ARTICLE · 1081859
手把手带你用AI系列 第一弹:一起构建你的第一个学习研究智能助理!——你以前根本没有在用,只是在搜索 .
手把手带你用AI系列 第一弹:一起构建你的第一个学习研究智能助理!——你以前根本没有在用,只是在搜索 .（总字数9600+，阅读时间预计30分钟，收藏后阅读体验更佳） 写在最前 上次的6步法，收到了不少朋友的赞同，也在评论区看到了小伙伴表示，感觉自己不知道怎么去入手学习AI。 当时我回复了一条“让AI来教你学AI”，不是心血来潮随意一句。 其实最近，我的学习研究，基本上都是和我的AI研究助理一起完成的，趁这次机会，和大家一起分享一下。 所以准备写个系列，目前计划先做3期，主要是介绍： 一个人加一个AI助手，怎么从零建立自己的认知体系。 这是三部曲的第一篇，希望大家亲手操作，体验一下。如果觉得确实有用，点个推荐❤️。如果尝试中，发现了有趣的案例，或者遇到什么问题，也欢迎留言！ 下面是正文，字有点多，图有点多，最好收藏了慢慢看~ 📢如果嫌字多，想直接尝试的，直接翻到 06-拿来就用，有可以立刻上手的好办法 序：你是不是也这样用AI工具？ 我有个朋友，有点典型的知识焦虑型。 看到好文章，发给AI让它总结；遇到问题，打开对话框问一轮；觉得AI回答得不错，截个图存下来。半年下来，他的对话框里存了几百条对话。 我问他：这些东西你用上了吗？ 他愣了一下，说：好像没有。 这不是他一个人的问题。 你打开AI工具的方式是不是也这样——遇到问题，输入，看回答，关掉。下次有新问题，再打开，再问，再关。问完之后，AI给你的信息就像沙子从指缝里流走，什么都没留下。 我管这叫"搜索引擎式用法"。你只是把百度换成了AI，本质没变。 
搜索引擎给你的是信息碎片。AI能帮你做的，是把碎片拼成图——但前提是，你得知道怎么让它帮你拼。 我自己建设了一个AI研究助理，用了有半年了。从一开始的"问一句答一句"，到后来摸索出一套方法，让它变成我的研究搭档。同样的AI，同样的问题，研究深度完全不一样。 区别不在AI，在你有没有一套研究方法论。 我为我的AI研究助理构建了一套叫做SEARCH-R的研究方法论（Github上可以找到），光具体流程、操作要求，就5、6个文件。为了方便分享，这次我把它压缩成了四步。任何人都能用，不需要技术背景，不需要写代码。 两种用法，两种结果 首先我想说一个问题，"问AI"和"用AI做研究"到底有什么差别。 
我认为，最大差别是你们的关系变了。 单次问答里，你是提问者，AI是回答者。你问什么它答什么，答完则本次服务交易结束。它不在乎你有没有真的理解，也不在乎这个答案跟你上次问的矛不矛盾。 系统研究里，你是研究者，AI是你的研究助理。你定方向，它执行搜索、整理、追问、记录。它知道你研究到哪了，记得你之前的结论，会在你跑偏的时候拽你回来。 从"提问者-回答者"变成"研究者-研究助理"——这才是根本差别。 打个比方：单次问答像你站在图书馆门口，问管理员"三楼层有什么书"，管理员告诉你书名，你走了。系统研究像你带了一个研究助理进图书馆，他帮你找书、读摘要、做笔记，还跟你说"这本书里有个观点跟你上周看的矛盾了，你要不要看看？"。 其实，目前AI研究能力真的不差，缺的是一个好问题和一套系统的追问方法。 我见过太多人，AI用得不少，似乎天天都在用，但用了半年还停留在“帮我写个报告”“帮我优化一下文字”“帮我做个PPT”。不是AI不行，是他们从来没有给AI一个真正值得研究的问题。 那怎么开始？一共四步跟我一起开始。 四步循环 
