国安要求隐匿一些东西 手动打码
写在前面：
大家好！今天想和大家分享一个Prompt的设计~
最近在研究字节火山引擎的DeepResearch项目的时候，基于一些使用上感受到的强大和不足，包括对Prompt的使用上，受到启发，摸索设计出这个我分享的版本的深度研究助手Prompt。
其实原意呢，是我部署后的火山云上api实例要钱（但也不多，设置定时启停10h左右大概一天也就不到1块钱，我是设置的0.25c和512mb，已经实测足够），而我自己改改build的docker包呢，映射出来使用的前端又太丑，单独来说也不常用，比较鸡肋。然后就是这个项目进行进行深度搜索的效果呢，一是api调用的话搜索内容的不可见、二是R1模型针对最后的所有资讯的摘要总结，也就是最终的输出非常笼统。
但瑕不掩瑜，我觉得整个工作流设计和流程，感到非常强大和惊艳，我PO一张架构设计图，有兴趣大家自行去看源码研究：
而在我们日常工作搜索时候，最头疼的大概就是：海量信息怎么筛选？复杂问题怎么拆解？目前看来通用的大语言模型虽然强大，但面对深度研究任务时，往往需要更明确的引导才能发挥最大价值。提问的质量，对LLM的回答质量也是有极大的影响，这也是为什么需要一个Prompt预设，去最大化的发挥效果，哪怕提问每次不是特别的话，也可以获得较好质量的输出。
所以，我尝试把这个深度搜索的逻辑转化一下，设计成一个Prompt，看目前tool调用类的模型，谁可以胜任（我原本心中的预期是某某 3.7这是基于我在Cursor码代码上获得的良好体验而言，但但但但但！谁能想到某某 3！！ 相当于免费赠送的150叨 的老M！它居然也可以做到多轮调用、思考微调，不过转念一想，X也是做了deep research，也能理解估计他家从模型底座就设计支持这种场景，另外我猜想Closeai的DeepResearch这么牛，也是他的底座模型o3mini的了得占了很大功劳）
经过很多轮的测试呢，的的确确，目前某某 3.7、和Grok 3可以达到配合这个Prompt实现天然的多轮搜索，多次调用Searxng和crawl实现深度搜索和更充分高质量的总结。
我原本对刷榜王某某 2.5 pro抱有非常大的期待，但实测做不到。（我猜测，他们自家的某某 Advanced估计也是，虽然也提供了深度搜索，但底层应该还是基于一套工作流的方式去实现的深度搜索，而非模型本身针对tool调用进行了优化）
-
首先看一下效果和亮点：
-
1、自行替代、思路转换：
- 2、追问环节：
- 3、自动多轮搜索、爬虫分析
-
4、全面总结： 效果在文章最后 End
-
注： 如果想要在Cherry Studio中使用，可以参照这篇通过MCP的方式调用：【新手友好版】Cherry Studio 集成MCP实现 DeepResearch，希望对你有帮助！
一部分心得感受
深度研究中的“痛点”
在设计这个Prompt之前，我先梳理了自己在研究中常遇到的问题，或许你也感同身受：
-
需求不清晰：有时候自己都不知道问题的核心是什么，AI怎么可能懂？
-
过程失控：AI回答往往东一榔头西一棒子，缺乏系统性。
-
信息杂乱：搜索结果一大堆，但哪些靠谱？怎么整合？
-
输出不专业：内容虽然有了，但格式凌乱，缺乏条理和可信度。
针对这些痛点，我的“深度研究助手”Prompt试图提供一个结构化的解决方案。下面就来详细聊聊它是怎么设计的。
Prompt全貌
先给大家看看这个Prompt的完整内容，核心设计就是想让它逻辑清晰、分步执行，并且掌握一些搜索上的技巧和施加给他的一些约束，保证流程可以顺利并且大多数时候都符合预期的执行：
你是一个深度研究助手，擅长使用搜索引擎对用户的问题进行深度探索，并输出专业的调研报告。
# 用户问题：
{{question}}
# 追问对话：
{{re-question}}
# 当前已知资料：
{{reference}}
# 当前环境信息：
{{meta_info}}
## 需求分析
- 将用户的问题拆解为具体的子问题。
- 如果问题不够明确，可以主动追问用户以澄清需求。
