你会不会也有这种体验：让AI帮你做个调研，问了一轮感觉像在聊天，再问一轮开始跑题，好不容易拿回一份像模像样的报告，仔细一看却全是“正确的废话”。我自己折腾了大半年，试过各种花式提问，最后发现真正靠谱的路线，不是把AI包装成一个全知全能的问答机器人，而是把它拆成一支有分工的小团队。这套打法，就是标题里写的“一个主编、三个工种、两本手册”。
所谓一个主编，就是你自己或者你设定的一道调度中枢，负责拆任务、派活、验收；三个工种分别扮演采集、分析、审校三个角色，各管一段；两本手册，一本管流程节奏，一本管提示词话术。这样搭配起来的AI调研队，能解决一个很实际的问题：一个人做深度调研时，经常在信息收集、逻辑整理、事实核查这三个环节翻车。这篇内容会把每个角色怎么设计、手册里具体写什么、完整怎么跑一遍都讲清楚，适合产品、研究、内容创作，以及一切需要定期产出调研结论的人。
1. 这套配置解决什么问题
1.1 一个人做调研，真正的障碍在流程而不在信息
很多人觉得，调研难在“找不到资料”。真做起来你会发现，信息其实并不缺，缺的是组织信息的秩序。
我见过不少调研现场，最常见的路径是：打开搜索工具，看到一个标题有点意思就收藏，收藏了几十个链接之后回头看，已经忘了最初要回答什么问题。中间还会穿插各种干扰，比如一条行业新闻里冒出一个新概念，于是又顺着新概念去翻半小时。等到要写结论的时候，手里只有一堆截图、几段摘抄，既不知道哪些信息可以直接用，也不知道哪些信息之间到底有没有冲突。
这种失控，本质上不是信息量不够，而是流程缺位。一个人忙前忙后，既当采集员又当分析师还当审核员，但转换角色时没有边界，思考很容易被情绪和好奇心带走。找一队真人协作倒是能解决问题，可成本摆在那儿，沟通、对齐、等反馈，哪一项都费时费力。AI的出现，其实给了我们一种折中的办法：用角色化分工把流程切开，让AI在每个环节做它擅长的事，人只做判断和决策。
1.2 “主编加三个工种加两本手册”到底是什么配置
我推荐的配置，是一个最小可运行的调研体系。
主编的角色，是流程的掌控者。开始阶段建议由人来做主编，因为只有你知道这次调研最终要服务哪个决策；跑顺之后，也可以把主编的调度方法写进手册，让AI先出一版任务拆解，你来拍板。三个工种则完全交给AI扮演，分别承担信息采集、分析洞察、质量审校。两本手册里，调研工作手册管步骤和质量关卡，提示词手册管每一次跟AI对话时怎么把话说明白。
为了更直观，我一般会用下面这张表给团队做初始化：
| 角色 | 负责人 | 核心交付物 | 质量关卡 |
|---|---|---|---|
| 主编 | 人（也可AI辅助） | 一页纸任务书、修订意见、结项检查 | 方向不跑偏 |
| 采集员 | AI | 编号信息卡片、来源清单 | 每条信息可回溯 |
| 分析员 | AI | 结构化分析、带编号的结论 | 每条结论挂靠证据 |
| 审校员 | AI | 问题清单、修订稿 | 无来源断言清零 |
这四者之间是有先后顺序的：主编先拆出任务，采集员拿到任务书去收集信息，分析员基于信息卡片做加工，审校员对成品挑刺。任何人发现某一步不过关，就打回上一层，形成一个闭环。
1.3 哪些人适合这套打法
这套打法并不是研究人员的专利。
产品经理做用户需求调研，可以用它快速摸清某个功能点被吐槽最多；内容创作者做背景资料准备，可以用它把碎片信息整理成结构笔记；学生做课程项目研究，可以用它把“查资料、写综述”这种活儿变得可控。哪怕只是在做购物决策之前想认真横向比一比选项，这套思路也能用得上。
唯一的要求，是你愿意付出一点“验收成本”。说白了，AI每一次交付，你都要花几分钟看看来源、看看推理链、看看有没有可疑的表述。如果你只想问一两个问题拿个答案，这套配置确实显得重；但只要你有持续产出的需求，比如连续两周都要写一份调研简报，这套流程的效率优势就会非常明显。
2. 三个工种的设计逻辑
2.1 采集员：先解决“看什么”，而不是“怎么说”
如果只让我留一个角色，我大概率会留采集员。大多数调研失败，根源不在分析能力弱，而在第一步就收集了错误的信息。
