斯坦福大学STORM方法，教会普通人怎么用 AI 做深度研究，顺手做了一个skills

很多人用AI做研究，第一步是让它总结主题。这个动作只能得到平均答案。Stanford STORM更值得借鉴的地方，在于它把研究拆成一套流程：多视角提问、矛盾映射、综合简报、可信度评审。真正重要的能力，体现在人如何保留视角设计、证据取舍和最终判断权。

普通人应该怎么用 AI 做深度研究

alt text

alt text

很多人用 AI 做研究，第一句话就是：

"帮我总结一下这个主题。"

这句话当然能用。问题是，它通常只能换来一个平均答案。

平均答案看起来完整，却很少告诉你：谁会反对这个判断，哪些证据最硬，哪些结论只是漂亮话，哪个问题还没人真正回答。

这也是很多 AI 内容越写越像资料拼盘的原因——有摘要、有清单、有结论，但没有判断过程。

Stanford OVAL Lab 在 2024 年发表的 STORM 方法，给这件事提供了一个被验证过的思路。

STORM（直译：通过检索和多视角提问合成主题大纲），收录于 NAACL 2024。它不是让模型直接写文章，而是先做多视角提问、检索、对话、整理大纲，再进入生成。

论文里有两组数据值得记住：STORM 生成的文章在事实覆盖度上显著优于直接生成和标准 RAG 基线；在人类评估中，STORM 版本也被认为更全面、更结构化。起作用的关键机制，正是多视角提问——不同视角提出的问题，覆盖面更广、更不容易遗漏。

这套系统本身有工程实现、有检索、有引用、有多轮问答。普通人未必需要把完整系统跑起来。但我们可以先学它背后的研究协议。

我自己用这套四步流程跑过一次"Loop Engineering 是否真的提效"，下面先说案例，再说几个容易踩的坑。

我用自己打磨的storm-research技能生成的分析结果页面

我用自己打磨的storm-research技能生成的分析结果页面

一次完整演练：四步拆"Loop Engineering"

最近很多人问：Loop Engineering 是不是真的能让 AI Agent 自动干活、持续提效？

直接问 AI，得到的是标准平衡回答：能自动执行、能减少人工盯盘、能提升自动化效率；同时也会带来成本、失控、幻觉和验证负担。

正确的废话。

我换成四步流程。

第一步，五视角扫描。

我用的工具是 Claude，但同一套协议Codex 也都能跑。下面让 AI 分别从五个位置看这个问题：

• 实践者：每天在用 Codex、Claude Code、CI、脚本和自动化工具，看见的是工作流变化
• 学者：关心提效有没有可验证指标，任务复杂度、错误率和返工成本是否被一起计算
• 怀疑者：盯着被夸大的部分，看哪些"自动运行"只是把人工检查藏到后面
• 经济学家：看 token、工具订阅、云资源、排障时间和人力节省之间的账是否算得过来
• 历史观察者：把 Loop Engineering 放回自动化、DevOps、RPA 和 CI/CD 的长期演进里看

同一个问题被拆开之后，"提效"这个词的含义就变了：对实践者是工作流解放，对学者是可验证指标，对怀疑者是隐藏成本，对经济学家是成本结构，对历史观察者是自动化浪潮的又一次回响。

第二步，矛盾地图。

我让 AI 专门找冲突：

• 实践者说："我用 Loop Engineering 让 Agent 每隔一段时间检查 CI、修复失败、更新结果，少了很多手动盯盘。"
• 怀疑者说："它确实减少了手动调度，但失败排查、权限控制、回滚和结果验收仍然要人负责。"
• 经济学家补一句："如果 token、云资源、排障时间和误修成本没有算进去，提效可能只是被转移到了另一张账单上。"

如果只停在第一步，我会以为"Loop Engineering 提效"是一个共识。走完第二步，我才发现：执行层的提效和总账上的提效，可能是两件不同的事。

第三步，研究简报，按证据等级排序。

• 强证据：手动调度和盯盘时间减少（实践者一致反馈）
• 中证据：整体提效存在，但依赖任务类型、目标设计和评估器质量
• 弱证据：长期 ROI（缺少标准化的成本核算口径）

