我的终极 DeepResearch 提示词构建模板：从混沌到报告
我的终极 DeepResearch 提示词构建模板：从混沌到报告
太长不看： 我把下面的模板喂给 Gemini 2.5 Pro 来构建 DeepResearch 提示词，然后用产出的提示词去运行 DeepResearch。下文有更多背景，但核心思路很简单：把你的核心想法放进 TOPIC BEGINS HERE 和 TOPIC ENDS HERE 之间，其余部分自动成型。
Google 已经不够用了： 我就是那个把一个小型数据中心搬进自家地下室的人。当你凌晨三点有近三打 GPU 在嗡嗡作响，而你的大脑把半成品想法当宝可梦—— gotta catch ‘em all——浅尝辄止的搜索根本不够用。我需要一套能跟上我脑内混沌、逼出清晰、让我比我家猫在直播时拽掉 UPS 线缆更快交付的研究系统（真事）。
DeepResearch 加上这套框架，把我混乱缠绕的思绪变成信息丰富、有深度、成体系的报告。我也用它学习任何东西，并把它接进了我和智能体一起编程的循环里。今天，我把这套工作流分享给你。
这是我「101 天博客」系列的第 2 篇。如果它触发了你什么——想法、问题或批评——我的私信开放。希望它能给你一些带走就能用的东西。
从头脑风暴到即刻可用的报告
我相信，如果你真想推动事情——无论你是独立开发者、寻找市场清晰度的创始人，还是只是受够了平庸答案的人——你都需要一套正经的系统。 一个结构化的东西，把模糊的好奇心变成精准洞察，无情地逼出清晰，阻止无止境的兔子洞，交付真实价值（高信号、零噪音）。对我来说，那就是 DeepResearch。
为什么需要 DeepResearch（以及为什么你需要真正的提示词框架）
在有 DeepResearch 之前，我「只是查一个东西」，然后突然发现自己已经开了 138 个标签页，全是过时博客和互相矛盾的信息。DeepResearch 解决了这个问题，但前提是我学会了怎么用它。清晰是有方法的。
DeepResearch 可以是很多东西，包括：
- 被_AI 超级充能的科学方法，用来萃取真正的知识。
- 为切开嘈杂市场而生的战术框架。
- 你那位从不抄逻辑近路、也从不打盹的不知疲倦的共同思考者。
传统研究常常止于含糊、暧昧，并完全错过关键洞察。所以我构建——并强迫症式地迭代——了一个专门修复这些问题的提示词框架。这个方法引导我和 AI：
- 一开始就设定水晶般清晰的目标。
- 无情地划定研究范围。
- 明确定义术语以防幻觉。
- 把研究拆成合乎逻辑、可管理的小任务（是推理，不是一股脑倾倒）。
- 强制严格的证据、可信来源与合理性检查。
- 让我微调 AI 的语气：我需要毒舌分析师、学术腔还是高管视角都行。
这就成了终极 DeepResearch 提示词构建模板，我执行的每一项严肃 AI 研究的骨架。
那个能生成任何 DeepResearch 提示词的模板
我把下面的模板喂给 Gemini 2.5 Pro 来构建 DeepResearch 提示词，然后用产出的提示词去运行 DeepResearch。下文有更多背景，但核心思路很简单：把你的核心想法放进 TOPIC BEGINS HERE 和 TOPIC ENDS HERE 之间，其余部分自动成型。
使用说明： 根据给定主题填写下方占位符（[ ]），以创建一个高度详细、有效的提示词，用于生成一份全面的深度研究报告。你在每个部分定义得越具体、越清晰、越详尽，AI 产出的质量和相关性就越高。
主题：
TOPIC BEGINS HERE
"""
"""
TOPIC ENDS HERE
你的任务是生成一份深度研究报告。 请一丝不苟地遵循以下结构、指令与准则。
1. 目标与核心问题
- 说明： 清晰定义本研究必须回答的主要目标、中心问题，以及你期望从报告中获得的具体、可触摸的成果。这里的精确性对聚焦研究至关重要。
- 指令： 陈述本研究的主要目的、核心问题与期望的最终产物。具体说明成功是什么样子。
- 占位符：
- 研究主主题：
[清晰重述总体主题。] - 核心研究问题：
[列出研究必须回答的具体核心问题。精确且聚焦。例如：「X 的主要驱动因素是什么？」「基于标准 A、B、C，Y 与 Z 相比如何？」「在条件 Q 下假设 P 是否成立？」] - 期望成果与报告目标：
