我用 Claude 做研究的真实工作流（不是 prompt 分享，是真正的流程）

我见过太多人用 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。

我花了几个月优化自己的研究流程，踩过很多坑，现在稳定下来的是一个三阶段方法。这篇文章不是分享 magic prompt，而是讲真实的工作方式——哪些步骤必须做，哪些是在浪费时间。

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。你会得到一堆正确但无用的通识内容。

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

具体操作：

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。

这个步骤的关键是"具体用途"。同样是研究"脑机接口"，如果我的用途是"写一篇科普文章给非专业读者"，核心子问题跟"评估投资机会"完全不同。

拆解完成后，你手里有一张研究地图。不要急着开始，先把这张地图保存下来，后面要用。

阶段二：迭代深挖（关键在"追问"不在"问"）

拿到子问题列表，可以开始挖了。但这里有一个反直觉的建议：

先从最陌生的子问题开始，不从最重要的开始。

原因：研究里最容易出错的地方是"我以为我已经懂了"的部分。你最熟悉的子问题，恰恰是你最容易有盲区的地方。从最陌生的问题开始，你的好奇心是真实的，追问也会更深。

追问的节奏很重要。我的模式是：

1. 提出子问题，让 Claude 给初步回答
2. 从回答里挑出 1-2 个我不确定的说法
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

很多人在步骤 3 就停了。但研究的价值往往在步骤 4、5——在那里你会开始发现真正的不确定性和争议。

一个实际的例子：我研究"MEG 设备的商用前景"，Claude 的初始回答说"成本是主要障碍"。我追问"成本的组成是什么，哪个部分最难降"，然后追问"超导冷却的替代方案里，哪个路线技术成熟度最高"。三层追问后，我得到了一个完全不同的图景——原来最难的不是超导，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。

保存方式也很重要。不要只复制结论，要把追问过程里的"为什么"也保存下来。我用 Obsidian，每个子问题一个笔记，追问链以 tree 形式记录。

阶段三：交叉验证（假设 Claude 说的每一件事都是错的）

这是最费时间但也最值钱的步骤。

Claude 的训练数据有截止日期，而且它会"自信地说错话"——这不是 bug，是语言模型的本质属性。你拿到的回答里，可能有 20% 的细节是错的，但混在正确的框架里，很难一眼看出来。

我的验证方法：

数字都要查。任何带数字的说法——准确率、市场规模、时间节点——都要去找原始来源。Claude 给的数字经常有出入，有时是数据过时，有时是混淆了不同来源。

"共识"要专门核对。当 Claude 说"研究界普遍认为 XX"，这句话最危险。有时候它描述的是 5 年前的共识，现在已经有新发现；有时候其实学界争议很大，Claude 只是给了一个最常见的立场。

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？"很多时候这一问，你会发现整个议题比你以为的复杂得多。

具体工具：ArXiv（论文原文）、Google Scholar、Perplexity（附来源的搜索）。我的习惯是每个核心结论最少找到一个一手来源。

工作流总结

阶段	核心操作	常见错误
问题拆解	先拆再研究	直接问大问题
迭代深挖	追问不确定点	接受第一层回答
交叉验证	数字和共识都要查	只验证感觉可疑的部分

时间分配建议：如果你有 4 小时做研究，我的分配是：拆解 30 分钟，深挖 2 小时，验证 1.5 小时。很多人把时间全压在深挖，但验证做得少，最终产出的可信度会大打折扣。

最后一个反直觉的建议：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？"

这一步我开始做了之后，我的研究质量提升很明显。因为你最看不出问题的地方，往往是你最需要被挑战的地方。