。循环研究像做实验。做完一轮，发现一个新变量，调整方案再做一轮。没有交卷那一刻，只有"又往前推了一步"。

第二，质量保障不一样。

一次性输出的质量，靠你最后检查一遍。但你检查的是有没有错别字、逻辑顺不顺。结论对不对，你查不出来。你是做研究的人，你的盲区你自己看不见。

循环研究中间多了一道关卡。下结论之前，必须按标准过一遍：证据够不够？有没有反证？前提假设有没有问题？哪句是事实，哪句是你的推测？

不是"自己觉得没问题就过"。是逐条过，每条都要有交代。

第三，留下的东西不一样。

一次性输出留下一份报告。报告之外什么都没有。下次研究类似的问题，从零开始。

循环研究每一轮都留东西：原始资料在哪、分析过程是什么、结论有哪些、还有什么没解决、下一轮从哪开始。分好类存起来，下一轮直接接着上一轮走。

第四，也是最根本的：研究的主体是谁，不一样。

这一点多说两句。

一次性输出里，人和AI的关系是"使用"。你使用AI的能力，像使用一台更强的搜索引擎。用着用着，主体就换位了：拆解是它拆的，材料是它搜的，结论是它综合的。你出题，它交货。东西做出来了，研究却不是你做的。

循环研究里，关系是"辅助"。AI辅助你做研究：它干重活，你做判断。方向要你定，结论要你审，经验要你认。每一圈都有绕不开你的关口，主体退不了位。

一个是你在使用智能，一个是智能在辅助你。方向相反，结果也相反：前者的成果堆在文件夹里，后者的长在你脑子里。

很多人用了四步法还是停在浅层，不是方法不对，是把四步当流水线走，走完就交差，人也退场了。这一篇要讲的循环，和循环里把你拉回场的那个关卡，治的就是这个病。

圈可以只走一圈，也可以走一百圈。区别不在方法，在你有没有循环意识。

那循环具体怎么转？七步。

二、从四步到七步：SEARCH-R 循环

七个步骤，首字母拼起来是SEARCH-R。别被名字吓到，你学过的四步都在里面。变化是：第四步"检查整理"升级成了一道真门，后面又接上三个新环节。前四步管"怎么研究"，后三步管"研究完了然后呢"。

讲之前，先把这套方法的用法说清楚：七步不是让你照着做，是给Agent装的。 Agent照着七步跑流程，你在少数几个地方出手。方法论装在Agent身上，研究的主体还是你。

所以先看一张"谁在干活"的地图。这张图比步骤本身还重要。

数一下就明白了：前三步AI可以替你跑，Review必须你过，验证必须现实过。

这张图的方向也要说清楚：不是你配合AI跑流程，是AI辅助你做研究。流程可以交给方法，研究的名字挂在你身上。

好，一步一步说，重点讲新增的环节，尤其是Review。

① Survey：定问题，多了个新习惯

对应四步法第一步。用第一性原理拆，拆到不能再拆，选一个子问题作为这轮的目标。这个上一篇讲过了。

这一步的新习惯是：不追求一轮研究透，而是划清楚这轮搞定什么、不搞定什么。

比如研究"判断力是什么"，第一轮只搞定"判断力能拆成哪几个组件"。AI有没有判断力、怎么提升，先放着。

边界清楚，比研究全面重要。你可以直接这样跟AI说：

这轮我只研究[X]，[Y]和[Z]先不碰。帮我看看这个边界合不合理，然后我们开始。

上图：对"AI时代的学习"问题的第一性原理拆解——从"怎么学"拆到"学什么"再到"为什么学"，最后落到"判断力是核心目标"。每一层都有拆解依据，不是乱拆。

② Explore：先翻家底，再出门买

对应四步法的"找信息"，但顺序变了：先看已经有什么，再决定补什么。

很多人一上来就搜。但你之前可能研究过类似的问题，或者别的课题里有能用的结论。先翻一翻家底，能省很多事。

三步走：

  1. 先查档案。我的课题文件夹里有没有相关结论？其他课题有没有能复用的资料？
  2. 再列缺口。已有材料盖住了哪些，还差什么。
  3. 最后补搜。只搜缺口，不要从头搜一遍。