[明确可触摸的成果。例如：「一份关于……的全面分析」「一份……的可行性研究」「针对……的战略建议」「一份……的对比评估」「一份详述……的市场格局概览」「一份验证/否定假设 X 的数据驱动报告」]
- 研究主主题：
2. 背景、语境与范围
- 说明： 提供所有必要的背景信息、定义、已知数据、你当前的理解与任何初始假设。最关键的是，划定边界以防范围蔓延。
- 指令： 纳入相关历史、现状、关键玩家/因素、既有数据点、初始假设，并明确研究的界限（时间范围、地域、排除项）。
- 占位符：
- 相关背景信息：
[提供关键语境：历史、重要性、当前态势、关键玩家、既有相关数据点或已知事实。] - 初始假设/视角（如有）：
[陈述你的起始假设、初步想法，或希望研究考虑的特定视角。例如：「我的假设是 [X] 正因 [Y] 而衰退……」「我们认为 [技术 A] 相比 [技术 B] 有显著优势，因为……」] - 定义范围与边界：
[明确哪些应包含、哪些应排除。例如：「仅聚焦美国市场」「排除营收低于 X 百万美元的公司」「仅分析非营利部门」「不分析 2015 年之前的历史数据」。] - 指定时间范围：
[定义历史时段或未来预测视野。例如：「分析过去 5 年（2019-2024）的数据」「预测未来 10 年趋势」「聚焦 2023 年 Q1 至 2024 年 Q1」。] - 指定地域限制（如有）：
[定义地理区域。例如：「全球分析」「聚焦欧盟地区」「对比北美与东南亚趋势」。]
- 相关背景信息：
3. 关键术语与定义
- 说明： 定义与主题相关的任何特定术语、缩写、概念或行话，确保 AI 正确且一致地使用它们，避免歧义。
- 指令： 列出并清晰定义对准确理解和执行本研究至关重要的关键术语。
- 占位符：
[定义关键术语：列出并精确解释本研究语境中的核心术语、概念或缩写。示例：「定义公司金融语境下的『可持续增长率（SGR）』」「特别围绕零工劳动力定义『平台经济』」。]
4. 分步研究指令与子任务
- 说明： 把主要研究目标拆解为合乎逻辑、按序推进的步骤或独立的调查领域。引导 AI 精确地探索、分析、综合。
- 指令： 提供一份详细的、逐条列出的所需研究领域清单，以及每一步内要回答的具体问题或要完成的任务。要显式明确。
- 占位符（按需调整、增删步骤）：
- 步骤 4.1：基础分析：
[例如：「分析 [主题] 的核心原理/机制」「梳理 [主题] 的历史演进」「解释 [行业/公司] 的基本商业模式」。指明该步骤内要回答的关键问题。] - 步骤 4.2：数据收集与趋势分析：
[例如：「收集并分析 [产品/服务] 在指定时间范围 [时间范围] 内的市场规模数据」「调查 [指标 A] 与 [指标 B] 的趋势」「呈现 [实体/指标] 的历史表现数据」。已知数据源请指明。] - 步骤 4.3：竞争/对比格局：
[例如：「识别 [主题] 的主要竞争者/替代方案」「画像 [竞争者 A、B、C]，分析其优势、劣势、战略、市场份额」「基于标准 [X、Y、Z] 对比 [案例 1] 与 [案例 2]」。] - 步骤 4.4：因素分析（驱动因素、挑战、影响）：
[例如：「识别并分析 [市场/主题] 增长/衰退的关键驱动因素」「调查 [监管变化/技术进步] 的影响」「检视与 [主题] 相关的挑战与壁垒」「分析 [因素 A、B] 等宏观经济因素的影响」。] - 步骤 4.5：利益相关者/客户分析：
[例如：「分析关键利益相关者群体（[群体 1]、[群体 2]）的视角与影响」「调查客户对 [产品/主题] 的采用模式、行为与需求」。] - 步骤 4.6：批判性分析与综合：
[指定综合方式。例如：「应用 [SWOT/PESTLE/波特五力] 框架综合与 [主题] 相关的发现」「**专门**基于前述步骤的研究发现，批判性评估优势、劣势、机会与威胁」「综合所有领域的数据，评估 [主题] 的整体可行性/潜力/影响」。]最关键的是综合发现——不只是罗列信息。 - 步骤 4.7：结论与建议（如适用）：
[基于目标指定结论类型。例如：「给出回应主要研究问题的结论性评估」「**直接**基于综合分析，为 [目标受众/利益相关者] 提供数据驱动、可执行的建议」「基于收集的证据评估初始假设的有效性」。] [根据目标需要增加更多具体步骤/子任务。]
- 步骤 4.1：基础分析：
5. 期望输出格式与报告结构
- 说明： 精确规定最终研究产出应如何组织、结构化与排版，以保证清晰与可用。
