很多人使用 AI 的方式，其实还停留在“搜索框时代”。

输入一个问题，等待一个答案。 如果答案看起来流畅，就觉得它“很聪明”；如果答案有点空，就换个模型再问一遍。

但这并没有真正发挥大模型的价值。

最近 Nav Toor 在 X 上分享了一套基于 Stanford STORM 思路的 Claude 调研方法，核心不是让 AI “更会回答”，而是让 AI 像研究者一样拆解问题：从多个立场提问，暴露冲突，综合证据，再进行自我审查。(X (formerly Twitter))

STORM 到底是什么？

STORM 是 Stanford OVAL 提出的一个知识整理与长文写作系统，全称是 Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking，大意是：通过检索和多视角提问来综合主题大纲。它的目标不是简单生成一篇文章，而是在写作之前先完成“研究”和“搭框架”的过程。(ACL Anthology)

它背后的思想很朴素：

好的问题，往往不是从一个角度问出来的。 真正的洞察，通常藏在不同视角的冲突里。

所以 STORM 不急着输出结论，而是先让模型模拟不同角色：实践者、学者、怀疑者、经济学人、历史学家。每个角色都带着自己的问题意识去看同一个主题。

这一步非常关键。 因为普通提问容易得到“互联网平均答案”，而多视角提问会逼迫模型暴露问题的复杂性。

一套可复用的 AI 深度调研流程

这套方法可以拆成四步。

第一步：多视角扫描

不要直接问：

帮我分析一下 X。

而是让 AI 从多个角色出发：

请从实践者、学术研究者、怀疑论者、经济学人、历史观察者五个角度分析这个问题。 每个角度都要说明：它最关心什么、它掌握什么证据、它可能看到哪些其他角度忽略的事实。

这样做的好处是，模型不会只顺着一个方向讲故事。

实践者会提醒你现实操作里的摩擦； 学者会要求证据和同行评议； 怀疑者会专门找漏洞； 经济学人会追问利益结构； 历史学家会寻找周期和先例。

一个问题被五种视角同时照亮后，信息密度会明显提高。

第二步：画出矛盾地图

多视角分析之后，不要马上总结。 下一步应该让 AI 找冲突。

你可以继续问：

上面这些视角之间，哪些观点是直接矛盾的？ 哪些证据最强？哪些证据最弱？ 所有视角都承认的共识是什么？ 有没有所有人都忽略的盲区？

这一步的价值在于：它把“看起来都对”的观点放到同一张桌子上比较。

很多 AI 生成内容的问题，不是没有信息，而是没有冲突。 它会把各种材料平铺出来，但不告诉你哪些观点互相打架、哪些论点其实站不住。

而研究的关键，恰恰是识别冲突。

第三步：综合成研究简报

当视角和冲突都清楚之后，再让 AI 输出正式简报。

可以要求它包含：

1. 用一段话讲清楚核心结论
2. 按可信度排序列出关键发现
3. 说明每个发现由哪些视角支持、又被哪些视角质疑
4. 找出一个隐藏关联
5. 给出面向具体角色的行动建议
6. 提出一个最值得继续研究的前沿问题

这一步很适合用于写文章、做竞品分析、研究新技术方向、准备面试、判断商业机会。

因为它输出的不是“资料堆砌”，而是一份有结构、有冲突、有行动含义的研究结果。

第四步：让 AI 自我评审

最后一步很多人会忽略：让 AI 审查自己的答案。

你可以问：

请对刚才的研究简报做一次严格评审。 哪些结论置信度最高？哪些最弱？ 是否存在偏见？ 是否缺少关键视角？ 如果由一位严苛的教授审阅，他会要求你修改哪里？

这一步不是形式主义。

大模型最大的问题之一，是它很容易把“讲得顺”包装成“讲得对”。 自我评审的作用，就是强制它把结论拆开，标记不确定性，暴露薄弱环节。

为什么这比普通 Prompt 更有效？

普通 Prompt 的逻辑是：

我问一个问题，你给一个答案。

STORM 式 Prompt 的逻辑是：

我先让你从多个角度提出问题，再让你比较冲突，最后才综合答案。

这两者差别很大。

前者像搜索。 后者像研究。

搜索追求速度，研究追求结构。 搜索容易得到结论，研究会先暴露不确定性。 搜索把 AI 当信息压缩器，研究把 AI 当思考协作者。

Stanford 的 STORM 论文也强调了预写作阶段的重要性：在正式写作前，系统需要先发现不同视角、模拟带有不同立场的提问，并基于可信来源整理信息和大纲。(ACL Anthology)

适合用在哪些场景？

这套方法特别适合复杂问题，比如：

• 调研一个新技术方向
• 分析一个产品机会
• 判断一个行业趋势
• 写一篇深度博客
• 准备面试或分享
• 做投资、职业、创业方向判断
• 分析一个争议性观点

它不太适合问简单事实，比如“某个命令怎么写”“某个概念是什么意思”。 但只要问题涉及多方利益、历史背景、证据强弱、行动决策，这套方法就很有用。

但也别神化它

STORM 不是让 AI 自动变成博士。 它只是把研究流程结构化了。

你仍然需要注意三件事：

第一，AI 可能引用不可靠来源。 第二，它可能把无关事实强行关联。 第三，它可能继承检索结果里的偏见。

STORM 论文中也提到，生成长文仍然会遇到来源偏差转移、无关事实过度关联等挑战。(arXiv)

所以更准确的说法是：

STORM 不是替你完成判断，而是帮你搭建一个更好的判断框架。

一个可直接复制的通用模板

你可以把下面这段保存下来，以后调研复杂问题时直接使用：

我想对【你的研究主题】做一次深度调研。

请不要直接给结论，而是按照以下流程完成：

1. 多视角分析：
请从实践者、学术研究者、怀疑论者、经济学人、历史观察者五个角度分析这个主题。
每个角度需要给出：
- 核心立场
- 最重要的证据
- 它能看到但其他视角容易忽略的事实

2. 矛盾地图：
请比较这些视角之间的冲突：
- 哪些观点直接矛盾？
- 哪些证据最强，哪些证据最弱？
- 所有视角都承认的共识是什么？
- 是否存在共同忽略的盲区？

3. 研究简报：
请把以上内容整理成一份研究简报：
- 一段话核心总结
- 5 个最重要发现，并按可信度排序
- 一个隐藏关联
- 面向【你的身份/目标】的行动建议
- 一个最值得继续研究的问题

4. 自我评审：
请审查这份简报：
- 每个关键发现的置信度
- 最薄弱的论点
- 可能存在的偏见
- 是否缺少关键视角
- 如果由严苛专家审阅，最需要修改哪里

结语

AI 时代真正重要的能力，可能不是“会不会用某个模型”，而是“会不会组织问题”。

当你只问一个问题时，AI 给你的往往是平均答案。 当你让它从多个视角互相辩论时，它才更可能产出洞察。

不要只把 Claude、ChatGPT 或 Gemini 当搜索框。 让它们成为你的研究小组。

这才是 STORM 方法最值得借鉴的地方。