这里最关键的是"按证据等级排序"。AI 很擅长把话说完整，但不会天然知道哪句话更值得相信。如果不要求它标出依据来源，实践者感受、厂商宣传、理论推演、个案经验就会出现在同一个语气里，直接污染判断。

第四步，可信度评审。

我让 AI 自查：

• 最不稳的结论：长期 ROI
• 被放大的视角：实践者的个体体验
• 缺失的视角：失败案例、团队整体成本、权限和安全风险
• 必须人工核验：具体提效比例，因为不同任务、不同工具、不同组织的差异极大

走完这四步，我拿到的不再是一个"是或否"的答案，而是一张问题地图。

这套流程，最容易踩的四个坑

跑完这个案例，有几处容易踩的坑值得记下来。

坑 1：视角选得太泛，5 个视角互相重叠。

"实践者""使用者""一线员工"经常是同一个人。选视角时要刻意拉开距离：谁受益、谁付费、谁反对、谁被遗漏。如果 5 个视角给出的答案差不多，说明视角没选对。

坑 2：把"视角不同"当成"观点冲突"。

两个视角给出不同描述，不等于它们打架。真正的冲突是两个视角对同一个判断给出相反结论。只有这种冲突才值得继续深挖。

坑 3：简报按精彩程度排序，而不是按可靠性排序。

AI 给的简报看起来很完整，但里面可能把论文结论、媒体表达、个人猜测放在同一个语气里。必须按证据来源分级，否则会被"说得顺"的那句带走。

坑 4：自查只做样子，最后还是信了最顺的那个结论。

自查不是走流程。如果 AI 自查后说"最不稳的结论是 X"，但你还是忍不住把 X 当成文章主线，那自查就白做了。自查的结论必须真的影响你的取舍。

用十次，它就变成你的系统

alt text

alt text

真正值得沉淀的，是你自己的研究协议。

常用的五视角扫描 Prompt、矛盾地图 Prompt、研究简报模板、可信度评审清单、证据日志表、选题复盘记录——这些东西用一次，只是技巧。用十次，就会变成你的个人研究系统。每次写文章、做产品判断、学习新领域之前，都先跑同一套流程，你会慢慢积累出自己的问题库、证据库、反方清单和判断标准。

这也是 Human3.0 一直在说的那件事：在 AI 时代，人真正的杠杆不是会用工具，而是能把自己的判断流程沉淀成可复用的数字生产资料。

这套协议不绑定任何工具。我用 Claude，也见过有人用 Codex 跑同一套流程，效果主要取决于协议设计，而不是模型。模型可以换，协议留在你手里。我把这套流程封装成了一个本地 skill，叫 storm-research，不绑定任何模型，接收主题或选题，按四步输出问题地图、冲突点、可信度风险和下一步采证清单。

一次提示词只能解决一次问题，一个 skill 可以反复接入工作流。

下次研究前，先跑这四步

alt text

alt text

五个视角，一张矛盾地图，一份带证据等级的简报，一次可信度评审。

下次动手前，先跑这四步。AI 给的是材料，你留下的是判断。

斯坦福 Co-STORM

下文会介绍斯坦福又做了 Co-STORM，可以理解为 协作版 STORM。 STORM 偏自动生成报告；Co-STORM 则加入了人类用户参与，让人可以在知识探索过程中插话、引导方向、观察多个 AI 专家讨论。GitHub 里提到，Co-STORM 包含 LLM experts、Moderator 和 Human user；同时维护一个动态 mind map，把收集到的信息组织成层级概念结构。说人话就是

STORM 是 AI 帮你写研究报告。 Co-STORM 是你和一组 AI 专家开圆桌会，边讨论边沉淀知识地图。

彩蛋

我把这套方法整理成了两样东西：

• 《AI 研究四步提示词模板》：五视角扫描、矛盾地图、研究简报、可信度评审四份 Prompt（带变量占位符，可直接复制），附证据日志空表。
• storm-research skill：把四步流程封装成本地 skill，接收主题或选题，按协议输出问题地图、冲突点、可信度风险和下一步采证清单。