Chat 与 Research
Chat 和 Research 是两种工作深度。Chat 通过快速往返澄清需求、生成候选和修改草稿；Research 则围绕明确问题搜集证据、处理冲突并给出可追溯结论。这里的 Research 指一类工作方式，不对应某个厂商的特定按钮。
先判断该用 Chat 还是 Research
Chat 已经足够的任务通常有明确输入，结果可以由用户快速检查，例如改写一封邮件、解释一段代码、为已知材料生成大纲。
需要升级为 Research 的任务往往依赖最新信息、多个独立来源、相互冲突的说法，或会影响金钱、安全、合同和重要决策。例如“是否应为团队部署本地 AI”，需要同时核对数据规则、硬件、性能、成本和维护能力。
一个任务可以从 Chat 开始。对话中一旦出现“这个事实从哪里来”、“数据是否过时”或“不同来源为何冲突”，就应进入 Research。
把问题写成任务契约
比“帮我研究本地 AI”更有用的输入是：
目标：判断 10 人研发团队是否值得部署本地 AI。
背景：代码不允许发送到未批准的外部服务。
结果：给出方案、成立条件、主要风险和一个小规模试点。
来源：优先使用官方文档和原始测试，记录版本与日期。
边界：不估算尚未获得的内部成本，不把厂商营销表述当成实测结果。
任务契约至少要有目标、背景、预期结果、来源优先级和调查边界。需要放进对话的文档、示例与约束，属于上下文工程。
第一轮先暴露信息缺口
第一轮不必急着要最终答案。先让 AI 重述任务、列出已知条件和待确认问题，可以及早发现受众、时间范围、数据口径或成功标准缺失。
对本地 AI 选型，第一轮应先追问：现有硬件是什么，任务的上下文长度和并发量是多少，哪些数据不能外发，可以接受多少延迟和维护成本。这些问题没有答案时，精确的产品推荐只会制造虚假确定感。
用反馈修正方向
回答不满意时，先定位问题，再更改对应输入：
- 内容空泛：补充真实受众、材料、限制和反例。
- 结构不对：给出输出字段、顺序或一个正反示例。
- 证据不足：指定原始来源，要求结论与引用一一对应。
- 方向偏离：明确指出哪条约束被忽略，从最后一个可靠中间结果重新开始。
- 关键事实可疑：暂停生成，打开原始来源独立核对。
模型自报的“信心”只能作为表达，不能替代证据。具体的幻觉、校准与提示敏感性边界见模型能力边界。
Research 从研究问题开始
一个大题目需要拆成可证实或可证伪的子问题。“本地 AI 好不好”可以改写为：现有硬件能否运行目标模型，真实任务的质量和延迟如何，一年总成本包含什么，数据边界是否真正得到满足。
来源按证明力选择：官方规格可以证明厂商声明了什么，原始代码可以说明特定版本的实现路径，可复现测试可以验证指定环境、输入和覆盖范围内的行为，独立测试可以提供特定条件下的比较，二手总结适合发现线索。来源冲突时，保留版本、日期、测试环境和差异，不强行合并成一个答案。
让证据与结论一一对应
交付结果时，将内容明确分成四类：
- 已核实事实：说明来源、版本、日期和适用范围。
- 机制推断：写出从事实到判断的中间逻辑。
- 仍存冲突：保留不同来源的说法和可能原因。
- 尚未确认：说明缺失的证据，以及谁能继续核实。
引用应该放在它支撑的句子附近。一条引用只能支撑它真正覆盖的事实，无法替整段推理背书。
在证据足够时停止
Research 可以在三个条件同时满足时停止：任务契约中的子问题已有答案，重要结论有相匹配的证据，剩余未知项已被明确记录。新增来源只是重复已知内容时，继续搜索的价值已经很低。
高影响决策仍应由有责任和领域能力的人验收。Research 可以压缩调查成本、暴露反例和整理证据，决策责任不会因为报告由 AI 生成而转移。