MISSION · RESEARCH WITH AI
表达很自信，也可能是一场证据事故。
你正在为产品决策准备研究备忘录。
一套 AI Research Workflow 已经生成了一份关于快速变化 AI 产品的完整报告。文字非常流畅，但几个关键判断只依赖搜索摘要和厂商材料，其中一条还混淆了发布日期与事件发生日期。
目标
让这份备忘录可以被独立验证，同时避免把研究无限扩展成没有边界的资料搜集。
风险
过时或缺乏支持的结论，会把产品、预算或战略带向错误方向。
Research × Evidence·应用 Mission·16 分钟
Research Evidence Mission
这份研究稿读起来非常可信，但三个关键结论来源薄弱，一个已经过时，而且引用并没有说明哪条证据支持哪句话。先修复证据系统，再让别人据此做决策。
一句话理解
AI 研究真正可靠的条件是：关键结论能追溯到可检查证据，能被独立来源挑战，并且经过真实事件时间线的核验。
正在加载 Mission Engine…
关键要点
Claim → Evidence
一份研究备忘录应该明确暴露每个决策相关结论由什么证据支持。
权威与独立是两件事
一手来源说明相关方怎么说，独立来源帮助验证它是否成立。
研究应该可更新
结构化证据矩阵可以让新事实被局部吸收，而不必从头重写。
RESEARCH DEBRIEF
最终输出不是研究本身，证据路径才是。
只有关键结论能够被追溯、挑战和更新，研究综合才真正有价值。
AI 可以加速发现、提取、比较与写作，同时也让‘无证据的流畅综合’变得极其廉价。更持久的 Research Workflow 应该先拆问题，再有意识地选择来源权威，建立 Claim-Evidence 映射，对高影响结论进行独立挑战，区分页面发布日期与事件日期，最后才进行综合。
- ✓搜索结果适合发现资料，不适合作为最终证据。
- ✓优先交叉验证那些会改变决策的结论，而不是平均验证每一句话。
- ✓在写结论之前先记录反证。
- ✓时效检查需要关注事件日期，而不只是页面时间戳。
LEARNING CONTEXT
可复用的 Mental Model
只有关键结论能够被追溯、挑战和更新，研究综合才真正有价值。
未看过
本次练习的 CONCEPT
- concept-research-question-decomposition拆解研究问题
- concept-source-triangulation交叉验证独立来源
- concept-claim-evidence-matrixClaim–Evidence 矩阵
- concept-research-synthesis综合研究但不抹平分歧
- concept-evaluation-evidenceEvaluation Environment 与 Verifier Design
建议补充前置
进入这起事故前，没有必须完成的已发布前置内容。
迁移这个模型
接下来验证一个数值结论：提取、计算和解释可能彼此独立地出错。