用 Deep Research 做一份带引用的行业调研报告

先看成果：走完这套流程你会拿到什么

不是"一份 AI 生成的小作文"，而是四样能直接进汇报材料的东西：

1. 一份 15–25 页的结构化报告：市场边界、规模与增长驱动、竞争格局、典型客户与采购逻辑、政策与技术变量、风险与不确定性。

2. 一张引用清单：每条结论后面挂编号，编号对应「来源名称 + 文档类型 + 发布时间 + 链接」。

3. 一张事实核对表：区分「一手来源的数字」「二手转述的数字」「模型的推断」——推断必须显式标注，不能混进结论里。

4. 一份未解问题清单：Deep Research 找不到答案的地方，往往才是这份报告最值钱的部分，它告诉你下一步该打哪个电话、该买哪份付费报告。

下面用一个贯穿全程的例子：「工业设备预测性维护（PdM）在中小制造企业的落地情况」。这个题目够真实、够具体，也够窄——窄到能在一次调研里跑完。

整个流程大约 60–90 分钟，分四轮跑，不要试图一次问完。

前置条件清单

• 一个能联网检索的深度研究功能。ChatGPT、Gemini、Perplexity 以及国内若干产品都提供类似能力，名称和可用范围各产品不同，以各产品官方页面为准。关键是确认三点：能不能联网、会不会给出可点击的来源、单次任务能跑多久。
• 一个足够窄的研究问题。"AI 行业怎么样"这种题目跑出来的必然是废话，具体到"某类设备、某类客户、某个地区、某个时间段"才有产出。
• 一台能开一堆标签页的电脑。核验引用时你会同时打开十几个页面。
• 一个文档工具：飞书文档、Notion、Google Docs 都行，用来拼接和批注。
• 可选但强烈建议：手里已有的内部资料（销售反馈、客户访谈记录）。把内部信息喂进去，AI 才知道哪些外部结论和你的实际体感对不上。
• 时间预算：跑四轮大约 60–90 分钟，核验引用再花 30–60 分钟。

第一步：把「我想了解一下」拆成可检索的问题树

这是整件事里最重要的一步。研究质量的上限，在你写提示词之前就定下来了。

拆解的原则是：每一个子问题，都要能对应到"哪种文档会回答它"。如果你的子问题找不到对应的文档类型，说明它太抽象了。

以 PdM 为例，拆成这样：

```markdown

研究主题：工业设备预测性维护（PdM）在中小制造企业的落地情况

A. 市场边界（靠：行业报告、统计年鉴、协会白皮书）

• A1 什么算 PdM？和状态监测、EAM/CMMS 的边界在哪？
• A2 目标客户怎么定义"中小制造企业"？按营收、员工数还是设备台数？
• A3 市场规模的最新公开口径有哪些？彼此差异多大？

B. 竞争格局（靠：公司官网、招股书、年报、融资新闻）

• B1 主要玩家有哪几类（设备原厂、独立软件商、云厂商、系统集成商）？
• B2 每类玩家的典型打法、定价模式和交付方式？
• B3 近三年有哪些新进入者和退出者？

C. 客户与需求（靠：案例研究、招标公告、访谈、论坛）

• C1 中小制造企业采购的真实触发点是什么（停机损失？大客户审核？补贴？）
• C2 决策链条上有谁？谁出钱、谁用、谁反对？
• C3 常见的失败原因是什么？

D. 政策与技术（靠：政府文件、标准、专利、学术论文）

• D1 有哪些相关的产业政策、补贴和标准？（以官方发布页面为准）
• D2 技术路线上有哪些分歧（边缘侧 vs 云侧、机理模型 vs 数据驱动）？

E. 风险（靠：反面案例、财报风险提示、诉讼记录）

• E1 这个市场被证伪的证据有哪些？
• E2 哪些结论依赖单点信源、最不可靠？