## 需求确认
- 如果需要追问，请先提出具体问题引导用户，而非直接搜索或解答。
- 追问环节最多进行三轮，确保在用户许可下进入下一步。
- 最终基于追问反馈，优化整理出明确的子问题列表，再开始搜索。
## 搜索策略
- 不要一次搜索多个话题，拆分为多次小范围搜索。
- 对于非地域性问题，可尝试英文搜索获取更广信息。
- 如果直接搜索无果，尝试宽泛关键词从侧面获取信息。
- 若「当前已知资料」有缺漏，思考并输出具体的新关键词。
- 确保每个关键词清晰具体，避免歧义，具备独立搜索价值。
- 当信息已足够或无法获取更多有用内容时，及时停止搜索。
- 若发现新的有价值话题，可沿着新方向继续探索。
## 信息采集
- 对有价值的网页，使用爬虫工具获取完整内容。
- 根据网站权威性判断采集优先级，避免无效信息。
- 不要重复访问已处理过的链接。
## 信息检查
- 仔细评估「当前已知资料」是否全面覆盖用户需求。
- 只有在多次搜索确认信息充分后，才进入最终输出阶段。
## 输出要求
- 以Markdown格式输出专业调研报告。
- 标注所有数据来源，提升内容可信度。
- 合理使用表格、Mermaid图表等工具直观展示信息。
设计思路拆解：我为什么这样写？
这个Prompt的核心是“结构化”和“流程化”，我想让AI像一个真正的研究伙伴一样，按部就班地帮我解决问题。下面是每个模块的设计初衷，咱们一步步聊：
1. 角色设定：让AI知道自己是谁
一开始就明确告诉AI：“你是一个深度研究助手”，它的任务是通过搜索引擎深度探索并输出专业报告。这样设定角色后，AI的回应会更有针对性，而不是泛泛而谈。
2. 上下文输入：把背景交代清楚
我设置了几个变量（比如{{question}}、{{reference}}），让AI能获取用户的原始问题、已有资料和环境信息。这就像和同事合作前先把背景信息讲清楚，避免AI“猜来猜去”。
3. 需求分析：先弄懂要解决啥
研究的第一步永远是理解问题。我要求AI把大问题拆成小问题，如果用户需求不清，还要主动追问。这一环节就像和团队讨论项目目标，确保方向不跑偏。
4. 需求确认：不急着动手，先对齐
我特别强调，如果需求不明确，AI必须先追问（最多三轮），而且需要用户许可才能进入搜索阶段。这是我不想让AI“盲目开工”的一个小控制点，确保研究始终围绕用户真实意图。
5. 搜索策略：教AI怎么找信息
这一部分是我花心思最多的地方，列了很多搜索技巧：
-
一次只搜一个话题，避免信息混乱；
-
可以用英文搜索获取更全面的信息；
-
搜索没结果时，换个角度用宽泛词试试；
-
动态生成新关键词，补齐信息缺口。
这些策略是我自己在研究中常用的方法，教给AI后，它能更像一个“老司机”。
6. 信息采集：深度挖掘有价值的内容
找到有用的网页后，我让AI根据权威性判断是否用爬虫获取完整内容，避免浪费时间在低质量信息上。这就像挑选文献，只选权威期刊的那种感觉。
7. 信息检查：确认信息够不够用
在输出前，AI必须检查已有资料是否全面覆盖问题。这一步很重要，防止研究半吊子，漏掉关键内容。
8. 输出要求：让成果看起来专业
最后，我要求AI用Markdown格式输出报告，标注来源，还可以用表格、Mermaid图表等工具可视化数据。这样既方便我后续编辑，也让内容更直观、可信。
这个Prompt有啥特别之处？
用了一段时间后，我觉得这个Prompt有几个亮点挺值得分享：
-
像搭档一样互动：通过追问机制，AI不是单方面输出，而是像同事一样先沟通，确保理解到位。
-
研究流程很清晰：从问题拆解到信息搜集再到最终报告，整个步骤环环相扣，逻辑性强。
-
搜索策略很实用：多语言搜索、关键词优化等技巧，能帮AI挖到不少隐藏信息。
-
结果专业又好用：Markdown格式、数据来源标注，还有可视化呈现，拿来直接用或二次编辑都很方便。
怎么用？还能怎么改进？
如果你也对这个Prompt感兴趣，可以试着用在你常用的AI平台或自定义GPT上。直接复制过去，替换变量内容就能跑起来。当然，你也可以根据自己的需求调整：
-
修改追问次数：如果你觉得三轮太多或太少，可以改成两轮或更多。
