把宽泛研究主题改写为结构化调研提示

可以得到什么

• 一份能被 AI 研究工具直接使用的结构化提示，使生成产物在概念边界、案例数、证据类型、读者与篇幅上都有明确约束。
• 一份可逐项检查的输入清单：提示里写了什么，后续就要核对什么。

适合哪些情况

• 主题较新或较宽，AI 默认输出可能含糊、不可验收。
• 后续需要把生成报告送审计、核验与编辑，而不是直接发布。
• 研究者、教师或研究生希望快速建立陌生领域地图并整理案例与指标。

需要准备什么

• 主题本身的基本概念边界（例如"Reverse Learning 与 Unlearning 的关系"）。
• 期望的案例数量（如 3—5 个研究案例）。
• 期望的证据类型（伪代码、实验设置、指标、量化结果、成本收益、前沿挑战）。
• 目标读者画像（如"有机器学习基础的研究者"）。
• 交付格式要求（字数、是否要对比表、是否要开放问题清单）。

常见做法

• 在提示词中显式列出概念定义、案例数、证据类型、评价维度、目标读者和篇幅。
• 每一项输入要求都对应到后续检查项：要求写伪代码，就在审计时检查伪代码是否存在且合理。
• 把交付格式（字数、对比表、开放问题）写在提示中，让输出结构在生成时就被约束。
• 输入侧越细，输出侧越接近"可修改的初稿"，而不是"无法核验的长文"。

真实案例与教程

• 玉树芝兰用 Perplexity Labs 生成反向学习调研报告并完成审计 — 玉树芝兰把"调查反向学习的应用"细化为含概念边界、3—5 个案例、伪代码、实验设置、指标、量化结果、成本收益、挑战、读者画像与 2000—2500 字报告的结构化提示。

限制和检查点

• 结构化提示不能解决模型本身的"半真半假"问题，仍需后续审计。
• 输入越具体，工具能发散的空间越小；不要把所有细节都写死，保留对前沿挑战的开放问题清单。

相关任务

• 审计 AI 生成的研究报告 — 本任务的直接下游。
• 对照原始来源核验 AI 报告中的量化数字 — 对生成报告里的量化数字做原始来源核验。
• 区分 AI 报告的内部资产与外部证据 — 区分模型生成的内部资产与外部学术证据。

来源

• SRC-LEARN-007：实测 Perplexity Labs：10分钟生成学术调研报告的全流程解析 — 玉树芝兰 2025-06-09 实测结构化提示与 Perplexity Labs 输出。