跳到正文

使用场景

研究中的 AI

作者:Ofrai Editorial(Use Case Research)

研究是带着出处去读。Ofrai 把 Claude Sonnet 5、GPT-5.3 Codex 和 Gemini 3.1 Pro 放在同一套积分上,阅读和综合可以对着同一批材料进行。

打开工作室

对话与视频按积分计费。

读一份文档

要的是主张加位置,不是摘要。摘要告诉你文档似乎在讲什么;主张清单告诉你它断言了什么、在哪里,这才是你能核对的部分。输出旁边始终开着原文。最快失去信任的方式,是发现一句很有把握的话,文档里从来没说过。

带页码的证据

每条提取出的主张都要带页码或章节,找不到依据时必须明说找不到。模型会自信地给出没有定位的主张,没有定位的主张过不了复核。让它在文档不支持时说出来,是你能加上的最有用的一句:流利的答案变成可核对的答案。

比较来源

把来源放进同一个问题,而不是逐份摘要再指望差异自己出现。问两份材料在哪里不一致、各自假设了什么、两者同时成立需要什么为真。来源之间的一致比看起来弱,因为它们常常共享同一批原始材料。问共同假设,比任何摘要都更快露出这一点。

什么时候必须自己核对

凡是你准备在上面继续建的东西都要核对。模型是阅读助手。阅读助手擅长在文档里找到像样的句子,不擅长发现文档本身是错的、不完整的,或是为了推销而写的。把输出当成去哪里看的地图,然后自己去看。会进入决定、建议或引文的内容,眼睛要落在原文上,而不是落在摘要上。

一周做一次文献梳理

第一周是在建流水线,不是在写完一篇综述。第一天拿一份你已经读过的文档跑一遍,把提取和你的笔记对比,差异告诉你哪类文档它读得差。第二天为你领域里最常见的文档写提取模板,包括无法支持时必须承认,并在第二份文档上试。第三天拿三份彼此不同意的文档,只问分歧:这一个问题比三份分开的摘要更有结构。

第四天加上来源假设检查,问每份假设了什么,并记下两篇论文是否回到同一项底层研究。文献里多数虚假共识来自这里。第五天综合段自己写,提取放在旁边,不要直接要一篇综合:模型被要求写总结时,容易把分歧压成虚假的一致。一周结束时你有一套模板、一份需要人工处理的文档类型清单,以及一套工作顺序。模板在下一次综述才回本,第二次不该再花一周。

证据工作的提示词

四种提示词承担大部分价值。提取:列出文档对某题目的主张,每条带页码或章节和短引文,无法定位就明确说无法定位。分歧:这些来源在某问题上不一致,分别陈述主张、假设,以及谁有直接证据。假设:这个结论成立必须什么为真,列假设而不是论证。缺失:列出文档提出但没有回答的问题,以及读者该去哪里找。缺失这一条人们常跳过,却最能抓住编造。

研究模型很少主动说出缺口,直接问就会列出来,这份清单往往是阅读里最有价值的部分。槽位保持可见,方便在一整夹材料上复用。做的时候原文开在输出旁边。

Sonnet、Codex 和 Gemini 怎么分工

Sonnet 是阅读引擎,应当作为默认。它处理普通情况:文档提出一组主张,你需要定位,而且答案不难跟。Codex 是结构引擎。输出必须是表、一条记录,或三十份文档上可比较的一行时用它。文件夹变大之后,研究项目需要这个的次数通常比预期多。Gemini 3.1 Pro 是长上下文。

问题真的跨文档时它才值:一次给它几份来源,要综合,而不是从分开的提取里自己拼。合理分工是用 Sonnet 读,用 Codex 排成结构,来源多到值得放在一起时再用 Gemini 综合。要避免的是反过来:因为听起来更强,把单份文档交给长上下文模型,得到一句无法指回具体位置的答案。

研究会错在哪里

四种失败会反复出现。第一是张冠李戴:发现是真的,却安到了错误的段落,于是你去追一份并没有那样说的来源。第二是自信的编造:文档没谈这个问题,模型照样回答,编出来的往往正是文档如果谈了就会说的那种话。第三是表格漂移:散文里正确的数字进了表就错了,下游的人信任表格,因为表格看起来像核对过。