这个"先翻家底"的习惯，是循环研究的地基。没有它，每轮都从零开始，循环转不起来。

我研究"平权线"时，第一轮搜了认知科学、AI能力边界的资料。第二轮研究判断力公式，我没有重新搜，先把上一轮的资料调出来看：哪些还能用，哪些不够，要补什么方向。半小时定位缺口，只补缺口。

先读课题总览，再读这个课题的档案，列一下已有材料能盖住什么、还缺什么。我们只补缺口，不从零搜。

③ Analyze：碰完观点，只算"暂定"

对应四步法的"碰观点"。AI帮你分析、搭框架、提质疑，你判断。上一篇详细讲过了。

这一步多了一个新规矩：分析阶段得出的所有结论，都只是暂定的。

为什么？因为还没审查。你可能漏了反证，可能前提错了，可能信息不够。

AI在这一步给的所有东西——候选解释、建议结论、初步框架——都只是候选，不是答案。

很多人就是在这里栽的：把AI的分析当成结论，带着漏洞往下走，越走越偏。

我们碰出来的这个判断，先标为"暂定"。过审查之前，它不算结论。

前三步，跟四步法基本一致，AI都能替你跑。

接下来，主角上场。

④ Review：审查——这道门之前，没有结论

这是整个循环里最关键的一步。

四步法里也有"检查整理"，但那更多是整理内容。Review不一样，它是一道门。门没过，后面全免谈。

审什么？三样。

证据。 核心结论有直接依据吗？来源可靠吗？有没有反证？冲突的证据怎么处理的？

逻辑。 推理链有没有断点？有没有哪个前提一塌全塌？结论的边界说清了吗？

分类。 哪些是事实，哪些是推测，哪些建议？有没有把推测当事实说？

为什么这一步这么要紧？因为人有两个本能毛病。

一个是确认偏误。你有了想法，就会不自觉地找支持它的证据，忽略反面的。AI帮你搜的时候，也会顺着你的方向走。

另一个是跳跃结论。信息不够的时候，你会脑补，然后把脑补的当真的。

Review就是治这两个毛病的。不是"再看一遍"，是按标准逐项核对，每项都要有交代，不能说"差不多"。

那谁来审？两个人。

AI先审。 按三个维度逐项过，每项给出回答，附上证据和反证。这活它比你擅长。它不会累，不会烦，不会想偷懒。

然后你审。 你重点盯三条：反证处理得对不对？关键假设你认不认？AI说的和你确认的，分干净了吗？

为什么这三条必须你来？因为它们不是检索题，是判断题。反证"处理了"不等于"处理对了"，假设"有依据"不等于"你认"。这几锤，只有你能敲。

Review为什么是主角？因为它是研究主体归属的分界线。

想清楚一件事：检索不是研究，整理不是研究。那些是研究里的劳动部分，AI做得再好，也只是辅助。研究这个动作的核心，是对证据负责、对方向拍板的判断。这个判断，就发生在Review。

所以AI替你跑前三步，叫辅助。AI替你过Review，才叫替你研究。

而且这道门是硬的：你没确认，后面的验证、沉淀、反思全部只能出草稿，不能变成正式结论。Agent自己不能替你确认，也不能跳过这道门往下跑。

守住这道门，研究就还是你的。AI摆证据，你断案。断案的那个人，才是研究者。

审查没过怎么办？打回去。证据不够，回Explore补。逻辑有问题，回Analyze重推。

Review是质检站。不合格打回去，合格了才放行。

你可以这样跟AI说：

现在进入Review。先做质量自查：结论靠不靠谱、合不合这轮的目标、有没有歧义。反证和关键假设单独列出来，附证据。自查完停下来，等我确认。我确认之前，后面各步只能出草稿。

常见的坑：

我经常跟灰灰说：你可以有暂定判断，但不能替我确认。你所有的结论前面都挂着"待确认"三个字，直到我亲口说"这个我确认了"。

⑤ Confirm：结论出了门，交给现实检验

你在Review确认了结论。到这里，人这一关过了。

但研究还没完。还有最后一关：现实。

Confirm是实践验证。把结论拿到实践中去用、去试，收集证据，看证据撑不撑得住它。

为什么需要这一步？因为纸面上推得再漂亮的结论，都可能被现实打脸。四步法时代的研究，最大的问题就是纸上谈兵：结论停在文档里，写得头头是道，从来没被检验过。

怎么验？看你的结论是什么性质：

验证无非三种结果：

  1. 撑住了。结论升级，进Harvest正式沉淀
  2. 撑不住。打回去，回E补证据或回A重推，结论推翻或降级
  3. 部分撑住。收窄边界，标注清楚它在什么条件下成立