```

D 和 E 这两块最容易被跳过，但汇报时被追问最多的恰恰是它们。

第二步：先定信源规则，再开跑

不要在跑完之后才抱怨"来源质量太差"。把规则写进提示词里，让它从一开始就带着约束跑。

一手来源（优先）：公司官网与产品文档、招股书与年报、政府统计与政策原文、行业协会白皮书、国家标准与专利文件、招标公告、企业公开的财务披露。

二手来源（可用，需标注）：券商研报、咨询公司公开摘要、有署名记者的权威媒体报道。

直接排除：没有署名和日期的聚合站、内容农场、明显由 AI 批量生成的 SEO 文章、以及任何"据业内人士透露"却不说明是谁的内容。

时间窗：主结论限定在近 3 年；超过 5 年的数据只能作为历史对照，且必须标注年份。

把这些写成一段可复用的"研究守则"，塞进每一条提示词的开头：

```text

【研究守则】

1. 每一条事实性陈述后面必须给出编号引用，格式：[n] 来源名称 — 文档类型 — 发布时间 — 链接。

2. 找不到可靠来源时，直接写"未找到公开来源"，不要用推测填充。

3. 区分三类信息并明确标注：一手来源数据 / 二手转述数据 / 你的推断。

4. 同一指标若有多个来源且口径不同，全部列出并说明差异，不要取平均。

5. 优先使用近 3 年的来源。使用更早的数据时必须标注年份和"历史数据"字样。

6. 不要引用无法打开的链接、论坛帖子和无署名内容。

7. 每条结论标注置信度：高（多个一手源交叉验证）/ 中（单一可靠来源）/ 低（推断或单点信源）。

```

第三步：写第一条研究指令

提示词的结构固定成五段：角色 → 任务 → 范围 → 输出格式 → 约束。模板如下：

```text

【角色】你是一名产业研究员，为投资决策做前期尽调。

【任务】调研"工业设备预测性维护（PdM）在中小制造企业的落地情况"，

产出一份调研报告。

【范围】

• 地域：中国大陆为主，可对比欧美作为参照
• 时间：主结论限定近 3 年
• 必须覆盖：市场边界与规模口径、竞争格局分类、客户采购触发点、

政策与技术变量、已知的反面证据

【输出格式】

按以下结构输出，每个小节末尾附来源列表：

1. 摘要（不超过 300 字，只写有来源支撑的结论）

2. 市场边界与规模口径对比（表格：口径 / 数值 / 来源 / 年份）

3. 竞争格局（表格：玩家 / 类型 / 打法 / 交付方式 / 来源）

4. 客户与采购逻辑

5. 政策与技术变量

6. 反面证据与风险

7. 未解问题清单（你找不到答案的问题，逐条列出并说明"哪类文档可能回答它"）

【约束】遵守下方研究守则，逐条执行。

（此处粘贴第二步的研究守则）

```

关键细节：要求它输出表格。表格会逼着它把"数值—来源—年份"对齐，比大段散文好核验得多。

第四步：分四轮跑，不要一次问完

第一轮：地图轮

用上面的完整提示词跑一遍。这一轮的目标不是拿到答案，而是拿到地图：知道这个领域有哪些玩家、哪些术语、哪些争议点。

跑完只做一件事：把输出里的新术语和没听说过的玩家名圈出来，它们是第二轮的关键词。

第二轮：深挖轮

针对第一轮的每个子问题，单独开一次任务。一次只问一个问题，深度会明显不一样。

```text

请专门调研：中小制造企业采购预测性维护方案的真实触发点是什么？

要求：

1. 尽量找一手材料——企业公开的案例研究、招标公告、财报中的相关表述、

行业媒体的深度访谈。

2. 至少找出 5 个具体案例，每个案例说明：企业规模、触发原因、

采购了什么、效果如何、来源链接。

3. 如果案例之间存在矛盾（有的说是因为停机损失，有的说是因为客户审核），

分别列出，不要强行统一。

4. 单独列出"你没能找到答案的问题"。