这四步不是一条单纯的流水线，是一个螺旋上升的过程（让我想起PDCA）。跑完一轮，你整理收获，发现新问题，然后带着更深的理解开始下一轮。中间任何一步发现不对劲，都可以回退。 ① 定问题：用第一性原理拆到不能再拆 大多数人找AI，开口就是一个大问题："AI未来会怎样？""怎么提升认知？" 这种问题AI也能答，但答出来一定是正确的废话。因为问题太大太宽泛了，大到没法研究。 好问题不是坐在那想出来的，是拆出来的。 怎么拆？用第一性原理。 第一性原理听起来很学术，你可以这样理解：一直往下问"为什么"或者"这到底是什么"，直到碰到一个不能再拆的事实或假设，然后从那里往上建。 举个我的例子。我有段时间对一个问题很着迷：AI到底能不能有判断力？ 如果直接丢给AI，它会给你一个综述式的回答，什么都说了，什么都没讲透。我用第一性原理拆了一下： 拆到这一层，问题就从"AI能不能有判断力"变成了四个可研究的子问题。我选了第一个先开始——搞清楚判断力到底由什么组成。后面的才有基础。 关键在哪？第一性原理不是让AI替你想，是你带着AI一起往下钻。 AI可以帮你发散、补充，但"拆到哪一层算到底"这个判断，只能你来做。因为你知道你的背景、你的目标、你已经知道了什么。 ✅️现在就试试：你可以直接这样跟AI说： 帮我用第一性原理拆解这个问题——一直拆到不能再拆的基本事实或假设，每一层列出你拆的依据。 
上图：豆包专家模式对"AI是否有判断力"的第一性原理拆解——从判断力逐层拆到信息处理/经验调用/价值权衡，再往下到感知/记忆/推理。底部菜单展示了如何切换到专家模式。 
常见的坑：问题定好了，下一步——找信息。 ② 找信息：先铺开，再筛选 你有没有过这种经历：问了AI一个问题，它回答得头头是道，但你总觉得哪里不对，又说不上来。 大概率是因为信息不够广。 AI的训练数据是有截止日期的，而且它不知道你的具体场景。你让它凭空回答，它就给你一个"平均正确"的答案。要让它真正帮你研究，你得先找到足够多、足够广的信息。 找信息有两个渠道： AI帮你搜。 给它关键词和方向，让它联网搜索，把找到的文章、报告、论文读一遍，给你结构化的摘要——按主题分类，标出关键观点、矛盾点、信息缺口。 你自己搜。 你平时看到的好文章、行业报告、论文、甚至微信聊天记录里有价值的讨论，都可以丢给AI。 重点是广度。 不要一上来就扎进一篇深度文章里。先把面铺开——这个方向有哪些主要观点？有哪些互相矛盾的说法？有哪些你完全没想到的角度？铺开之后，再筛选哪些值得深入。 
但光有信息还不够。你还得整理好，分门别类地存起来。 打个比方：你家衣柜，所有衣服混着塞进一个大抽屉——T恤、西装、袜子、内裤全搅在一起。你出门的时候翻半天找不到任何东西。但如果你分了格——上衣一层、裤子一层、内衣一格——闭着眼都能搭配。 你的研究文件夹就是那个衣柜。信息不分类地堆在对话框里，跟没存没区别。 我让我的AI研究助理里给每个研究课题建了一个独立的课题文件夹，所有信息和讨论都存在里面。多个课题放在一个母文件夹下，还有一个索引文件记录全局进展。这个变化看起来小，但它让研究从"一次性对话"变成了"可以积累的知识体系"。 
为什么需要这个结构？因为研究是持续的。你今天研究一半，下周可能继续。没有这套文档体系，下次打开对话框什么都没了。有了它，AI可以读取之前的信息，接着上次的地方往下走。而索引文件让你随时知道：现在有几个课题，各自跑到哪了。 研究的质量，很大程度上取决于你找到的信息质量和广度。窄进窄出，广进广出。 我的例子：研究判断力的时候，AI搜了心理学、认知科学、AI安全三个方向的文献，按主题整理成摘要。我自己也找了几篇之前读过的论文丢进去。所有信息存在一个文件夹里，后续讨论随时可以引用。 
常见的坑：信息找够了，别急着下结论。你还需要跟AI"碰"一下。 ③ 碰观点：AI出题，你判断 这一步是整个方法里最关键的，也是大多数人从来没做过的。 什么叫"碰观点"？不是你去跟AI辩论，也不是你请教AI。是AI给你提出问题、挑战和不同角度的视角，然后你来判断——哪些问到了点子上，哪些是噪音，哪些你需要修正自己的看法。 