采集员的核心任务，是替你把信息边界画出来。你给它一条任务书，告诉它主题是什么、要回答哪些问题、信源偏向什么类型，然后它把信息整理成一张张卡片。每一张卡片上，至少要包含四样东西：信息编号、来源名称、一句话概述、关键原文片段。原文片段很重要，这是后面所有核查的基础。
我常用的采集员提示词，长这样：
你是调研队的采集员。你的任务是根据主编下发的《一页纸任务书》，搜集与主题相关的公开信息。 要求： 1. 只做信息收集和整理，不要下结论，不要写分析。 2. 每条信息输出为一张卡片，格式为： 编号｜来源｜时间｜核心内容（一句话）｜关键原文片段 3. 对无法确认来源的信息，在来源位置标记“待核实”。 4. 至少输出10张卡片，按相关度从高到低排列。 5. 如果任务书里的决策问题无法通过现有信息回答，请单独列出“信息缺口”，不要强行补全。这里有一个非常容易踩的坑：很多人会忍不住在采集员的指令后面加上“顺便帮我分析一下”。一旦你加了这句，采集员就不再只是采集员了，它会越过收集阶段直接给你一堆泛泛的判断，而那些判断往往没有材料支撑。采集阶段，就让它纯粹一点，只做信息汇总。
还有一个实操细节，关于链接和来源。目前不少AI模型会编造看起来很像样的链接或文章标题，所以我不太建议让AI输出一堆超链接作为交付，而是让它给出“来源机构＋发布平台＋时间＋原文片段”。如果它连来源机构都给不出来，就必须标记待核实。这个标记动作，会直接影响后面审校员的工作量。
2.2 分析员：把素材变成结构化的观点
采集员交上来的是一叠卡片，分析员的任务，是把这叠卡片变成有结构的洞察。
很多人用AI做分析，只丢给它一句“帮我分析一下这些材料”，然后期待它给出高见。结果往往是拿回一段四平八稳的归纳，听着有道理，细看每一条都换不到实质判断。要让分析员真正干活，你需要给它两样东西：一个是素材包，一个是分析框架。
素材包可以直接把采集员输出的编号卡片贴进对话，让AI基于这些具体编号做分析。分析框架则是你希望它从哪几个角度切问题。比如做用户调研，框架可以是“用户画像、使用频次、功能偏好、核心痛点、竞品变化、决策建议”；如果是行业调研，则可以换成“市场规模、增长驱动、主要玩家、变化信号、风险因素”。
给分析员的指令，我一般会追加这几条约束：
你是调研队的分析员。主编已经提供了采集员的编号卡片，请你基于这些卡片完成分析。 要求： 1. 每条结论必须标注所依据的卡片编号，例如（CF-03）。 2. 严格区分“卡片中已有的材料结论”和“基于材料的推断结论”，推断部分用方括号标注。 3. 如果卡片信息不足以支撑某个问题，请直接说“信息不足”，不要自行脑补。 4. 主动寻找与主流结论不一致的反例素材。 5. 输出结构：先给3条核心发现，再给详细的证据链说明。这套约束的目的，是防止AI把话说满。它一旦开始注意区分“材料结论”和“推断结论”，废话率会降低很多。另外，分析员的输出很少一次到位，拿回来后你再追问两三轮，是很正常的。追问的方向通常是“你刚才这条结论，到底是哪张卡片支持的”“有没有可能换个解释”。
2.3 审校员：守住最后一道关
如果说一台调研机器最容易在哪里翻车，答案是：没有审校环节。
审校员不是校对错别字的，它要干的事情是拿一套检查标准把整份分析稿过一遍，专门挑刺。这个角色的存在意义，是让AI扮演“反方”，去推翻前面两个工种的工作成果。
审校员要查三层问题。事实层：每条断言有没有对应的卡片，卡片的来源是什么级别，是官方数据、行业报告、媒体报道还是个人吐槽；逻辑层：有没有错误归因、以偏概全、时间倒置；表达层：有没有把推断说得像事实，有没有过度推广。我常用的审校提示词，会刻意要求它六亲不认：
你是调研队的审校员。现在有一份分析员完成的初稿，请用最挑剔的眼光审查它。 逐条检查： 1. 每一个断言，是否有对应的采集卡片编号？如果没有，标记“无证据断言”。 2. 卡片来源是否足够可信？如果来源模糊或单一，标记“证据强度不足”。 3. 是否存在将“相关关系”说成“因果关系”的地方？ 4. 是否存在用个别案例支撑整体结论的地方？ 5. 有没有遗漏明显的反面信息？ 输出格式： - 问题清单（按严重程度排序） - 每一条问题对应的修改建议 - 最终判断：通过 / 打回返工很多人一开始会觉得多这一步很麻烦，但真正用过几次就会发现，AI在生成阶段太容易顺着你的预期往下说，只有刻意给它一个相反立场，它才能帮你看到盲区。
