从模糊问题到证据表：把研究变成可核验的决策任务

“值不值得买”听起来具体，其实无法直接研究

凌可是一名独立运营顾问。一家 12 人专业服务工作室问她：“AI 会议助手值不值得买？”这句话已经包含了产品、对象和购买动作，看起来比“研究一下 AI”具体得多。可它没有说明谁来决定、何时决定、要解决哪段工作、哪些会议可以处理，也没有规定什么证据足以支持采购。

如果直接搜索，她会得到功能清单、厂商案例、用户评论、隐私条款和价格比较，却无法知道哪条信息能改变客户决定。研究越做越长，最终往往只剩一份“优点很多、风险也要注意”的材料汇总。

她把任务改成：在 2026-08-15 前，判断是否应为 12 名员工开展 6 周受控试点；范围是内部会议和取得书面同意的客户会议；不自动发送纪要，不训练自有模型，不把研究当法律意见。研究最终包含 34 份纳入来源、57 条证据、9 个关键主张和 6 个未解决缺口。

本文为教学案例，用虚构数据完整展示从问题到证据的路径；人物、会议、报价、检索数量和结果均不代表真实产品效果。

先把话题改成一项有负责人和期限的决定

“AI 会议助手好不好”是话题，不是研究问题。凌可先写 决策简报：谁在什么时间，用研究结果做什么不可逆或有成本的选择。

研究交付不是“推荐一个工具”，而是比较三个行动选项，并说明什么新证据会改变选择。

问题树的每个分支都要服务同一决定

凌可把总问题拆成五个一级问题和 14 个二级问题。问题树按决策缺口分，不按“功能、价格、案例”这类网页栏目分。

每个二级问题都必须能改变范围、门槛或选项。若答案只满足好奇心，例如“全球市场规模多大”，又不影响 12 人工作室决定，就从本轮删除。

她再做 问题可追溯性，确保每个子问题至少对应一种可取得来源、一个预期输出和一个决策用途：

若问题没有来源，先登记 差距；若有来源却不会改变决定，就删掉问题。问题树不是报告目录，而是证据与行动之间的控制面。

把形容词改成可观察结果和反证

“准确”“省时间”“安全”都不能直接检索或验收。凌可把它们改成场景、单位、方向和反证：

研究问题因此从“准不准”变成：“在中文为主、偶有英文术语的 45—60 分钟会议中，草稿模式能否达到行动项找回不低于 90%、错误新增不高于 3%，且人工复核中位数低于 8 分钟？”这些是试点门槛，不是对产品的既有结论。

先写研究协议，再让 AI 帮忙搜索

协议冻结问题、时间、来源范围、纳入排除和输出。搜索过程中可以修订，但每次修订要记录原因和影响，不能看到结果后悄悄降低门槛。

研究不是系统综述，不能冒用医学综述的完整性声明；但仍可借用预先定义标准、记录搜索和保留排除理由的原则，减少只挑支持结论的资料。

协议有 版本 和 修订日志。第 2 天发现客户会议同时包含中文、英文产品名时，她把语言场景从“中文会议”修为“中文为主、允许英文术语”，新增 A-02；这一变化要求回看已经筛掉的英文术语样本。相反，她没有因为行动项找回只有 84.4% 就把试点门槛从 90% 降到 80%。

协议允许依据新事实修订，但不允许依据想要的结论修订。每次变化都说明哪些旧搜索、筛选和证据需要重跑。

不同子问题要匹配不同来源，不能用一个“权威等级”包打天下

来源强弱取决于主张。厂商官方文档最适合说明当前设置和接口，不适合独立证明节省时间；内部计时最适合描述本工作室基线，不证明其他团队；法律文本能说明正式要求，博客摘要不能替代原文。

她为每个问题先指定 源计划，再开始搜索；这样不会因为某类资料容易找到，就让它占满证据表。

搜索词来自问题概念、同义词和排除项

问题树中的每个概念建立 术语映射。比如数据边界分支包括 会议录音、转录、留存、删除、模型训练、子处理者、同意，以及产品正式名和旧名。

每次搜索保存日期、平台、完整查询、过滤、结果数和导出文件。AI 可以扩同义词、总结候选页，但不能在没有保存链接和原文时写入证据。

142 条候选怎样筛到 34 份纳入来源

三天搜索与内部调取共得到 142 条候选：官方产品与合同 52、独立研究或方法资料 44、内部记录 23、监管或法律资料 23。去除 26 个重复报告后剩 116；标题和摘要排除 48；阅读全文排除 34；最终纳入 34。