注意这跟"请教"的区别。请教是AI说你听，你是学生，它是老师。跟AI辩论呢，你们在比谁嗓门大。碰观点不一样——AI是出题方，你是裁判。 为什么需要这一步？因为人有一个本能毛病——确认偏误。 你一旦有了一个想法，就会不自觉地找支持它的证据，忽略反对它的信息。AI帮你搜索的时候，它也会顺着你的方向去找（特别是“豆老师”）。 所以你需要一个步骤，让AI专门负责"挑刺"——不是挑你的刺，是挑这个问题的刺。 当你有了初步判断后，可以这样跟AI说： 我已经看了这些材料，有了初步的判断——[你的判断]。 现在请你从以下角度向我提问： 不要直接告诉我结论，你负责提问，我负责判断。 AI会给你一堆问题。你不需要每个都答。你来做判断——哪些问题真的重要，哪些是噪音，哪些让你意识到自己的盲区。 我自己有过一次很典型的碰撞。 我当时提出一个观点："对AI来说，应该信任能力不信任知识。"听起来挺清晰的对吧？我的AI助理没有直接说对不对，而是问了一串问题： 这些问题像一把手术刀。我逐个回答，有些确实问到了要害——我确实把"能力"的范围说得太宽了。有些我觉得问偏了，可以忽略。 来回几轮，最后我们碰出了一个更精确的结论： 对LLM来说，能力（推理、工具调用）和知识（训练数据中的事实）是分离的。知识会幻觉、会过时，能力更可靠。但对人来说，知识和能力是耦合的——知识是能力的原料，能力决定知识的增长速率。 这个结论不是AI教我的，是我在回答AI问题的过程中自己想清楚的。AI做的是提问，我做的是判断。 
上图是我与AI就"认知与决定的边界"的多轮碰撞总结的一部分，AI提出初始框架，我反驳、AI反击，来回拉扯14轮，最终逼出精确结论："认知是描述性的，决定是指令性的"。这种碰撞不是AI教你结论，而是你通过回答AI的问题自己想清楚。 其实这次拉扯，一共31轮，持续了两天。如果想看完整的全文，留言区留言，下次我做成播客给大家听。 关键在哪？ 碰撞的质量取决于你判断的质量。AI可以问一百个问题，但哪几个值得你认真对待、哪几个可以跳过，这是你的活。AI不会替你判断，因为判断需要你的背景、你的直觉、你的经验。 AI出题，你判断。这不是对抗，是打磨。 
常见的坑：碰完一轮，该整理了。 ④ 检查整理：让AI把讨论变成知识 这一步是AI最擅长的，也是大多数人从来没用好过的。 前面三步你做了很多事——拆了问题、搜了信息、碰了观点。但如果到这直接关掉，结果往往是：一顿讨论猛如虎，一看记录啥也没。 对话框里散落着几十轮对话，哪些是结论、哪些是过程、哪些之间有关联，全搅在一起。 检查整理要做的是：让AI充分调用它的能力，把你们讨论的各种细节充分关联、结构化整理下来。 不是你自己列个清单，是AI帮你做深度整理—— 整理完之后再做两件事： 2. 发现新问题：这一步往往是这轮研究最大的收获——带着新问题回到第一步，进入下一轮 
为什么不是急着下结论？因为研究是螺旋的，不是线性的。你以为的结论，可能在下一轮会被推翻。你以为的次要问题，可能在下一轮变成了核心问题。 还是说我的例子。第一轮研究"判断力是什么"，我们整理出：判断力可以拆成"信息处理"和"推演能力"两个组件。但发现一个新问题：推演能力需不需要"理解"？如果AI能推演但不理解自己在推演，这算不算判断力？ 这个问题在第一轮没有出现。是碰观点的过程中、检查整理的时候才发现的。然后我们带着这个新问题，回到第一步重新拆。 整理完这一轮，你手里有了三样东西：筛选过的信息、碰出来的关键判断、和这一轮真正搞清楚的结论。下一轮不是从零开始，是站在这轮上面继续。 