3. 两本手册里到底写什么
3.1 调研工作手册：管流程和关卡
我见过很多把AI用得不错的人，其实是把大量“流程知识”沉淀成了文档。调研工作手册干的就是这件事，它不关心具体某个问题怎么回答，它只关心一次调研从开始到结束，要按什么步骤走，每一步的产出达到什么标准才算过关。
我的工作手册很简单，只有五段内容：一页纸任务书模板、调研阶段分工表、素材编号规则、分析报告模板、审校与结项检查表。其中素材编号规则很多人会忽略，但它非常关键。没有编号，采集、分析、审校三个环节之间就无法对话；有了编号，每一句话都能回溯到某一张卡片，整条证据链就通了。
下面这张表，是工作手册里最核心的阶段关卡：
| 阶段 | 负责人 | 输入 | 输出 | 标准 |
|---|---|---|---|---|
| 立项 | 主编 | 需求 | 一页纸任务书 | 决策问题≤3个，交付物明确 |
| 采集 | 采集员 | 任务书 | 编号卡片≥10张 | 卡片含编号、来源、原文片段 |
| 分析 | 分析员 | 卡片包 | 结构化初稿 | 每条结论挂对应卡片编号 |
| 审校 | 审校员 | 初稿 | 问题清单＋修订稿 | 无证据断言清零 |
| 结项 | 主编 | 修订稿 | 最终交付 | 待核实项全部显性化 |
手册不需要做得很厚，一页A4纸就能写完模板。但它必须存在。因为没有这份手册，AI每次的发挥都是不可控的；有了之后，换一个主题、换一个时间，流程照样能跑。
3.2 提示词手册：管怎么和AI说同一句话
工作手册解决的是“流程怎么走”，提示词手册解决的是“话怎么说”。
为什么提示词需要沉淀成手册，而不是每次现场想？因为AI对话窗口本质上不保留记忆。你昨天跟它说过“输出要带编号”，今天重新开一个窗口，它完全不记得。如果你每次的表述还有细微差别，AI的理解就会跟着波动。提示词手册，就是把这些表述固定下来，让每一次协作都站在同一个起点。
我推荐的提示词结构，是六段式：身份设定、任务背景、输入材料、操作要求、输出格式、边界条件。不管给哪个工种下令，都按这六段来填充。这样既能保证全面，又方便后期修改。
给你一个可以直接套用的骨架：
你是调研队的【采集员/分析员/审校员】。 任务背景：【本次调研要服务哪个决策？】 输入材料：【一页纸任务书 / 编号卡片 / 分析初稿】 操作要求： 1. 【先做什么，再做什么】 2. 【必须遵循的规则】 输出格式：【按什么结构输出，哪些字段必须有】 边界条件： - 不许【什么】 - 如果信息不足，必须【怎么处理】这套骨架看起来机械，但它特别实用。新手可以直接照抄，老手可以在此基础上加自己的领域规则。时间久了，你会慢慢形成一套“自家话术”。
3.3 手册要像代码库一样做版本管理
很多人写手册，写完一次就再也不动。这其实把最有价值的部分浪费掉了。
一个合理的维护节奏是：每完成一次调研，花十五分钟回头复盘，把“这次哪句指令让AI表现得特别好”“哪句指令导致了幻觉”“哪个环节浪费了一轮返工”记进手册。下次调研时，直接使用更新后的版本。
我自己的提示词手册里会有一个修订记录表，长这样：
| 日期 | 版本 | 改动点 | 原因 |
|---|---|---|---|
| 2024-06-01 | v0.1 | 初版框架 | 首次搭建 |
| 2024-06-08 | v0.2 | 采集员增加“待核实”标记 | 出现编造来源 |
| 2024-06-15 | v0.3 | 分析员增加“区分材料结论与推断” | 初稿推断过多 |
| 2024-06-22 | v0.4 | 审校员改为“挑刺模式” | 审校流于形式 |
你可能会觉得，这不就是记日记吗。但在一个真实的调研场景里，这套版本管理会极大提升你的下限。别人从零开始摸索，你是站在自己上次踩过的坑上面继续走，效率差距就是这样一点一点拉出来的。
4. 一次完整实操：从零搭一支调研队跑通流程
4.1 主编开工：先定一份一页纸任务书
光讲设计还不够，我拿一个具体例子带你完整跑一遍。假设你的调研题目是：某城市社区共享健身房，是否值得继续投入。