```

第三轮：反方轮

这一轮最容易被跳过，但价值最高。专门去找证伪证据：

```text

请扮演一个对这个市场持怀疑态度的分析师，尽最大努力反驳以下结论：

「中小制造企业对预测性维护的需求正在快速增长。」

要求：

1. 找反面证据：失败案例、项目烂尾、客户续费率低、伪需求论证、

行业整体的负面数据。

2. 找"增长"这个判断可能的统计陷阱（口径变化、幸存者偏差、样本偏差）。

3. 每条反驳都必须有来源，没有来源的反驳标注为"仅为逻辑推演"。

```

跑完这一轮，你会得到一份"如果被老板追问，我该怎么回答"的弹药。

第四轮：缺口轮

把前三轮所有的"未解问题清单"汇总，再跑一次：

```text

以下是我在前几轮调研中没能解决的问题清单：

（粘贴清单）

请逐一判断：

• 哪些问题其实有公开来源，只是之前的检索方式不对？给出线索。
• 哪些问题在公开渠道确实无解？
• 对确实无解的问题，建议我通过什么方式获得答案

（买哪类付费报告、访谈哪类角色、查哪类非公开数据库）？

```

这一轮的产出，通常比报告本身更能体现你的专业度。

第五步：把输出落成报告结构

四轮跑完，你手里是一堆碎片。用这个骨架拼起来：

```markdown

工业设备预测性维护在中小制造企业的落地情况调研

一、结论摘要

（每条结论后面挂引用编号，例如：中小客户的主要触发点是停机损失 [3][7]。）

二、市场边界与规模口径

（表格：口径 / 数值 / 来源 / 年份 / 备注）

> 注：不同机构口径差异较大，本报告不取平均值，仅并列呈现。

三、竞争格局

（分类：设备原厂 / 独立软件商 / 云厂商 / 系统集成商，逐类分析）

四、客户与采购逻辑

（含具体案例，每个案例标注来源）

五、政策与技术变量

六、反面证据与风险

（把第三轮的产出如实放进来，不要删）

七、未解问题与下一步

（把第四轮的产出放进来）

附录 A：引用清单

附录 B：事实核对表

附录 C：置信度说明