这一步AI帮什么？跟踪验证：你拿结论去用的时候，让它记录证据和反例。证据越攒越多，结论的成色就越来越清楚。

注意，这一步里"裁判"不是你，也不是AI，是现实。你在Review拍的板，到这里要接受现实的复核。这才是完整的闭环：人把关方向，现实把关成色。

这个结论我要拿去实践检验了。帮我建一个验证记录：我每次用它，把场景和结果告诉你，你负责记下来，攒到一定数量告诉我它撑不撑得住。

⑥ Harvest：每轮都要留东西

Review确认了，验证也开始了，这轮的活基本干完。别急着关窗口，让Agent把东西归档。

四样东西：

  1. 阶段结论。确认后的结论写清楚，附上依据
  2. 原始资料。这轮用了哪些资料，来源是什么，支持什么判断
  3. 分析过程。有过哪些假设？哪些被推翻了？哪些反证还没解决？
  4. 下一步问题。这轮冒出了什么新问题？下一轮从哪开始？

这四样放哪？下一节讲的课题档案，各有各的文件夹。

为什么过程也要存？因为下一轮你可能会推翻这一轮的结论。到时候你得知道：当时怎么想的，依据是什么，哪里走偏了。

没有过程记录的结论是死结论。有过程记录的结论是活的，可以被修正、被推翻、被深化。

⑦ Reflect：三分钟，复盘打法

最后一步，反思。不是反思结论对不对（那是下一轮的事），是反思这轮的打法。

Reflect是最短的一步，两三分钟。但它是你研究能力长复利的地方。每轮课题深一层，你的方法也升级一次。

七步讲完了。对照一下四步法，它缺的三个环节，正好对应三个老毛病：

缺实践验证，研究就是纸上谈兵。 结论停在文档里，写得头头是道，从没被现实检验过。Confirm补这块。

缺成果沉淀，研究就是散落的过程。 结论散在对话和文档里，用完即弃，下次从零开始。Harvest补这块。

缺方法反思，研究就是重复踩坑。 这轮犯的错，下轮原样再犯一遍。Reflect补这块。

再加上Review从"检查整理"升级成你确认方向的硬门，四个变化加在一起，研究才从一条直线，变成一个圈。

而这一切里最重要的，还是Review。它是你的位置所在：出力可以外包，判断不能外包。 闭环让研究转起来，主体在你手里，循环才转得对。

下一节，专门讲怎么用它。

三、质量门控：AI答卷，你断案

Review是道门，但门不能靠"感觉没问题"。感觉是最不可靠的东西，得有标准。

这个标准不靠你背。它装在Agent的一个技能里，灰灰管它叫质量门控。一到审查就自动触发，从三个维度过筛：

靠不靠谱。 证据够不够，推理断没断，结论是推出来的还是脑补的。

合不合用。 结论符不符合这轮的研究目标，能不能直接拿去用。

有没有歧义。 核心概念清不清楚，你俩说的是不是同一件事。

三个维度筛完，技能自己得出一个判断：这活要不要停下来等你。 就四种情况：

这就是结果可控的做法。不是你盯每一步，是技能定死了什么情况必须停下来等你。你不用记任何标准，你只要在被叫到的时候，认真断。

断什么？三样东西，机器替不了。

反证。 有没有反面证据？找到了怎么处理的？大多数人研究时顺着想法找证据，根本不主动找反证。AI会替你找，但"这个反证成不成立"，得你看。

关键假设。 有没有哪个前提，它一塌整个结论就塌？这个假设你认不认？AI能列出假设，但认不认是你的事。你比AI了解你的场景。

分界。 AI说的，和你确认过的，分开了吗？AI写着写着就会把"我建议"写成"我们确认"。这条界线糊了，时间一长，你会分不清哪些判断真是你的。

AI答它的，你断你的。它答得快，你断得准。快和准凑在一起，才叫配合。

四、课题档案：上一轮的东西，下一轮要找得到

循环能转起来，有个前提：上一轮的产出，下一轮能找到。

研究成果都散在对话框里，过一个月就找不到了。循环就是空谈。

上一篇说过，衣柜要分格。现在要再进一步：格子里还得分清，哪些是别人写的，哪些是你想的。

每个课题一个文件夹，里面一份课题档案加一组子文件夹，正好按SEARCH-R各归各位：

课题名/
├── topic.md          ← 课题档案：目标、边界、当前阶段、你的每次评审记录
├── observations/     ← S：观察笔记，从实践里看到的问题和现象
├── retrievals/       ← E：检索报告，每轮找来的资料
├── theory/           ← A：理论文档，假设、框架、推翻的观点
├── harvest/          ← H：收获，确认后的成果和验证记录
└── reflections/      ← R：反思笔记，方法复盘、下一轮从哪开始