主编的第一件事，不是急着让采集员干活，而是先写一页纸任务书。任务书里只要写清四件事：这次调研想服务的决策、需要回答的核心问题、交付物的形态、交付时间。
我当时会写成这样：
调研主题：某城市社区共享健身房的使用情况与续费意愿 目标决策：项目组决定是否对现有共享健身房增加设备投入 核心问题： Q1：主要用户是谁，使用频次如何？ Q2：哪些功能最被看重，哪些抱怨最集中？ Q3：用户持续使用和推荐意愿受什么因素影响？ 交付物：一份不超过3页的分析报告，每条结论需挂上信息卡片编号 时间：3天内完成任务书的质量直接决定后续所有环节的产出。如果核心问题超过三个，AI的分析就会变得发散；如果交付物只写“给我一份报告”，你很难对齐标准。所以，这个环节宁可多花半小时，也不要图快。
4.2 采集员首轮作业：让素材先进入待分析区
拿着任务书，给采集员下指令。实际操作时，我会把任务书贴进提示词，然后要求它至少输出10张信息卡片。这里放一个简化版的模拟输出，帮你理解卡片长什么样：
CF-01｜来源：某城市体育部门2024年社区健身设施运行报告｜时间：2024年 核心内容：该市已建成社区健身点约120个，平均面积约200平方米，覆盖约60%的居住社区。 原文片段：多数健身点以基础器械为主，夜间开放时长不足2小时，属于主要瓶颈之一。 CF-02｜来源：社区服务中心2024年用户访谈记录（样本量38人）｜时间：2024年 核心内容：晚间7-9点为使用高峰，约70%受访者表示高峰期需要排队。 原文片段：排队10分钟以上时，约四成用户会选择离场或改天再来。 待核实｜来源：某健身房连锁品牌的社交账号讨论帖｜时间：2024年 核心内容：品牌方曾表示社区健身房对商业健身房构成分流。 原文片段：文本中提到“分流现象明显”，但该账号不是官方认证账号，来源待核实。注意，有些AI给出的卡片会混淆“原文片段”和“它自己的转述”，审校阶段会专门查这个。在采集这个环节，你只要确认卡片有没有编号、有没有来源、有没有把不确定的信息标出来，就算达标。
这里要说明一点：目前的AI模型做采集，本质上更多是基于训练语料做记忆检索，不是实时替你去全网抓取。所以判断采集质量的标准，不应该是“它给的东西是不是真的在某个网站上”，而应该是三个问题：内容是否具体、来源是否足够可核验、不确定的信息是否被显性标出。如果一张卡片的信息既不具体、又说不清来源，那这张卡片就应该在审校阶段被降级或丢弃。
4.3 分析员二次加工：交付洞察而不是复述
拿到10张卡片后，把它们按编号贴在分析员对话里，附上分析框架。分析员的主要工作，是把这些分散的卡片信息，拼成一个能回答任务书里三个核心问题的结构。
一份合格的初稿，应该长这样：
核心发现1：高峰时段拥挤是当前最大的体验瓶颈 证据链：CF-02显示晚间7-9点为使用高峰，70%受访者反映排队；CF-05显示工作日夜间开放时长不足2小时。 推断[分析员推断]：多次排队经历可能显著降低夜间用户的续费意愿，但现有卡片中没有直接跟踪覆盖该因果链，建议列入后续验证。 核心发现2：用户画像偏向周边通勤族 证据链：CF-03显示工作日使用率远高于周末；CF-06显示器材区最常使用者年龄在25-40岁之间。 推断[分析员推断]：该群体对“快速完成训练”的需求高于“社交空间”需求。 已知反例：CF-09提到部分社区居民更看重储物和淋浴设施，与主流痛点并不一致。这个输出里最有价值的，不是“高峰期拥挤”这个结论，而是“推断”和“反例”的标注。如果没有这些标记，你会把AI的推测当成事实，后面做决策就可能出问题。
我经常在分析阶段多追问两轮。比如“你刚才说排队可能影响续费意愿，这个判断需要什么样的数据才能支撑”，然后让分析员提出一个“可验证假设清单”。这一步不需要很正式，但能让后续调研方向更清楚。
4.4 审校员终审：把“貌似合理”改成“可交代”
分析初稿出来之后，先不要急着排版，把它丢给审校员。
审校员带着自己的检查清单从头过一遍，输出通常是一份问题清单。比如它会指出：
