核心 GUIDE
Research Question Decomposition
强 Research Workflow 会在搜索前把 Broad Question 转成更小的 Claim 与 Evidence Need，让 Synthesis 由“必须建立什么”驱动，而不是被最先出现的 Source 带着走。
核心心智模型
Research Decomposition 会创建 Evidence Map：先定义 Decision，把它拆成可回答 Subquestion，说明什么 Evidence 可以支持或挑战每一项，再围绕这个结构 Search 与 Synthesize。
为什么重要
AI-assisted Research 很容易退化成 Search-result Summarization。最早出现的 persuasive Source 会决定 Narrative，Counterevidence 没被看到，而 Final Answer 听起来比真实 Investigation 更完整。在 Collection 前先拆解 Question，可以降低这种 Anchoring，并把 Unresolved Gap 显式保留下来。
01
从 Decision 到 Subquestion，再到 Evidence Criteria
先明确 Research 最终支持什么 Decision / Understanding。再把问题拆成 Factual、Causal、Comparative 或 Forecasting Subquestion，并定义每一项需要什么类型 Evidence。搜索前先确定 Key Term、Time Boundary 与可能存在的 Disagreement。Collection 时把 Source 绑定到对应 Subquestion，并标记 Evidence 仍 Missing / Contradictory 的区域。
02
例子：Solo Founder 是否应该进入一个 Market
不要只搜“is this a good market”。Research Plan 分开调查 Customer Pain、Existing Alternative、Willingness to Pay、Acquisition Channel、Market Constraint 与 Founder Advantage；每一项需要不同 Evidence。最终 Recommendation 就能说明哪些 Assumption 有充分支持，哪些仍属于 Speculation。
常见失败模式
- 没有先定义哪些 Claim 需要 Evidence，就直接开始 Broad Search。
- 把很长 Source List 当成所有部分都已调查充分的证明。
- Evidence 稀少时仍强迫每个 Subquestion 给出 Confident Answer。
工程启发
- Collection Source 前先写 Decision 与 Key Subquestion。
- Evidence Criteria 要允许 Attractive Hypothesis 被反驳。
- Unresolved Gap 与 Disagreement 必须保留到 Final Synthesis。
关键结论
- 01Decomposition 可以减少 Research 被 Search-result Anchoring。
- 02不同 Subquestion 需要不同 Evidence。
- 03好 Synthesis 同时展示 Supported Conclusion 与 Remaining Uncertainty。
用于这些学习路径
这个 Concept 会在多个 canonical 学习路径中复用。
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。