有人会问，Review和Confirm呢？怎么没有它们的文件夹？

这俩是故意不占的。Review的记录写进topic.md——每次你拍板，留一条评审记录，判断历史跟着课题本身走，不跟阶段走。Confirm的验证记录归进harvest，跟它验证的那条结论放在一起。你的判断和现实的检验，都是课题级的东西，不是哪个阶段的半成品。

起步阶段这六个就够用。用深了再扩：references放原始参考资料，outputs放要交付出去的正式文档。

打个办案的比方，正好跟Review呼应：retrievals是证据柜，别人的东西原样放；theory是侦查笔记，推理和弯路都在里面；harvest是判决书加执行回执，只写审查确认过的结论和它的验证记录；reflections是办案复盘。topic.md是案卷首页，一翻就知道这案子到哪了、每次是谁拍的板。

资料和推论为什么分开？

很多人把找到的资料和自己的分析混在一起存。两个月后回头看，分不清哪句是别人说的，哪句是自己想的。分成retrievals和theory，下一轮才能快速定位：是资料不够，还是分析错了。

过程和成果为什么分开？

theory是乱的，有推翻的假设，有没解决的疑问。harvest是干净的，审查确认过的。

乱的东西为什么要留？因为你走过的弯路本身有价值。下一轮你可能会发现，上轮被推翻的某个假设其实是对的。过程没留，你就得重新走一遍弯路。

下一轮怎么接上？

开新对话，让Agent先读topic.md，知道课题到哪了；再看harvest里的确认成果和reflections里的下一轮问题，就知道这轮该干什么了。要细节，让它去theory和retrievals里翻。跑完新一轮，更新这些文件，不是覆盖。