```

写正文时守两条铁律：

第一，事实和判断分开放。 事实段落末尾挂引用；判断段落开头写"我们认为……"，并说明依据。混在一起是调研报告最常见的死法。

第二，没有引用的数字不写。 写不出来就写"该数据未找到公开来源"——审阅的人会觉得你靠谱，而不是觉得你没做完。

第六步：引用核验（最不能省的一步）

Deep Research 的引用会出错，这是常态，不是意外。常见三种错误：链接打不开、链接能打开但原文里没有这个数字、原文说的是 A 国而结论写成了全球。

核验方法很笨但有效——逐条点开。用下面这张表记录：

```markdown

```

数量一多，可以用一段脚本先做粗筛。下面这段只做两件事：抽出所有引用链接、批量检查链接是否可访问。具体库的行为和站点反爬策略请以官方文档为准；很多网站会拦截自动请求，脚本报"失败"不等于链接失效，仍需人工确认；抓取前请遵守目标站点的 robots.txt 与使用条款，只做个人核验用途。

```python

check_citations.py

用途：从报告 Markdown 中抽出引用链接，批量做可达性粗筛

注意：仅作辅助，最终必须人工点开核对，脚本无法判断"原文是否支持结论"

import re

import time

import requests # 以官方文档为准，版本差异不大

REPORT_FILE = "report.md"

TIMEOUT = 10

部分站点会拒绝脚本请求，可在此处换成浏览器 UA

HEADERS = {"User-Agent": "Mozilla/5.0 (compatible; CitationCheck/1.0)"}

def extract_urls(text: str) -> list[str]:

"""抽出 Markdown 里的 http(s) 链接，去重保序"""

pattern = r"https?://[^\s\)\]\>\"'，。；]+"

seen, urls = set(), []

for u in re.findall(pattern, text):

if u not in seen:

seen.add(u)

urls.append(u)

return urls

def check(url: str) -> str:

"""返回简单状态，不做内容判断"""

try:

优先 HEAD，失败再退回 GET

resp = requests.head(url, headers=HEADERS, timeout=TIMEOUT, allow_redirects=True)

if resp.status_code >= 400:

resp = requests.get(url, headers=HEADERS, timeout=TIMEOUT, allow_redirects=True)

return f"{resp.status_code}"

except Exception as exc: # 网络错误、超时、被拦截都会走到这里

return f"ERROR: {type(exc).__name__}"

def main() -> None:

with open(REPORT_FILE, encoding="utf-8") as f:

text = f.read()

urls = extract_urls(text)

print(f"共发现 {len(urls)} 条链接\n")

for i, url in enumerate(urls, 1):

status = check(url)

print(f"[{i:03d}] {status:<12} {url}")

time.sleep(1) # 放慢速度，避免给对方站点造成压力

if __name__ == "__main__":

main()

```

核验之后，把结果分成三类处理：

• 可保留：原文确实支持结论 → 保留编号。
• 需改写：原文支持一个相近但不完全一样的结论 → 修改正文表述，让它和原文一致。
• 必须删：找不到原始出处、链接失效、来源不可靠 → 整条删掉。宁可少一条，不要留一条假的。

第七步：让工具反过来审你的稿子

最后一步，把成稿贴回去，让它当审稿人：

```text

以下是我完成的调研报告。请以严格的审稿人身份检查：

1. 逐条列出「没有引用支撑的事实性陈述」。

2. 逐条列出「引用与结论不匹配」的地方（引用说的和结论说的不是一回事）。

3. 指出哪些结论实际上依赖同一个来源，却被写得像是多个来源互相印证。

4. 指出哪些地方把推断写成了事实。

5. 不要重写报告，只输出问题清单，按严重程度排序。

```

这份清单通常能揪出 5–15 个问题，修完再交。

常见坑与排错

还有两个隐蔽的坑值得单独说：

"多源印证"的假象。 三个不同网站写了同一个数字，很可能它们都抄自同一份原始报告。核验时要往上追一层，找到最初的出处。如果追不到，就标注"该数据广泛流传但未找到原始出处"。

时间戳陷阱。 一篇页面显示"最近更新"是今年，但里面的数据是五年前的。核验时看的是数据本身的年份，不是页面的更新日期。

下一步建议

第一，把流程模板化。 把第二步的研究守则、第三步的提示词模板、第五步的报告骨架存成一份可复用的文档。下次换主题，只改「研究主题」和「问题树」两处，其余照搬。这是这套方法最大的杠杆。

第二，把核验表格变成资产。 每次调研的引用清单和事实核对表攒下来，半年后做同一领域的新报告时，你会有一份别人没有的历史基线。

第三，建立定期刷新机制。 行业报告是有保质期的。对关键指标设一个复查周期（比如每季度），到期重跑第一轮和第三轮，看结论有没有被推翻。

第四，明确它的能力边界。 Deep Research 擅长的是"把散落在公开渠道的信息整理成结构"，不擅长的是"判断一家公司的销售能力到底行不行""某个客户的预算明年会不会砍"。这些必须靠访谈和实地验证。把 AI 的产出当作尽调的起点而不是终点——它帮你把该问的问题列全了，剩下的电话还得你自己打。

第五，向上游走。 当你跑顺了这套流程，可以尝试更难的任务：让 Deep Research 先输出一份"调研方案"（该查什么、该问谁、该看哪类文档），你审核后再执行。从"用它写报告"变成"用它设计调研"，价值会再上一个台阶。