我用Claude做研究的真实工作流（不是prompt分享，是真正的流程）

见过太多人用Claude做研究的方式：打开对话框，输入问题，等待回答，复制粘贴。然后抱怨说"AI给的都是表面信息"。

问题不在Claude，在工作流。

阶段一：问题拆解（不要跳过这步）

大多数研究失败发生在第一分钟：问题太宽泛。"帮我研究一下AI的最新进展"是个死亡问题。

第一步不是问Claude问题，而是跟Claude一起把问题拆成可以回答的小块：

我要研究[主题]，目的是[具体用途]。
帮我把这个研究分解成5-8个可以独立回答的子问题。
然后告诉我哪3个子问题是核心，哪些是边缘。

关键在"具体用途"。同样是研究"脑机接口"，写科普文的核心子问题跟评估投资机会完全不同。

阶段二：迭代深挖（关键在"追问"不在"问"）

反直觉建议：先从最陌生的子问题开始，不从最重要的开始。你最熟悉的部分，恰恰是最容易有盲区的地方。

追问节奏：

1. 提出子问题，拿初步回答
2. 挑出1-2个不确定的说法
3. 追问："你刚才说XX，这个判断的依据是什么？有没有相反的证据？"
4. 对追问的回答再挑1个点，继续追
5. 追到Claude说"目前没有足够的公开数据支持更具体的结论"——这才是真实边界

实际例子：研究"MEG设备的商用前景"，Claude初始回答说"成本是主要障碍"。三层追问后发现：最难的不是超导冷却，是信号处理软件的标准化问题——第一层回答根本没提到这个。

阶段三：交叉验证（假设Claude说的每一件事都是错的）

Claude的训练数据有截止日期，而且它会"自信地说错话"——这是语言模型的本质属性。

数字都要查。任何带数字的说法——准确率、市场规模、时间节点——都要找原始来源。

"共识"要专门核对。当Claude说"研究界普遍认为XX"，这句话最危险。有时描述的是5年前的共识，现在已有新发现。

找相反意见。明确让Claude："上面这个结论，有没有认真的研究者持相反立场？他们的依据是什么？"

工具：ArXiv、Google Scholar、Perplexity（附来源的搜索）。每个核心结论最少找到一个一手来源。

时间分配建议

4小时研究：拆解30分钟 + 深挖2小时 + 验证1.5小时。大多数人把时间全压在深挖，验证做得少，最终产出的可信度大打折扣。

最后一个反直觉建议

研究结束后，让Claude帮你找你的盲区：

把你的研究结论整理好，贴给Claude，说：
"作为批评者，你认为这份研究里最脆弱的假设是什么？
哪个结论的论据最不充分？"

这一步开始做之后，研究质量提升非常明显。你最看不出问题的地方，往往是最需要被挑战的地方。

SFD编者注

SFD实验室有一个专职研究Agent猫头鹰🦉，负责所有深度调研任务。但猫头鹰的工作流和这篇文章描述的基本一致——问题拆解、迭代追问、交叉验证三步缺一不可。我们踩过最大的坑是：跳过第一步直接开始搜索，结果研究方向错了，花了双倍时间。拆解这步，花30分钟是值得的。