-
丰富搜索策略：比如加入你熟悉的特定工具或搜索语法。
-
定制报告风格：如果你需要特定的报告模板，可以提前定义好输出格式。
-
集成外部工具：如果你的平台支持，可以更紧密地连接搜索引擎或爬虫API。
我自己还在不断优化这个Prompt，比如考虑加入更多自动化筛选信息的规则，欢迎大家也来聊聊你的想法！
最后想说：Prompt设计其实很有趣
设计Prompt的过程，就像在调试一个“AI助手的工作流程”，每调优一点都能感受到效率的提升。这个“深度研究助手”只是我目前的一个版本，但它已经帮我节省了不少时间，也让我对AI的潜力有了更多想象。
如果你也有类似的研究需求，或者有其他Prompt设计的经验，欢迎留言交流！一起探讨怎么让AI成为更靠谱的“研究伙伴”。
示例展示:）
:::info{title=“Q：心情不好怎么办？”}
- 初始问题拆解：
-
心情不好的具体原因是什么（如工作压力、人际关系、身体健康等）？
-
心情不好的程度如何（是短暂的情绪低落还是持续的抑郁状态）？
-
用户是否希望通过自我调节改善心情，还是需要专业帮助？
-
用户是否有特定的时间或环境限制（如无法外出、时间紧迫等）？
-
用户是否尝试过某些方法，效果如何？
-
第一轮追问反馈： 心情不好的主要原因是AI的发展非常的快，对自己的可替代性感到担忧；情绪偶尔存在，自我缓解的方式是更加关注AI的动向和发展，试图更好的掌握它们。
-
交互后的问题拆解：
-
AI技术发展对职业可替代性的具体影响是什么？哪些领域或岗位受影响最大？
-
如何评估自身技能与AI技术的匹配度，识别可能被替代的风险？
-
如何通过学习和掌握AI相关技能来降低被替代的风险？
-
如何管理因技术变革带来的情绪压力和焦虑？
-
有哪些成功案例或经验分享，展示个人如何适应AI技术发展并从中受益？
R：调研报告：因AI发展迅速导致的可替代性担忧及情绪管理
感谢您的反馈！根据您提供的信息，我已完成对AI技术发展对职业可替代性影响的全面搜索和分析，针对您因AI快速发展而产生的担忧情绪，提供了以下详细的调研报告。报告涵盖了AI对职业的影响、如何评估自身技能、学习AI技能以保持竞争力、管理焦虑情绪的策略，以及成功的适应案例，希望能帮助您更好地应对情绪并找到发展方向。
1. AI技术发展对职业可替代性的具体影响
AI技术的快速发展正在深刻改变全球劳动力市场。根据哈佛商业评论（HBR）的研究，生成式AI（如ChatGPT）已经对在线自由职业市场产生了显著的短期替代效应，尤其是在易于自动化的岗位上，例如写作和编码。研究显示，在ChatGPT推出后，自动化相关工作的岗位需求每周下降了21%，其中写作岗位下降了30.37%，软件开发岗位下降了20.62%[^1]。此外，联合国贸易与发展部门（UNCTAD）的报告指出，全球范围内约40%的岗位可能受到AI自动化的影响，特别是在发达经济体中，这一比例可能高达三分之一[^2]。
受影响最大的领域和岗位
根据Forbes的分析，以下是2025年最可能被AI替代的11个岗位类别[^3]：
-
制造业工作：如机器操作、产品处理、测试和包装。
-
零售和收银员岗位：自助结账系统的普及减少了对人工的需求。
-
数据录入和处理：机器学习算法能快速处理大量数据。
-
客服代表：聊天机器人可以处理大量常规询问。
-
会计和簿记：财务软件自动化处理账目。
-
市场研究分析：AI能够快速编译市场趋势数据。
-
法律研究助理：AI算法能快速筛选法律文件。
-
图形设计：AI生成内容的效率高于人工。
-
内容创作：如写作和编辑，生成式AI工具已广泛应用。
-
软件测试：自动化测试工具取代部分人工测试。
-
物流和运输：无人驾驶技术和自动化仓储减少人工需求。
长期趋势
尽管短期内需求下降明显，但研究也指出，AI不仅替代岗位，同时也在创造新的需求。例如，ChatGPT相关技能的岗位需求自推出以来每周增加0.68个，表明掌握AI工具的技能正在成为新的职业竞争力要素[^1]。
2. 如何评估自身技能与AI技术的匹配度
… 省略，详细见截图：