第四是限定语悄悄消失:“在多数试验中”或“对企业账户”没了,留下的主张比来源更强。对策直接对应:始终要定位,始终明确问文档没谈什么,用散文核对表里的数字,读限定语周围的句子,而不是只读它坐落的结论。

按来源计费,不按项目

研究工具常按项目或席位计价,读第二篇感觉应该免费,实际上常常不是。在 Ofrai 上,费用跟着阅读走。一个文件夹的账很简单:每份文档花它该花的,重读相对第一遍便宜。两个实际后果:拿自己的提取去对原文,边际成本很小,要点上应该总是这样做,而不是信任模型。

同一套余额还覆盖写作和工作室的其余部分,研究周最后要写成草稿时,不必再为起草单开一笔预算。用哪个模型仍然重要,但花多少由你控制,这是按席位订阅做不到的。

哪些写进草稿,哪些必须核对

输出分成两份文件:有定位的主张,和仍然开放的问题。两者值得的信任不同。带引文、有位置的主张可以拿来写,前提是你至少亲自打开过那个位置一次。开放的问题往往是整次会话最有价值的输出:文献没谈到什么,问得好,常常比再写一篇它谈了什么的摘要更有贡献。必须自己核对的是所有承重的部分:数字、归属,以及会被引用回去的主张。

写的时候原文开在草稿旁边。任何你在来源里定位不到的句子,都还不算你已经拥有的句子。

谁该用,谁不该用

阅读量相对阅读速度很大时值得建这套流程。政策、合规、竞争情报、技术尽职调查,以及新论文来得比你读得快的领域,都常见。机械的部分收益最大:定位主张、做比较表、找出文档没说的话。如果你的贡献就是阅读本身,来源短到读比写提示词更快,或者领域要求判断来源可信度、而模型会自信地抹平这些差别,就不要用。

最后一点要当心:模型分不出同行评审和营销博客,除非你告诉它不要一视同仁。工具加快阅读。它不代替判断什么值得读、该不该相信。

第一次怎么开始

从你已经细读过的文档开始,这样你有答案可对。要求主张加位置的提取,并说明无法支持的主张必须标出,再拿输出对原文。看两件和研究工具一样的事:它找到了你漏掉的细节,这是留下它的理由;它写出文档不支持的自信主张,这是收紧指令的理由。

提取在你已知内容的文档上站得住之后,拿两份彼此不同意的文档,要分歧而不是要摘要。第二项测试比第一项更重要,因为它最接近你的实际工作。分歧回来是干净的,你就有一个研究助手;分歧被压平了,你就只有一个摘要器。在这上面建流程之前,先知道自己拿着的是哪一种。

打开工作室

常见问题

它能注明出处吗?
它可以给页码或章节,再加短引文,这是真正能核对的形式。它不能保证引用是对的,所以每个定位都是待核实的指针,不是可以直接粘贴的引文。你没打开过的页码不是引文,是希望。
文档没回答这个问题怎么办?
默认你仍会得到一个答案,而且是文档如果谈过这个题目就会给出的那种。所以必须写明无法定位时要说出来。这把模型从自信的来源变成诚实的来源。诚实的“找不到”比像样的编造有用。
读一份文档要多少积分?
取决于长度和模型,工作室的模型页有当前价格。实用做法是日常阅读用普通模型,需要表格式输出时用擅长结构的模型,真的要把几份来源放在一起时才用长上下文模型。
在 Ofrai 上怎么开始?
打开一份你已经读过的文档,用 chat-with-PDF,要求带页码的主张,并明确说无法定位的要标出。拿输出对原文。一次就够判断值不值得做成文件夹流程。
Ofrai 上的研究 AI 是什么?
同一个工作区里有 Claude Sonnet 5、GPT-5.3 Codex、Gemini 3.1 Pro 和 chat-with-PDF,共用一套积分。阅读、排成结构和综合都在同一处,按文档选模型,而不是按订阅选。

相关模型

工具