从资料收集到带出处的笔记：AI研究工作流

研究工作的难点往往不在找不到资料，而在资料散落、结论与来源脱节、写完后无法回溯。把AI工具放进一条固定流水线，比零散提问更可靠。本文给出三段式工作流：检索与初筛、沉淀与结构化、成稿与出处核对。

第一步：用对话式检索把问题拆开

研究的起点是一份清晰的问题清单。先写下核心问题，再拆成三到五个子问题，每个对应一类证据。例如研究某行业商业模式，可拆成市场规模、主要玩家、收入结构与监管约束。

在 Kimi 中，可从首页进入 Deep Research 模式处理需要多步检索的子问题，也可用普通对话做快速澄清。Kimi 由 Moonshot AI 提供，把聊天与 Deep Research、Docs、Slides、Sheets、Design、Build 放在同一工作区，登录后聊天历史同步，Projects 可把相关对话和任务归组。你可以按研究主题建一个项目，把不同子问题的对话放进去，而不是让它们散落在历史记录里。

这一阶段的目标是扩大候选集，不是下结论。让AI给出线索、术语、可能的对立观点，再由你判断哪些值得深挖。

第二步：把材料沉淀成可检索的知识

检索产生的对话和文档若不整理，第二次使用时等于从零开始。这里需要一层知识底座。

ima 是腾讯的AI助手，工作区里同时有新对话、知识库、发现广场和问答历史。发现广场列出精选示例主题，每个主题标注它生成的内容类型，比如报告、PPT 或播客；产品也强调从选定主题一键生成报告、PPT 和播客。登录后对话历史会同步，桌面端可从头像菜单进入存储空间查看占用。

实用做法是：把第一步得到的可靠材料按主题归入知识库，用问答方式反复追问同一批材料，让回答逐步收敛。问答历史本身就是过程记录，日后回看能知道某个判断怎么形成。需要对外汇报时，再从同一批材料生成报告或演示稿，避免另起炉灶导致口径不一致。

第三步：写成带出处的结构化笔记

最后一步是把结论写下来，并让每条结论都能追到来源。这一步建议在文档系统里完成，而不是留在聊天窗口。

Notion AI 内置于 Notion 的页面、文档、任务和数据库中，包含 Notion Agent、Custom Agents、Enterprise Search、AI Meeting Notes、Research Mode 和 AI 区块等能力。Notion Agent 按需响应，帮你起草、编辑、总结和回答问题；Custom Agents 按触发条件或时间表在后台运行，只作用于你授权的页面、数据库和外部应用。Enterprise Search 可在 Notion 工作区以及 Slack、Google Drive、GitHub 等已连接工具中查找答案。数据库方面，AI Autofill 可为属性填入摘要、关键信息、翻译或标签。

把笔记结构固定下来，比让AI自由发挥更有价值。一个可用模板是：结论一句话、证据要点、来源标识、置信度、待验证项。让AI按这个结构填充，你负责核对来源标识是否真实存在。

可复用的提示词示例

拆解阶段：“我要研究X问题。请列出四个子问题，每个说明需要哪类证据、可能的权威来源类型，并指出哪些说法容易过时。不要给结论。”

沉淀阶段：“以下是我知识库中关于X的材料。请只基于这些材料回答：目前能确认的三条事实是什么？哪些地方材料互相矛盾？还缺什么信息才能下判断？”

成稿阶段：“把上述结论整理成笔记，每条结论后标注它依据的材料编号。凡是材料中没有直接支持的内容，单独列在待验证一节，不要合并进正文。”

如何检查输出是否可用

第一，看可追溯性。随机抽三条结论，回到原始材料，确认来源确实支持该表述，而不是相近但不同的说法。第二，看边界。AI是否把推测写成事实，是否遗漏反例。第三，看一致性。同一份材料在不同环节生成的报告、笔记、演示稿，数字和口径是否统一。第四，看时效标注。涉及会变化的信息，笔记里是否写明信息的时间点，而不是默认它永远成立。

现实中的限制

这类工作流不能替代判断。Deep Research 能加快线索收集，但检索结果的完整性和准确性仍需人工复核。一键生成的报告、PPT 和播客适合做初稿和内部讨论材料，对外发布前必须逐条核对。知识库的价值取决于你放进去的东西，材料质量差，问答再流畅也没有意义。Custom Agents 在后台自动运行，权限范围需提前设定清楚，否则自动化会把错误也放大。此外，AI 功能通常与订阅方案绑定，可用范围和额度会随方案不同而变化，长期使用前应确认自己所在方案的实际权益。

把这三个环节固定下来，研究就从一次次临时提问，变成可以积累、可以复核、可以交接的过程。出处不是形式要求，它是让结论在半年后仍然站得住脚的唯一保障。