34 份纳入来源包括官方产品或合同 7、监管与正式规则 6、独立研究或方法资料 9、内部数据与记录 12，合计 34。排除项保留 EX-001 等 ID；“不支持我想要的结论”不是合法排除理由。

排除日志是研究证据的一部分，不是清理垃圾。

若一份资料表面很相关但被排除，日志让审阅者知道它已经被考虑。搜索结束后再出现新资料，也能按同一协议判断，而不是因为“看起来重要”直接加入。

凌可先独立筛 68 份全文候选，再请一名项目成员盲审其中 20 份。两人对 17 份一致，3 份分歧：一份厂商案例缺方法、一份旧政策是否仍适用、一份大型企业案例能否作为背景。根据协议，前两份排除，第三份仅作为 上下文 纳入，不得支持效果主张。

她据此回看同类候选，另发现 2 份旧页面漏标 已取代。复核的目的不是追求一个漂亮一致率，而是发现协议是否可操作。最终纳入决定仍由凌可负责，分歧与裁决保存在 审计日志。

证据表一行只支持一个有限主张

一份文档可能产生多行 证据；同一研究的三个网页仍属于同一底层来源。凌可不把整页摘要贴成一行，而是保存原文事实和自己的解释：

57 条证据按结论方向分为支持 19、矛盾 14、上下文 8、不足 16，合计 57。“不足”不是删除，而是明确这条资料无法支持拟写强度。

证据还有生命周期。提取只表示字段已抄录；已检查表示原文、定位、数字和版本已核；已接受才允许进入主张账本；已拒绝保留原因；过时表示来源更新后需重审。AI 抽取的 57 行中，首轮有 6 行页码错、4 行把解释写进原文事实、3 行遗漏适用账户，共 13 行退回。

修订后由本人再次核对 13 行，并对其余 44 行抽 9 行；9/9 通过。抽样不证明全部无错，但给出了明确的检查范围和剩余风险。

来源强弱要看它是否适合当前主张

她用五个维度评估每条证据：直接性 是否直接回答本问题；方法 是否说明数据怎样产生；货币 是否仍适用；独立性 是否有明显利益相关；可追溯性 是否能回到原位置。

她不计算一个“权威总分”后机械排序。隐私条款和质量测试回答不同问题；一个方法严谨但场景不直接的来源，可以补充机制，却不能覆盖直接场景证据。

主张强度按最弱必要环节校准。一项建议若同时依赖产品设置、合同许可和本地效果，其中任何一环是 差距，就不能用其他两环的强证据补齐。凌可使用四级措辞：已记录 表示来源明确写出；观测 表示本样本观察到；推断 表示由多条证据推导且说明假设；状态未知 表示目前不能回答。

数字必须同时记录分子、分母、单位和时间窗

“准确率 84%”没有说明评估对象。模拟测试预先定义 96 个行动项，系统找回 81 个，找回率 81÷96＝84.4%；另外生成 9 个标准答案中不存在的行动项。两项必须并列，不能只报 84.4%。

模拟脚本不含真实客户噪声、多人抢话和敏感数据，结果只能说明值得继续验证。若把 81/96 写成“会议助手准确率”，就把单一字段和有限样本夸成总体能力。

矛盾证据先解释差异来源

有资料说可配置不用于模型改进，另一份旧帮助页又写默认用于改进。凌可检查版本和账户类型，发现两页适用套餐与日期不同；证据表保留两行，当前合同解释优先，但旧账户迁移仍列待确认。

证据数量多不代表胜出。五篇转载同一厂商研究仍是一项底层证据；一条直接合同限制可以否决多个模糊正面案例。

从证据行到主张，要经过主张账本

主张账本迫使作者把“不足”留在结论旁边。报告正文引用主张编号，再由主张回到证据，而不是把几十个链接堆在段尾。

完整走一条主张：经济上“可能值得”怎样写才不虚假

正式报价假设为每人每月 24 美元，12 人共 288 美元。内部每月约 160 场会议，人工时间按每小时 45 美元估算。仅覆盖订阅费所需节省为 288÷160÷45×60＝2.4 分钟/场。

