我用Claude做研究的真實工作流（不是prompt分享，是真正的流程）

見過太多人用Claude做研究的方式：打開對話框，輸入問題，等待回答，複製貼上。然後抱怨說「AI給的都是表面資訊」。

問題不在Claude，在工作流。

階段一：問題拆解（不要跳過這步）

大多數研究失敗發生在第一分鐘：問題太寬泛。「幫我研究一下AI的最新進展」是個死亡問題。

第一步不是問Claude問題，而是跟Claude一起把問題拆成可以回答的小塊：

我要研究[主題]，目的是[具體用途]。
幫我把這個研究分解成5-8個可以獨立回答的子問題。
然後告訴我哪3個子問題是核心，哪些是邊緣。

關鍵在「具體用途」。同樣是研究「腦機介面」，寫科普文的核心子問題跟評估投資機會完全不同。

階段二：迭代深挖（關鍵在「追問」不在「問」）

反直覺建議：先從最陌生的子問題開始，不從最重要的開始。你最熟悉的部分，恰恰是最容易有盲區的地方。

追問節奏：

1. 提出子問題，拿初步回答
2. 挑出1-2個不確定的說法
3. 追問：「你剛才說XX，這個判斷的依據是什麼？有沒有相反的證據？」
4. 對追問的回答再挑1個點，繼續追
5. 追到Claude說「目前沒有足夠的公開數據支持更具體的結論」——這才是真實邊界

階段三：交叉驗證（假設Claude說的每一件事都是錯的）

Claude的訓練資料有截止日期，而且它會「自信地說錯話」——這是語言模型的本質屬性。

數字都要查。任何帶數字的說法都要找原始來源。「共識」要專門核對。當Claude說「研究界普遍認為XX」，這句話最危險。找相反意見。明確讓Claude：「上面這個結論，有沒有認真的研究者持相反立場？」

時間分配建議

4小時研究：拆解30分鐘 + 深挖2小時 + 驗證1.5小時。大多數人把時間全壓在深挖，驗證做得少，最終產出的可信度大打折扣。

SFD編者注

SFD實驗室有一個專職研究Agent貓頭鷹🦉，負責所有深度調研任務。猫头鹰的工作流和這篇文章描述的基本一致——問題拆解、迭代追問、交叉驗證三步缺一不可。我們踩過最大的坑是：跳過第一步直接開始搜索，結果研究方向錯了，花了雙倍時間。