- 指令： 详述必需的报告结构、章节、排版规范、数据可视化需求与引用格式。
- 占位符：
- 报告结构：
[给出必需章节及其顺序的具体清单。例如：1. 执行摘要（最多 1 页）、2. 引言（含目标与范围）、3. 方法论概述、4. 详细发现（按第 4 节步骤组织）、5. 批判性分析与综合（如 SWOT/PESTLE）、6. 结论（回应研究问题）、7. 建议（如适用）、8. 参考文献、9. 附录（如需）。] - 排版要求：
[指定格式。例如：「使用清晰的标题与子标题」「列表使用项目符号」「突出关键发现或洞察（如加粗）」「目标篇幅：约 X 字/页」。] - 数据可视化：
[指定需求。例如：「纳入图表（指明类型如柱状图、折线图）以展示趋势」「用表格汇总对比数据」「绘制可视化 [流程/关系] 的示意图」。尽可能具体。] - 引用格式：
[指定格式。例如：「使用 APA 第 7 版引用格式」「提供编号脚注」「附可点击 URL 的参考文献」或简单写「清晰、一致地引用所有来源」。]
- 报告结构：
6. 角色或视角
- 说明： 指定角色或视角能帮助 AI 调整分析的语气、深度、技术化程度与焦点（如顾问对比学者）。
- 指令： 定义 AI 在此任务中应采用的人设或专业身份。
- 占位符：
[指定 AI 角色：扮演一位 [指定角色，例如：专注可再生能源的高级行业分析师、评估并购标的的投资银行家、评估软件方案的技术顾问、揭露市场动态的调查记者、中立学术研究者]。你的分析、语言与焦点应体现该角色应有的深度与视角。]
7. 论证与来源要求
- 说明： 要求严格的循证报告。所有重要论断、数据点与分析都必须由可信来源支撑，并正确引用。
- 指令： 要求 AI 用可验证的证据支撑所有断言并提供清晰引用。指明期望的来源类型与质量标准。
- 占位符：
- 证据要求：
[指令：用来自可信来源的具体证据支撑所有主要论断、数据点、统计与分析结论。基于证据清晰论证分析性解读。] - 来源质量与类型：
[指定所需来源类型与可信度标准。例如：「优先同行评审学术期刊、知名市场研究报告（如 Gartner、Forrester）、政府出版物/数据库、财务申报（SEC）、成熟新闻机构（如 WSJ、Bloomberg、Reuters）、专家访谈（注明出处）与公司官方报告。除非专门分析观点，避免使用博客、论坛或高度偏见的来源。偏好较新的来源（如适用时 3-5 年内）。]
- 证据要求：
8. 推理、精炼与灵活性
- 说明： 纳入让推理更清晰、尽早处理歧义、并允许少量相关发现的机制。
- 指令： 强制清晰推理、要求研究前澄清、并定义可接受灵活性的边界。
- 占位符：
- 强制澄清检查：
[指令：**关键步骤：** 在开始深度研究与写作前，仔细审阅本提示词全部章节（1-9）。如任何部分不清晰、有歧义、看似矛盾或细节不足以让你有效执行研究并达成第 1 节目标，**你现在必须提出澄清问题。** 在歧义解决前不得开始生成报告。] - 思维链推理：
[指令：采用思维链推理，尤其在分析与综合章节（如步骤 4.6）。清晰表述逻辑步骤、所作假设、以及数据点与结论之间的关联。展示你的推理过程。] - 灵活性说明：
[指令：严格遵守提示词至上，但如果你发现高度相关却未被明确要求、且直接影响核心目标与研究问题的信息或关键视角，请简要注明并论证其纳入理由。重大偏离需要许可，但小的相关增补在论证充分时可接受。]
- 强制澄清检查：
9. 终审与质量检查（AI 自我修正）
- 说明： 指示 AI 在交付报告前对产出执行最终质量保证检查，确保满足所有要求。
- 指令： 提醒 AI 对照提示词标准进行彻底自查。
- 占位符： `[指令：提交最终报告前，进行全面审查确保以下各项：
- 目标对齐： 报告是否直接回应目标并回答核心研究问题（第 1 节）？
- 完整性： 分步指令（第 4 节）是否已全部执行？
- 准确性与论证： 论断是否有引用证据支撑（第 7 节）？分析是否可靠？
- 格式与结构： 报告是否遵循指定输出格式与结构（第 5 节）？
- 角色一致性： 语气与分析是否符合所指派角色（第 6 节）？
- 清晰与逻辑： 报告是否结构合理、行文清晰、无明显错误？
- 综合性： 报告是否批判性地综合信息，而不只是罗列事实？
- 连贯性： 结论是否从所呈现的分析与发现中逻辑推出？]`