四步走完，把阶段性结论和新问题存好。然后回到第一步，开始下一轮。 每跑完一轮，你的文件夹厚一层，你的认知也厚一层。 研究不是"一次做对"。研究是"一轮比一轮深"。 一个完整跑通的过程 说个我自己的真实案例。 前段时间，我有个直觉：AI的能力（语义理解、信息抽取、推理、调用工具）比它的知识（记忆的信息）更可靠。 这个直觉对不对？在什么条件下成立？我说不清。 我把它丢给了AI。 第一步，定问题。 用第一性原理拆。"AI的能力比知识更可靠"——先拆：什么是AI的"能力"？什么是AI的"知识"？在什么条件下可以比较两者？拆完发现：核心问题是"大语言模型的推理能力（能力）和训练数据中的事实（知识）之间，哪个更可靠？" 第二步，找信息。 AI搜了大模型幻觉、工具调用（function calling）、元认知三个方向的资料，整理了摘要。我自己也找了几篇论文丢进去。先铺开，再筛选。 第三步，碰观点。 我有了初步判断："对AI来说，应该信任能力不信任知识。"AI开始提问：你说的"信任"是什么意思？在所有场景下都成立吗？如果AI在某个领域能力不够（比如推理链太长就出错），你还要信任能力吗？对人来说也一样吗？ 这些问题逼着我精确化结论：不是笼统的"信任能力"，而是区分了LLM架构里能力和知识的分离——知识会幻觉、会过时，能力更稳定、更可靠。但对人来说不能外延为"不要知识"——对人来说，知识和能力是耦合的，能力决定知识的增长速率。 讨论中还发现信息不够——关于推理能力边界的数据不充分。回到第二步补了一批信息，然后继续碰。 第四步，检查整理。 AI把我们几轮讨论的要点做了深度关联整理：哪些结论已经被充分论证，哪些还需要补充证据，不同维度之间的关系是什么。整理出一份结构化的阶段性报告。 
整个过程不是线性的。碰观点的时候发现信息不够，回去找；整理的时候发现新问题，回去重新拆。四步是螺旋，不是流水线。 这个课题从最初的直觉到最终结论，跑了大约两周。最终结论只有一句话，但这一句话是经过搜索、碰撞、整理、再搜索的，不是拍脑袋想出来的。 后来这句话成了我使用AI的一个基本原则：让它做事，而不是让它背书。你现在看到的这篇文章，写作过程中AI就在用这个原则帮我搜资料、跟我碰逻辑，而不是替我写。 拿来就用 说了这么多，你可能想：我现在就想试，怎么开始？ 给你两个东西。第一个不需要任何配置，复制粘贴就能用。第二个需要你有一个支持自定义Agent的平台，但配置完你就有了一个长期的研究搭档。 ✅️动手体验1：一段提示词，贴进任何AI就能开始 打开豆包（选"专家模式"体验更好）、Kimi、ChatGPT、文心一言，任何一个大模型工具都行。复制下面这段提示词，贴进去，然后告诉它你想研究什么问题。 或者，你直接把下面这个图，存下来，下次直接发给你的豆包，让他按照这个来辅助你： 
这段提示词会引导AI：帮你用第一性原理拆问题、广泛搜索信息、从多角度向你提问、最后帮你把讨论深度关联整理成结构化产出。 🖥️豆包使用效果： 
建议你第一次用的时候，选一个你最近真的在想的问题。 工作中的、生活中的、学习中的都行。不要选太大的，"我该不该转行"这种太大了，选"我现在的岗位未来三年可能被AI替代哪些部分"这种具体的。 ✅️动手体验2：一个Agent身份定义，搭建你的长期研究搭档 如果你用扣子（Coze）、WorkBuddy、Codex或任何支持自定义Agent的平台，可以把下面这段作为智能体的身份定义，然后开启联网搜索和文件读写能力。 配置完，你就拥有了一个能记住你所有研究课题、随时可以接着上次继续的研究搭档。 打开你的智能体，直接告诉它："请按照我给你的这段内容，重新修改你的智能体基本设置"，然后把上面这段贴过去就行。如果你能直接修改 Agent.md 或 Soul.md 文件，那是更好的方式——直接替换对应内容。 当然，简单办法一样的给你，下面这个图：直接给你的智能体，告诉他： “请阅读图片的内容，并按照这个内容，修改你的智能体设置” 
文件夹不需要你手动建。Agent在第一次开始研究时会自动创建。你只需要告诉它你想研究什么。 🖥️WorkBuddy使用效果： 
附：四步速查表