一个课题跑三五轮，你的文件夹就是一份完整研究档案。从最初的模糊问题，到一步步深化，到最后的结论，全在里面。

我自己还有个总索引文件，叫课题总览，列着所有课题的状态：哪个在跑、哪个暂停、哪个结了、各跑了几轮。开新课题前让Agent先读它，避免重复研究。

五、三个节点：什么时候该你出手

很多人用AI做研究，两个极端。要么完全放手让AI干，过一阵发现质量不行；要么每步都盯着，跟自己干没区别。

都不对。正确的姿势是：AI跑流程，你在关键节点出手。

三个节点，你前面其实都见过了。它们全挂在Review这条线上。

节点一：方向。

一轮开始前，这轮研究什么、不研究什么，你定。

AI可以拆问题、建议从哪入手。但"这轮值不值得做""重点放哪"，必须你判断。只有你知道你的优先级、你的背景、你真正关心什么。

我常让灰灰拆完问题后，列三五个可选子问题，我来选。有时候我选它没列的那个，因为那个方向跟我另一个课题有关联，它不知道。

方向错了，跑得越快，偏得越远。

节点二：结论。

Review到了，该你确认方向和结论了。这是第二个你必须出手的点。

AI可以把建议结论、证据和反证摆得清清楚楚。但接不接受、边界划哪、哪些暂定哪些确认，必须你定。

为什么？证据永远不会百分百充分。八成把握就下结论，还是等九成五？这个风险偏好，AI替不了你。

还有立场。同一个问题，不同立场的人结论不同。AI能模拟任何立场，但你的立场只有你知道。

你确认了，结论才能出门，去接受现实的检验。

节点三：经验。

哪些经验能留到下次用？

一轮做完，你可能总结出一些方法：这个关键词好用，这种碰撞角度容易出洞见。AI会说"这个方法很好，以后都这么用"。

但你要判断：这是这次的特殊情况，还是通用规律？

AI特别擅长总结规律，但它总结的很多是基于少量样本的过度归纳。不经确认就进你的方法库，过阵子你的方法里会堆满半真半假的"经验"。

所有要长期复用的经验，必须你本人确认。

三个节点说完，分工就清楚了：

AI有方法、有记忆、有候选判断。但AI的建议不等于你的决定，AI的候选判断不等于你的确认。

AI时代做研究，最容易丢的不是方法，是主位。工具越强，人越往后退：先是让它搜，再是让它析，最后让它直接给结论。退到最后，你成了自己研究项目的旁观者。

三个节点就是防退位的栏杆。定方向、拍结论、认经验，这三个动作退不出去，研究主体就还是你。

这就是我说的"第二大脑"。它不是替你思考的大脑，是跟你协作的大脑。它做它擅长的，你做你擅长的，加起来比任何一方单干都强。

六、一个完整的跑通过程

说个我自己的真实案例。

去年我盯上一个问题：AI时代，人的核心能力到底是什么？

问题很大。我用了大半年，跑了四轮，才慢慢看清。四轮怎么转的，讲给你听。

第一轮：我以为挺顺的

起点只有一个模糊的直觉：AI越来越强，人总得有点AI替代不了的东西吧？那是什么？

拆完问题，落到一个子问题上："判断力"是不是AI替代不了的？ 就它了，第一轮研究这个。

AI搜了心理学、认知科学、AI安全三个方向的资料，整理了二十几篇文献摘要。碰观点碰了几轮，我形成一个暂定判断：判断力是"有限信息下的推演能力"。

当时我觉得挺顺的。信息不全也能往前推，听着就是人的高级能力，没什么毛病。

然后到Review。质量自查一跑，坏了。

反证没过去：AI的推理能力已经很强了，AlphaGo、GPT-4的推理链比普通人深。这个反证，我之前根本没认真对待过。

关键假设也没过去：我假设了"推演能力是人的核心优势"。这个假设本身就站不住。

审查没过。打回去。

那种感觉很微妙。如果没有Review，"判断力=推演能力"这个结论我就直接收下了，还会觉得挺好。

门就是干这个用的。

第二轮：推翻重来

回Analyze重新推。

推演能力AI也能做，那人的判断力到底是什么？碰了好几轮，碰出一个新框架：

判断力 = 心智模型质量 × 推演运行能力。

意思是，推演本身不是核心，核心是你脑子里那个模型的质量。同样的信息，一个人的模型只能推一步，另一个人的模型能推三步。差别在模型，不在推演这个动作。

模型哪来的？校准来的。你每次做决定、看结果、发现偏差，模型就升一级。

再过Review。有依据，认知科学里关于心智模型的研究很多。但反证又来了：AI的模型也在不断升级啊，训练就是校准。那AI算不算有判断力？

这次没被推翻，但冒出一个新问题：人的判断力和AI的"判断力"，本质区别在哪？

我决定先把这轮收了。结论是那个公式，边界条件写清楚：这是对人类判断力的描述，适用不适用于AI，待验证。我确认，归档，把新问题记进下一轮计划。

Reflect时我记了一条教训：别急着把"AI没有的能力"当人的护城河。你以为AI没有，可能只是你以为。先搞清楚"这东西对人到底是什么"，再谈AI有没有。

第三轮：把新问题钻透

第三轮就研究那个新问题：人和AI的判断力，本质区别在哪？

先复用前两轮的资料，再补搜AI认知架构、具身认知这些方向。

碰了很多轮，形成一个暂定结论：本质区别有两个。一个是模型构建能力，选哪个框架、忽略哪些变量，这是主动的。另一个是信息缺口的直觉补全，知道该补什么，这来自具身经验。

Review查下来：模型构建这块，证据比较硬。AI目前做不到主动提出新框架，有不少研究支持。直觉补全这块，证据弱，更多是经验观察，标"待验证"。

轮到我出手了。我确认核心结论：模型构建能力是当前人类判断力的护城河。边界：仅限当前AI水平，未来可能变化。直觉补全，保持暂定。

然后是Confirm，拿去现实里验。后面这几个月，这个公式和护城河的结论在我好几个课题里被反复调用：研究AI时代该学什么，用它推出"学判断不学检索"；研究平权线，用它划人机分工的界。一次次的调用，它都接得住。写这一篇，用的还是它。