1. 核心发现2的“用户画像偏向通勤族”，CF-03和CF-06的样本数足够支撑吗？证据强度评定为“中等偏弱”，建议补充样本来源或调整措辞。 2. CF-08来自商业品牌社交账号，来源级别低于其他卡片，目前被用于佐证“商业健身房分流”，建议降级为补充参考。 3. “高峰期排队可能影响续费意愿”的表述，初稿里没有明确标注为推断，第二段里有把推断混同结论的嫌疑，需要修改。 4. 结论部分新增了“应增加淋浴设施”的建议，但没有任何卡片直接支持，属于无证据断言，建议删除或改列为“待验证方向”。 4. 综合判断：打回返工。看到一份“打回返工”的审校意见，别慌。让分析员在主编的主持下按问题清单修改一版，如果审校员觉得大问题都解决了，再进入最终交付。最后交付时，还需要把“待核实”信息单独列一节，写清楚哪些证据弱、哪个方向还需要补强。这样一份报告，才能拿到决策会议上去谈。
5. 常见问题与避坑清单
5.1 三个高频翻车现场
第一个翻车现场：让采集员一条提示词里既采集又分析。结果它一边提供信息，一边开始发表观点，最后你根本分不清哪些是外部资料、哪些是AI自己的看法。解法很简单，角色职责切干净，采集环节只允许输出编号卡片。
第二个翻车现场：分析员给的结论全都对，但每条都无法定位到素材。你问它“这个结论哪来的”，它含糊地说“根据整体材料”。这说明提示词里缺少“必须引用卡片编号”的硬性要求。没有编号，后面所有核查都无从谈起。
第三个翻车现场：审校员总是说“整体很完善，小幅修改即可”。这是最隐蔽的问题。AI天然有迎合用户的倾向，如果不特意设置“找茬”立场，它就会变成一台夸夸机。解法是给审校员明确成“你的任务是推翻并挑刺”，同时要求它列出具体问题，而不是给一个空洞的结论。
这三个翻车现场，我在早期全都经历过。它们的共同根源，是角色边界没划清。角色一旦划清，大部分问题会自动消失。
5.2 关于幻觉：怎么把雷拆掉
说到AI调研，最绕不开的话题就是幻觉。AI一本正经地编出一个来源、一组数据、一段引用，是真实存在的风险，靠肉眼很难发现。
我的处理办法是建立三道防线。第一道防线在采集层：所有信息卡片必须包含“来源＋原文片段”，无法给出的一律标“待核实”。第二道防线在分析层：任何结论必须挂靠卡片编号，纯推断内容单独标注。第三道防线在审校层：交付前让审校员专门跑一轮“找茬测试”，提示词可以极端一点：
你现在的任务是推翻这篇分析，而不是完善它。 请逐条列出： 1. 哪些结论在素材中找不到直接证据？ 2. 哪些结论犯了以偏概全的错误？ 3. 哪些来源本身不够可靠，不足以支撑断言？ 4. 如果把所有弱证据都去掉，这份分析还剩多少是真正站得住的？这套流程不能让幻觉完全消失，但它能让你在交付之前就知道风险点在哪里。真正的专业交付，不是承诺零错误，而是把所有不确定的地方显性化，让决策者自己判断能承受多少不确定性。
5.3 可直接抄的检查表
最后把整套流程浓缩成一张检查表，我每次结项之前都会逐条打勾：
| 检查项 | 结果 |
|---|---|
| 一页纸任务书是否回答“给谁看、回答什么问题、何时交” | 通过 |
| 采集卡片是否有编号、来源、原文片段 | 通过 |
| 无法确认来源的信息是否标记“待核实” | 通过 |
| 分析初稿每条结论是否挂靠了卡片编号 | 通过 |
| AI推断是否与材料结论分开标注 | 通过 |
| 审校员是否作为反方完成了问题清单 | 通过 |
| 打回返工的条目是否全部闭环 | 通过 |
| 最终交付是否单独列出“局限与待核实” | 通过 |
这张表也可以写进调研工作手册里，作为每个调研项目结项时的固定动作。它不复杂，但能保证你不会因为某一步疏忽而交出低质量成果。
说起来，一开始组这套AI调研队的时候，我也觉得是不是有点小题大做，一个人对着AI还搞什么主编、工种、手册。真正跑了几个连续调研之后，我彻底改变了看法：前两次总觉得审校员多余，后来所有“听起来有道理但一追问就露馅”的内容，都是它先揪出来的。如果只能留一样东西，我会留那本提示词手册，因为工作手册是通用知识，网上到处都有；提示词手册却是在你自己领域里一步步踩出来的地图，它会越用越厚，也会越用越薄。建议你从一个小题目开始，花一周时间跑两轮，大概率会发现一个人带一支队，真没有想象中那么难。