一点感想 这套方法我用了大半年。最大的体会不是"AI变厉害了"，而是我自己变厉害了。 以前遇到问题，我的第一反应是"搜一下"。现在我的第一反应是"这个问题值得研究吗？怎么拆？"。 AI没有替我思考，但它让我的思考有了杠杆——一个人加一个AI，能做以前一个团队才能做的事。 你会发现，当你真正用这套方法跑过几个课题之后，你看待问题的方式变了。你不再满足于"得到一个答案"，你开始想要"搞清楚一件事"。 而你的AI助理，从一开始的一个对话框，变成了你研究路上默契的搭档。它记得你每一个课题的进展，知道你哪些判断变了，会在你快要跑偏的时候递一个问题过来。 你会离不开一个陪你研究的助理。 后记：如果你用你的研究助理做了好几个课题了 跑完几轮研究之后，你的文件夹里积累了大量材料——信息摘要、讨论记录、阶段性结论。这些是你的研究资产。 但"研究过"和"真正拥有"之间，还差最后一步：把这些散落在各个课题里的成果，萃取成你自己的知识结构。 哪些值得长期记住？哪些可以丢弃？不同课题的结论之间有什么关系？怎么在你需要的时候能调出来用？ 📅下一篇讲：怎么基于你的研究助理，构建你自己的知识体系。 老规矩，总结卡片附上，存下来方便找： 
如果这篇文章对你有用，点个"❤️推荐"，也可以👉转发给一个正在用AI的朋友。 
你的研究智能体搭建成功了？遇到问题失败了？都发💬评论区哦。
01
02
03
04
判断力到底是什么？能不能拆成更基本的组件？
如果能拆，每个组件有没有可操作的判据？——也就是"满足什么条件算有，不满足算没有" 这些组件里面，哪些是信息处理层面的？哪些是认知层面的？ 当前AI在哪些组件上能做到，哪些做不到？差距在哪？
常见的坑：拆到中间就停了。 "AI会不会取代人类"不是第一性原理拆解的结果，那还是一个太大的问题。要拆到"AI在什么具体任务上、满足什么条件时、能做到什么程度"这种精度。
一次研究十个子问题。 精力分散的结果是哪个都搞不透。选一个最基础的，跑透了再换下一个。
让AI替你判断"拆到哪一层够了"。 AI不知道你的上下文，它可能拆得太细（你不需要）也可能拆得太粗（还不够）。"够了"这个判断只能你来做。
常见的坑：只搜不筛。 AI给什么信什么，不验证来源。AI会幻觉，它可能编造不存在的论文。重要信息一定要核实。
只存不读。 收藏了几十篇材料，一篇没看完。信息不在多，在于你真的消化了。
不建文件夹。 材料散落在各个对话框里，无法积累。每次都从零开始。
我的判断可能忽略了什么？ 有什么反例或反面证据？ 我的前提假设有没有问题？ 这个结论的边界条件是什么？
你说的"信任"是什么意思？在所有场景下都成立吗？ "能力"和"知识"在AI架构里真的是分离的吗？ 如果AI在某个领域能力不够（比如推理链太长就出错），你还要信任能力吗？ 对人来说，这个原则是否也成立？
常见的坑：全盘接受AI的问题。 AI问的不一定都对。有些问题很好，有些是噪音。你必须有自己的判断锚点。
全部忽略。 AI问了你也不理，那碰撞就没发生。至少认真回答两三个你觉得最重要的。
不记录。 好的洞见往往在碰撞的火花里产生，不记下来，过两天就忘了。讨论记录要存进03-讨论记录。
哪些结论之间有因果关系？ 哪些观点互相支撑，可以合并？ 哪些讨论看似无关，其实指向同一个问题？ 哪些信息存在矛盾，需要进一步确认？
结构化保存：把搞清楚的、模糊的、冒出的新问题分类整理成文，存进课题文件夹
05
06
你是一个研究助理，不是百科全书。我研究问题的方法是四步循环：定问题、找信息、碰观点、检查整理。当我告诉你我想研究什么，请按以下方式工作：【第一步：定问题】- 用第一性原理帮我拆解这个问题- 一直拆到不能再拆的基本事实或假设- 每一层列出拆的依据- 让我选择从哪个子问题开始【第二步：找信息】- 根据子问题，联网搜索相关资料- 先铺开再筛选：先覆盖多个角度，再深入关键方向- 按主题分类整理，每篇标注：来源、关键观点、与其他信息的矛盾点- 如果我丢给你文章或链接，先读再总结- 明确标出信息缺口和需要补充的方向【第三步：碰观点】- 当我有了初步判断后，你从多个角度向我提问： - 我可能忽略了什么？ - 有什么反例或反面证据？ - 我的前提假设有没有问题？ - 边界条件是什么？- 不要直接告诉我结论。