Harvest的时候又冒出一个新问题：如果人的核心能力是判断力，那AI时代的学习，该学什么？怎么学？

这个问题后来把我引向了"平权线"框架。那是后话了。

四轮下来，结论从模糊的"人总得有AI替代不了的东西"，变成了精确的公式和护城河。每一轮都比上一轮深。

回头再看，四轮里的力气基本是AI出的。拆问题、搜文献、整理反证，都是它。但每一轮的关口都是我过的：第一轮它铺了几十篇文献，是Review揪出了我那个站不住的假设；第二轮碰出新公式，边界是我划的；第三轮证据一半硬一半软，哪块算数、哪块挂待验证，是我定的。

AI出了十分力，每一次板是我拍的。

那个课题是我的课题。问题是我要解的，结论的账记在我名下，半年下来变厚的认知，长在我脑子里。AI是这条路上最强的辅助，但研究从头到尾，是我的研究。

这才是循环研究真正的样子。不是一圈回到原点，是每一圈都往下钻一层。而且每一层，都经过你的手。

七、拿来就用

说了这么多，你可能想：我现在就想试，怎么开始？

跟第一篇一样，两个东西。第一个复制粘贴就能用，第二个需要配置Agent，配完你就有了一个长期的循环研究搭档。

交付物1：一段Prompt，贴进任何AI就能开始循环研究

打开任何支持长上下文的AI，复制下面这段，贴进去，然后告诉它你想研究什么问题。它会按SEARCH-R的流程带你跑。

交付物2：一个Agent身份定义，搭建你的长期循环研究搭档

如果你用扣子（Coze）、WorkBuddy或任何支持自定义Agent和文件读写的平台，把下面这段作为智能体的身份定义。配置完，你就有了一个能跑SEARCH-R循环、自带审查关卡、管理课题档案的长期研究搭档。

配置方式跟第一篇一样：打开你的智能体，告诉它"请按照我给你的这段内容重新修改你的智能体基本设置"，然后把上面这段贴过去。如果你能直接修改Agent文件，直接替换内容更好。

附：SEARCH-R 速查表

| 步骤 | 做什么 | DO | DON'T |
|------|--------|-----|-------|
| S - Survey | 第一性原理拆问题，定本轮边界 | 明确这轮研究什么、不研究什么，你选子问题 | 一次想研究太多、让AI替你定方向 |
| E - Explore | 先复用已有材料，再补搜缺口 | 先查档案再搜，只搜缺口，多源交叉验证 | 一上来就搜、不看已有材料、只搜不筛 |
| A - Analyze | 构建框架+结构化质疑，形成暂定判断 | AI分析+提问，你判断，所有结论标"暂定" | 把暂定判断当结论、AI说什么信什么 |
| R - Review ⭐ | AI质量自查+你评审确认，硬门 | 三维自查有交代，反证/关键假设/分界你亲断，你确认后才能放行 | 感觉没问题就过、AI自查完就当审过了、你未确认就出正式结论 |
| C - Confirm | 结论出门，交给现实检验 | 拿去用、去试，AI记录证据和反例，撑不住就打回 | 结论确认完就束之高阁、验证只挑支持的例子 |
| H - Harvest | 沉淀本轮遗产，更新档案 | 过程和结论分开，带版本号记录变更，列下一轮问题 | 只存结论不存过程、直接覆盖旧版本 |
| R - Reflect | 反思研究方法本身 | 总结有效策略、发现的漏洞、下次怎么改进 | 反思结论对不对（那是下一轮的事） |

结尾

研究能循环起来之后，你的课题文件夹会越来越厚。每个课题跑了好几轮，每轮都有结论、有依据、有过程。

看着很充实，对吧？

但过了一段时间你会发现一个新问题：课题之间是断的。

你在课题A里得出的结论，和课题B里得出的结论，可能互相支撑，也可能互相矛盾。但你的AI不会主动发现这些关联。你开新课题的时候，它也不会突然说"等等，你三个月前那个课题的结论，跟这个有关"。

新课题的成果反哺不到老课题，老课题的经验也流不到新课题。每个课题都是一座孤岛。

研究能循环了，这只是第一步。下一步是：怎么把循环研究的成果，变成一个互联互通的知识体系。

不同课题的结论之间有什么关系？哪些洞见值得长期记住？怎么在你需要的时候调出来用？

这就是第二部下篇要讲的：知识萃取——让你的研究成果，真正变成你自己的知识。

如果这篇文章对你有用，点个"在看"，或者转给一个正在用AI做研究的朋友。