若试点达到从 14.5 分钟降到 8 分钟，每月毛节省为 160×6.5＝1,040 分钟，即约 17.3 小时；按分钟精确换算的假设时值为 1,040÷60×45＝780 美元，减订阅 288 美元为 492 美元。但这个结果依赖会议量、时值、实际采用率和复核时间，不能写成“每月一定节省 492 美元”。

建议因此不是“投资回报率为 170%”，而是试点必须同时记录实际会议数、准备、复核、失败恢复和订阅；低使用情形可能不回本。

缺口表决定在哪里停止，而不是继续漫无目的搜索

第三个工作日结束时，新增搜索已经连续 12 条没有改变主张账本；剩余问题需要合同确认和试点数据，不是更多网页。她据此停止资料搜索，把缺口带入行动设计。

“没有改变”有明确口径：没有新增问题分支、没有改变主张方向、没有增加新的直接来源类型，也没有解除关键 差距。最后 24 条候选分两组复核：前 12 条只重复已有产品功能与案例，后 12 条仍未补上合同许可或真实复核时间。

停止不是宣称“找到了所有资料”，而是说明在当前时间与资源下，继续同类搜索的边际信息已经很低；重要未知已被转成有负责人和取得方式的缺口。

最终建议比较三个选项，不把研究写成单一推荐

受限试点不是折中态度，而是与证据强度匹配的行动。它只开放内部会议和明确同意的客户会议；输出必须人工复核；不自动发送、不自动写任务系统；任何跨权限、删除失败或错误行动项超过门槛都暂停。

试点把未解决问题变成可测验收和退出条件

第 2 周做中期检查，只处理安全与流程故障，不因短期分数低就临时改标准答案；第 6 周全量复核。若质量未过但数据边界完好，可选择改流程后新建试点，而不是宣布产品永久不可用。

发布前逐项反向检查：结论能否回到问题和证据

凌可随机抽 12 条正文主张，逐条反查 claim_id、evidence_id、来源位置和适用边界；12/12 可打开。再从 57 条证据随机抽 10 条，检查是否被正文夸大；发现 1 条官方功能说明被写成实际效果，改回“文档声明可配置”。

AI 可以协助生成查询、抽取候选字段、发现矛盾和检查缺项；最终纳入、证据解释、主张强度和决策建议由凌可负责。自动化提高吞吐，不转移研究责任。

她还做一次从零复现测试：给另一工作窗口 决策简报、方案、搜索日志、当时的结果导出和 源登记，但不给报告结论。该窗口能按 6 组查询记录与去重规则重建同一份 116 条记录快照，并按 筛选日志 重建 34 份纳入列表；网页后来更新的 2 项通过 archived_at 和内容摘要定位到研究时版本。

可复现不要求不同研究者必然给出相同建议，而是能看见同一输入、规则、证据和判断分叉。若别人只能阅读最终 PDF，不能重建来源和排除路径，研究就难以更新。

发布包同时冻结 as_of=2026-07-21。价格、功能、条款或合同变化时，不直接覆盖旧证据；先创建 更新运行，识别受影响 问题 与 主张，只重跑相关搜索后再做全局一致性检查。历史决定仍引用原版本，避免用今天页面解释当时选择。

可以直接复制的研究目录和最小交付包

research/
  decision-brief.md
  protocol.md
  question-tree.csv
  term-map.csv
  search-log.csv
  source-register.csv
  screening-log.csv
  evidence-table.csv
  claim-ledger.csv
  gap-register.csv
  decision-options.md
  audit-log.md

最小版至少保留决策简报、问题树、搜索日志、证据表、主张账本和差异登记簿。研究完成的标志不是“看了很多”，而是能够说明：这个决定需要回答什么、找过哪里、纳入和排除了什么、每条结论由什么支持、哪些仍不知道，以及为什么当前行动没有超过证据。

来源与进一步阅读

以下资料核验于 2026-07-21，用于支持先定义研究问题、按问题选择方法、预设检索与纳入标准、记录筛选和保留排除理由：

• HM Treasury：The Magenta Book：2026 版强调评估应围绕使用者需要、具体问题和适合的方法，并在早期规划。
• HM Treasury：Magenta Book Annex A：说明证据综合方法应服务清楚定义的研究问题，方法随问题类型选择。
• Cochrane Handbook Chapter 4：说明预先规划检索、按资格标准识别资料、记录选择过程，并为表面相关的排除项保留原因。本文借用过程原则，不声称这是一项 Cochrane 系统综述。