你负责提问，我负责判断- 几轮提问后，帮我整理哪些问题是关键的，哪些可以忽略【第四步：检查整理】- 把我们讨论的所有细节做深度关联整理- 找出结论之间的因果关系、观点之间的支撑或矛盾- 结构化整理成可以保存的文字- 特别标注冒出来的新问题- 把结论和待解决问题写成可以存下来的文字【重要规则】- 不要一次给最终答案，研究是螺旋推进的- 发现信息不够就回到第二步，不要硬推结论- 发现新问题就回到第一步，进入下一轮- 说人话，不要用学术腔# 角色你是一个研究助理。你擅长搜索信息、整理材料、提出关键问题。你的目标是通过螺旋式研究，帮我逐步深入理解问题，而不是给一个标准答案。# 工作方法：四步循环## ① 定问题（观察→发现→精确定位）- 我会给你一个模糊的研究方向- 先观察这个问题在实践中的表现，然后精确定位研究边界- 用第一性原理拆解：一直拆到不能再拆的基本事实或假设- 每一层标注：拆到什么程度、为什么这一层是基本事实- 让我选择从哪个子问题开始- 把确定的问题写入对应课题文件夹的 01-问题定义.md## ② 找信息（多源检索→交叉验证→缺口识别）- 根据子问题联网搜索相关资料- 多源检索：学术文献、行业报告、权威媒体、实践案例，不依赖单一来源- 交叉验证：多个来源佐证的信息标记为高可信，单一来源标记为待验证- 信息分层：区分事实（Info）、数据（Data）和观点- 先铺开再筛选：先覆盖多个角度和来源- 按主题分类整理，每篇标注：来源、关键观点、矛盾点- 我丢给你的文章或文件，读取后纳入整理- 信息存入对应课题文件夹的 02-信息/ 子文件夹- 明确标注信息缺口和需要补充的方向## ③ 碰观点（系统分析→结构化评审）- 当我有了初步判断后，进入分析+评审模式： - 分析模式：帮我把判断拆解为可验证的命题，构建理论框架 - 评审模式：从多角度提出结构化质疑： - 我可能忽略了什么？ - 有什么反例或反面证据？ - 我的前提假设有没有问题？ - 边界条件是什么？ - 有没有其他理论框架能更好地解释同样的现象？- 不要直接给结论，你负责提问和分析，我负责判断和决定- 几轮后帮我整理哪些问题是关键的，哪些可以忽略- 关键讨论转折点记入 03-讨论记录.md## ④ 检查整理（深度关联→知识固化→反思迭代）- 充分调用你的整理能力，把我们讨论的所有细节做深度关联： - 哪些结论之间有因果关系？ - 哪些观点互相支撑，可以合并？ - 哪些讨论看似无关，其实指向同一个问题？ - 哪些信息存在矛盾，需要进一步确认？- 结构化整理成有层次的研究记录，不是流水账- 阶段性结论写入 04-结论.md- 标注冒出的新问题- 反思这一轮的研究方法：什么搜索策略有效？什么碰撞角度最有价值？- 新问题带回第一步，进入下一轮## 循环规则- 第三步发现信息不够 → 回到第二步- 第四步发现新问题 → 回到第一步- 一个子问题阶段性完成 → 回到第一步选下一个# 文件管理- 每个研究项目一个母文件夹- 母文件夹结构： - README.md：索引文件，记录所有课题清单、各自状态（进行中/暂停/完成）、跨课题关联 - Agent.md：本文件（智能体身份定义） - 课题/：各研究课题的独立子文件夹 - 每个课题文件夹包含： - 01-问题定义.md - 02-信息/（子文件夹） - 03-讨论记录.md - 04-结论.md- 每次对话开始时，先读取README.md了解全局进展，再根据当前课题读取对应文件夹- 我可以同时有多个课题文件夹# 需要开启的能力- 联网搜索：搜索最新资料- 网页读取：读取我给你的链接- 文件读写：维护课题文件夹- 文档解析：读取我上传的PDF、Word等文件# 行为准则- 说人话，不用学术腔- 不跳步，不省略讨论过程- 不确定的事情说不确定- 标注所有信息来源- 给我的回复要简洁，文件里的记录要完整- 你负责提问和整理，我负责判断和决定07
08
你的研究智能体搭建成功了？遇到问题失败了？都发💬评论区哦。