把这份模板填写彻底，你就为 DeepResearch AI 提供了一份执行深度研究并生成高质量、高针对性报告的详细蓝图。记住：具体性是关键。
我的 DeepResearch 流程
1. 知识缺口
一切始于我注意到一个知识缺口——市场趋势、新兴技术、竞争格局，或任何足够困扰我、促使我寻求可行动清晰度的问题。
2. 定义范围并填写模板
这是最关键的一步。预先定义范围是产出有意义报告的根本。具体而密集的细节效果最好。确保关键术语被显式定义在此阶段价值连城。马虎的定义会让 AI 自信地产生幻觉。
有两种做法。
在模板 TOPIC BEGINS HERE 与 TOPIC ENDS HERE 的引号之间写原始想法： """从第一性原理学习 CUDA 编程（目标是最终用 CUDA 构建我自己的 LLM 推理引擎）。考虑所有方面，确保同时涵盖底层概念与相关实现。假设读者没有任何 CUDA/机器学习/AI 基础。"""
强烈建议限制来源与时间范围。比如我在研究强化学习论文，我会写一行限定为 2024 年末至 2025 年 6 月间发表的 arXiv 论文。
更精炼也更推荐的做法： 用一个大模型来生成并迭代范围。推理模型效果最好，这个任务我偏爱 ChatGPT o3。比如我会给 o3 发消息：
写一份从第一性原理学习人类反馈强化学习（RLHF）的深度研究提示词（目标是最终设计并实现我自己的端到端 RLHF 流水线来微调一个语言模型）。考虑所有方面：理论基础（强化学习、偏好建模、奖励设计）、实现组件（数据收集、标注界面、奖励模型训练、PPO、评估）以及近期的架构选择。假设读者没有强化学习、机器学习或 AI 对齐的任何经验。仅依赖 2024-2025 年的来源，优先 arXiv。
多数情况下，o3 的第一版回复经我审阅后直接插入模板的 TOPIC 区。最多 3 条消息，我就能把这部分打磨好并插入提示词构建模板。
专业提示： 如果我连把目标清晰到能发一条推文的程度都做不到，那它还没到可以研究的时机。
3. 要么澄清要么完蛋
AI 在动手前应该提出澄清问题。你可能需要来回几轮，这正是我偏爱上一步第二种做法的原因。
4. 按任务定制
有时我需要学术级严谨；有时我要的是「当我五岁小孩解释」式的拆解。我预先设好角色与输出格式。用我当前的知识水平和期望语气来框定提示词，效果天差地别。有时我让它像对 Michael Scott 那样给我讲。有时我要第一性原理拆解，像 Richard Feynman 从原子开始搭建。
5. 喂给 DeepResearch 运行
我把充分武装的提示词释放给 AI。如果它回抛澄清问题，很好；我回答、迭代，然后让它自己炖。
如果你想知道我如何评价各家 DeepResearch，可以看我那条推文及其后续补充。
6. 迭代、综合、再来
把 AI 产出当初稿。我常常基于首轮研究产出要求更深层的综合分析。我也严格审计引用。出现若干死链就意味着带着更严的来源过滤器整个重跑。
7. 最终产出 = 可行动的洞察
当 AI 达成每项要求（见我模板第 9 节），我得到高度可行动的摘要、数据支撑的建议和精确的可视化。清晰而干脆的洞察。
这套模板有何不同？
- 零歧义： 任何不清楚的地方，AI 都被强制澄清。不许瞎猜。
- 定义好的角色与视角： 为 CTO、VC、分析师、甚至毒舌基础设施架构师定制输出。
- 分步推理： 逻辑连贯的分析。
从头到尾的有意图、约束驱动的推理。
来自实战的专业提示
- 把范围当防火墙规则对待： 我的防火墙规则非常严格，我的 DeepResearch 也一样。一个微小的「额外指标」就能毁掉整份报告。
- 具体时间范围： 「过去五年（2021-2025）」永远胜过「最近」这种模糊词。
- 链式报告： 复杂主题，按子主题跑多个提示词。
DeepResearchMaxxing
我永远在 DeepResearchMaxxing。用这套框架并用好 DeepResearch，未来的你会感谢自己。
如果你认真想把大模型用于真实世界洞察——无论是进入市场、技术评估、投资论点还是职业转型——这套提示词框架会带你走很远。
拥抱 DeepResearch。
如果你在这里有所收获，来 X/Twitter 找我（@TheAhmadOsman）。我想听听你的反馈、问题，甚至你自己的 DeepResearch 成果。
下次见。
原文信息
作者：theahmadosman（@theahmadosman）
原文地址：
暂无评论，快来抢沙发～